Deepgram

什么是 Deepgram？

Deepgram 是面向开发者、产品团队和企业的语音 AI 平台，适用于构建围绕语音对话的应用。平台提供语音转文字、文字转语音、语音智能体和音频智能 API，并支持实时音频和预录音频转录。

团队可以集成单项语音服务，也可以使用统一的 Voice Agent API，将语音识别、语音生成和语言模型编排结合起来。企业选项包括定制语音模型，以及适用于不同基础设施和数据需求的部署方式。

Deepgram 能做什么？

流式和预录音频转录

Nova 语音识别模型可转录实时音频流和录制音频。可用功能包括说话人分离、自动语言检测，以及标点、日期和货币格式处理。

理解对话上下文的语音识别

Flux STT 提供轮次检测和打断处理功能，适用于实时语音智能体。Flux Multilingual 支持在单次对话中使用多种语言。

对话式语音合成

Flux TTS 可为实时对话生成语音，并在对话过程中保持语气、表达和连贯性。

统一的语音智能体编排

Voice Agent API 将 STT、TTS 和 LLM 编排结合起来。它会保留对话历史，并支持函数调用、提示更新和响应注入，以便将智能体连接到应用逻辑和外部系统。

转录文本增强与脱敏

语音转文字附加功能可以识别人名、组织和地点等实体，脱敏敏感个人信息，并通过关键词提示提升领域术语的识别效果。

定制语音模型

企业可以委托定制语音转文字模型，使用专有或新型数据集进行训练，以适应专业词汇和边缘场景音频。

使用场景

“客户服务语音智能体”

构建可与来电者对话、从后台系统检索信息，并通过应用逻辑执行特定领域操作的智能体。

“会议转录产品”

将转录文本用作会议纪要应用的输入，并借助说话人标签和清晰易读的格式整理对话内容。

“录制对话分析”

处理存档通话或其他录音，提取命名实体，并准备经过脱敏的转录文本以供后续分析。

“为平台集成语音功能”

将语音识别和语音生成嵌入通信平台或对话式 AI 平台，为其他开发者和企业提供服务。

常见问题

定价方式是怎样的？

API 价格取决于所选语音服务、模型、用量和附加功能。官网提供免费评估入口；使用前请确认当前额度、可能的有效期、预付要求、折扣和企业条款。

有哪些部署选项？

Deepgram 支持云端和自托管部署。请根据基础设施与数据要求，向服务商确认专用运行环境选项和区域端点的可用性。

转录支持哪些语言？

定价页面列出的 Nova 模型支持 45 种以上语言。语言和功能可用性因模型而异；Flux 为对话式识别提供英语和多语言选项。

Voice Agent API 是否提供音频传输？

该架构使用合作伙伴提供的传输层，将音频流传入 Deepgram，并将生成的语音播放给用户。电话合作伙伴可通过 PSTN 或 SIP 进行连接；业务逻辑和集成由您的应用提供。