Deepgram

Deepgram 是什么：语音 AI 平台与核心卖点

Deepgram 是一家成立于 2015 年的语音 AI 公司，提供语音转文本（STT）、文本转语音（TTS）和音频智能三组 API。开发者通过 HTTP 请求或 WebSocket 连接即可调用这些能力，无需自建模型。该平台的核心卖点在于低延迟与高吞吐：官方宣称预录音频转录速度可达 120 倍实时，流式转录延迟低于 300 毫秒。

• 语音转文本：支持实时流式与预录音频两种模式，输出带时间戳和置信度分数的文本。
• 文本转语音：Aura 模型提供低延迟语音合成，适合对话式 AI 代理。
• 音频智能：包括摘要、情感分析、说话者分离等自然语言理解功能。
• 部署灵活：支持云端、本地和私有云环境，满足数据合规需求。

语音转文本、文本转语音与音频智能三组 API

• 语音转文本 API：接收音频流或文件，返回结构化文本。支持 30 多种语言和方言，能处理噪声、多说话人场景。
• 文本转语音 API：Aura 系列模型生成自然语音，延迟指标面向实时对话优化。
• 音频智能 API：在转录基础上附加语言检测、文本摘要、说话者识别、情感分析等能力。

谁在调用 Deepgram：从呼叫中心到医疗转录

呼叫中心使用该平台转录通话并分析情感，媒体团队批量处理播客和视频，医疗机构将临床语音转为可检索文本。语音助手开发者则利用低延迟 TTS 构建对话式 AI。公开案例显示，Wistia、Revenue.io 等公司已将其集成到视频营销和销售分析流程中。

Deepgram 主要功能：从转录到定制模型

• 预录或流式转录：支持 40 多种音频格式，输出标点、大小写和话语跟踪。
• 多模型选择：提供通用、电话、会议、对话式 AI 和财报电话专用模型。
• 关键字提升：对行业术语、产品名称临时加权，无需重新训练模型。
• 定制模型训练：上传标注数据训练专属模型，官方称训练准确率可达 90% 以上。
• 音频时间戳与置信度：每个词附带时间偏移和置信度分数，便于下游处理。
• 说话者分离：自动区分不同说话人，输出按人分类的转录稿。
• 脏话过滤与编辑：可配置敏感词过滤，支持自动标点。

语音转文本：实时流式与预录音频

实时流式转录通过 WebSocket 连接持续接收音频分片，返回增量结果。官方数据称延迟低于 300 毫秒。预录音频模式则提交完整文件，一小时音频约 12 秒转完，相当于 120 倍实时速度。两种模式共用同一套模型，但流式模式对网络稳定性要求更高。

自然语言理解：摘要、情感与说话者分离

• 文本摘要：从长转录中提取关键信息，生成简短摘要。
• 情感分析：判断每段话的情感倾向，输出正面、负面或中性标签。
• 说话者分离：识别不同说话人并分别标注，适合会议和访谈场景。
• 语言检测：自动识别音频语种，无需预先指定。

定制模型与部署选项

定制模型通过上传标注音频训练，适合术语密集的垂直行业。关键字提升则无需训练，直接在请求中指定需加权的词汇。部署方面，该平台支持云端 API 调用，也可部署到本地服务器或私有云。本地部署适合对数据出域有严格限制的企业。

Deepgram 怎么用起来：注册到首次转录

1. 注册账户：访问官网，用邮箱或 GitHub 账号创建账户。
2. 获取 API 密钥：控制台生成密钥，格式为 dg_ 开头的一串字符。
3. 打开控制台：查看用量、管理密钥、访问 Playground 试用。
4. 调用 API：用 cURL 或 SDK 发送音频，接收转录结果。

注册后 5 分钟内会看到什么

API 密钥与首个 cURL 请求

在控制台「API Keys」页面点击「Create Key」生成密钥。最小可运行的 cURL 请求如下：

curl -X POST https://api.deepgram.com/v1/listen \
  -H "Authorization: Token dg_your_key_here" \
  -H "Content-Type: audio/wav" \
  --data-binary @sample.wav

返回 JSON 包含 transcript 字段和逐词时间戳。注意密钥不要硬编码在客户端代码中，应通过环境变量注入。

Python SDK 与流式转录配置

1. 安装 SDK：pip install deepgram-sdk。
2. 初始化客户端：DeepgramClient(api_key)。
3. 配置流式连接：指定 model 参数，如 nova-3。
4. 注册回调函数：处理 onTranscript 事件，接收增量结果。
5. 发送音频分片：将麦克风或音频流按小块发送。

流式转录需处理 is_final 标志，区分中间结果和最终结果。SDK 支持自动重连，但网络中断时可能丢失部分音频。

Deepgram 与主流工具对比：AssemblyAI、Whisper 怎么选

比较维度	Deepgram	AssemblyAI	OpenAI Whisper
部署方式	云 API / 本地 / 私有云	云 API	自托管或本地运行
流式转录	支持，延迟 <约 300ms	支持	需自行实现流式处理
定制模型	支持训练与关键字提升	支持自定义词汇	需微调或提示工程
计费模式	按量计费，无 15 秒取整	按量计费	免费（自托管成本另计）
典型延迟	预录音频 120 倍实时	未公开	取决于硬件

价格模型：按量计费与免费积分

准确率与延迟：Deepgram 的实测数据

• 一小时预录音频转录约 12 秒，即 120 倍实时速度。
• 流式转录延迟低于 300 毫秒。
• 定制模型训练准确率官方称可达 90% 以上。
• 成本比同类产品低 3 至 5 倍，来自官方宣传数据。
• 平均准确率提升 30%，该数据来自第三方评测，需结合具体音频场景理解。

Deepgram 典型应用场景：四个落地路径

• 呼叫中心：通话转录与情感分析。
• 媒体与内容：播客、视频批量转录和索引。
• 医疗转录：临床语音转结构化文本。
• 语音助手：低延迟 TTS 配合对话式 AI。

呼叫中心：通话转录与情感分析

电话模型针对 8kHz 采样率优化，能处理信道噪声和双方重叠语音。说话者分离功能将客服与客户分开标注，情感分析标记不满通话。企业可将转录结果接入质检系统，自动评分并生成合规报告。

播客与视频：批量转录和内容索引

媒体团队使用预录音频端点批量处理素材。转录结果带时间戳，可直接生成字幕文件或内容索引。Wistia 的案例显示，视频平台将转录集成到 AWS Marketplace 流程中，提升内容可搜索性。

医疗与语音代理：低延迟 TTS 的配合

医疗转录需处理大量专业术语，定制模型或关键字提升可提高准确率。语音代理场景中，Aura TTS 生成回复语音，与 STT 配合形成完整对话回路。低延迟 TTS 减少用户等待时间，让交互更接近真人对话。

Deepgram 实际收益：成本、速度与开发效率

• 转录速度：120 倍实时，批处理任务耗时大幅缩短。
• 成本节省：官方称比同类低 3 至 5 倍，无 15 秒取整。
• 集成时间：官方称 10 分钟内可完成首次调用。
• 开发效率：SDK 支持 Python、JavaScript、.NET 等语言。

一小时音频 12 秒转完意味着什么

120 倍实时速度意味着 10 小时音频约 5 分钟处理完毕。批处理任务不再需要通宵运行，媒体团队可在编辑周期内快速迭代。对于实时性要求不高的场景，速度优势直接转化为计算成本下降。

比同类低 3-5 倍的成本如何构成

成本优势来自自研 GPU 基础设施和端到端深度学习架构。按量计费无 15 秒取整，短音频不会按最小单位收费。定制模型训练后无需持续关键字提升，长期使用可进一步降低单价。

Deepgram 的最新动态：Aura TTS 与模型迭代

Aura 文本转语音模型于近期推出，主打低延迟和自然音色。nova-3 是当前默认语音转文本模型，在准确率和噪声鲁棒性上较前代有提升。SDK 方面，JavaScript 客户端持续更新，.NET 预发布包已上架 NuGet。

Aura 文本转语音：低延迟对话式 AI 的补全

Aura 定位为对话式 AI 的语音输出端，延迟指标面向实时交互优化。与通用 TTS 不同，Aura 针对短句回复和快速轮次设计，减少用户等待。开发者可将 Aura 与 STT 组合，构建完整语音代理。

SDK 与部署更新：JS 客户端与 .NET 预发布包

• deepgram-js-sdk 最新版本修复了浏览器端 process is undefined 错误，并增加自定义 fetch 配置。
• NuGet 上提供 Deepgram.Unstable.SDK.Builds 预发布包，目标框架为 .NET 6.0 和 .NET Standard 2.0。
• Python SDK 持续维护，支持流式转录和异步回调。

Deepgram 替代品推荐：两个备选路径

什么时候选 AssemblyAI 而不是 Deepgram

AssemblyAI 在特定 NLU 任务上提供更细粒度的 API，如实体识别和内容审核。如果项目需要开箱即用的音频智能功能，且不希望自己组合多个端点，AssemblyAI 可能更合适。但 AssemblyAI 的流式延迟和定制模型能力与 Deepgram 存在差异，需实测对比。

自托管 Whisper 的取舍

OpenAI Whisper 免费且可本地运行，适合数据敏感或预算有限的团队。但 Whisper 需要自行搭建服务、处理并发和流式逻辑，工程成本较高。Deepgram 的托管 API 省去运维负担，但按量付费长期成本可能更高。

Deepgram 适用人群画像：哪些团队该优先评估

• 需要低延迟流式转录的实时应用团队。
• 有定制词汇需求的垂直行业开发者。
• 处理大量预录音频的媒体或数据团队。
• 对数据出域有严格限制、需要本地部署的企业。

需要低延迟流式转录的实时应用团队

语音代理、呼叫中心质检、实时字幕等产品对延迟敏感。Deepgram 的流式端点延迟低于 300 毫秒，适合这类场景。团队应关注 WebSocket 连接的稳定性和断线重连策略。

有定制词汇需求的垂直行业开发者

医疗、法律、金融等领域充满专有名词。关键字提升可快速改善识别效果，定制模型训练则能从根本上提高准确率。官方称训练准确率可达 90% 以上，但需准备一定量的标注音频。

参考资料

• CSDN（2024-12-30）— 语音识别平台对比，提及 Deepgram 定制化模型能力。
• deepgram.com（2024-11-15）— 官方案例研究，包含 Wistia、Revenue.io 等客户场景。
• blog.deepgram.com（2025-01-29）— 官方博客，产品更新与公告。
• GitHub（2024-04-30）— deepgram-js-sdk 发布记录，含浏览器端 bug 修复。