### [Deepgram](https://hello123.com/)

**Published:** 2026-11-09T02:12:00

**Author:** hello123

**Excerpt:** Deepgram 提供语音转文本、文本转语音和音频智能 API。一小时音频转录约 12 秒，成本比同类低 3-…

## 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。

![Deepgram截图](https://cdn.hello123.com/wp-content/uploads/2026/09/deepgram.jpg)

-   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

注册后进入控制台，默认显示 API 密钥管理页面。新账户通常带有 **200 美元**免费积分，可访问所有公共模型。控制台左侧导航包含 Playground、用量统计和文档链接。Playground 允许上传音频文件或粘贴音频 URL，无需写代码即可查看转录结果。

### 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：

```bash
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

新账户提供 **200 美元**免费积分，可访问所有端点和公共模型。Growth 版年费约 4K 至 10K 美元，提供折扣。按量计费根据模型和音频时长计算，官方强调无 15 秒取整，即按实际处理时长收费。具体单价需查看定价页面，不同模型差异较大。

### 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](https://blog.csdn.net/offergoose/article/details/144762500)（2024-12-30）— **语音识别**平台对比，提及 Deepgram 定制化模型能力。
-   [deepgram.com](https://deepgram.com/learn/case-study)（2024-11-15）— 官方案例研究，包含 Wistia、Revenue.io 等客户场景。
-   [blog.deepgram.com](http://blog.deepgram.com/)（2025-01-29）— 官方博客，产品更新与公告。
-   [GitHub](https://github.com/deepgram/deepgram-js-sdk/releases)（2024-04-30）— deepgram-js-sdk 发布记录，含浏览器端 bug 修复。



---