Deepgram Voice AI

Introdução

Deepgram Voice AI é uma plataforma de fala que oferece aos desenvolvedores APIs de reconhecimento de fala (STT), síntese de voz (TTS) e agentes de voz. Ela foi projetada para aplicações que precisam manter conversas reais — lidando com revezamento de turnos, interrupções e contexto conversacional — em vez de simplesmente converter áudio em texto.

A plataforma combina seus modelos de reconhecimento (Flux e Nova-3), suas vozes Flux TTS e uma API unificada de Voice Agent que une transcrição, orquestração de LLM e síntese de fala em uma única conexão WebSocket. Os desenvolvedores conectam seu próprio modelo de linguagem ou um gerenciado para o raciocínio; a Deepgram cuida da camada de fala. Está disponível como API gerenciada com endpoints nos EUA, União Europeia e Austrália, além de opções de implantação in-VPC e self-hosted. Empresas como Cloudflare, Twilio, Daily, Vapi, Sierra e Granola declaram publicamente usar as APIs da Deepgram em seus produtos.

Principais Recursos

• Conversão de fala em texto (Flux e Nova-3): o Flux é construído para agentes de voz, com detecção integrada de fim de turno e tratamento de interrupções; o Nova-3 suporta transcrição em lote e em streaming em mais de 50 idiomas, com diarização, prompting de palavras-chave e formatação inteligente.
• Flux TTS: um modelo de conversão de texto em fala com streaming como prioridade, projetado para conversas ao vivo, com 36 vozes em inglês em sete sotaques, relatório de barge-in e controle de velocidade durante a sessão.
• Voice Agent API: um único endpoint WebSocket que combina STT, orquestração de LLM e TTS, com function calling, gerenciamento de memória e contexto, e reconfiguração durante a sessão, com latência de transcrição inferior a 300ms.
• Audio Intelligence: sumarização, análise de sentimento, detecção de tópicos e reconhecimento de intenção para conversas gravadas.
• Opções de implantação: API em nuvem gerenciada (EUA, União Europeia, Austrália), in-VPC ou totalmente self-hosted, o que importa para setores com exigências rigorosas de conformidade, como saúde.
• Modelos por setor: opções ajustadas por domínio, como o Nova-3 Medical, treinado com terminologia clínica, além de modelos personalizados treinados com dados dos clientes.
• Integrações para contact center: integrações documentadas com Five9, Genesys, Twilio, Vonage, Amazon Connect, AudioCodes e Kore.ai.

Destaques

• Preços: o Pay As You Go começa com US$ 200 em crédito gratuito, sem necessidade de cartão de crédito e sem valores mínimos ou expiração; os planos Growth são créditos anuais pré-pagos a partir de US$ 4 mil/ano, com economia de até 20%; a Voice Agent API tem preço fixo a partir de US$ 4,50/hora. Preços corporativos são por compromisso de volume, via equipe comercial.
• Acesso gratuito: o Flux TTS foi oferecido gratuitamente até 12 de setembro, com até 45 conexões de streaming simultâneas nos EUA e 5 na União Europeia e Austrália, conforme a promoção do site.
• Limitação: os modelos Flux funcionam apenas no endpoint /v2/listen e não são compatíveis com o /v1/listen.
• Escopo: a Deepgram fornece a stack de fala, não o LLM de raciocínio — os desenvolvedores conectam um LLM gerenciado ou de sua escolha.

Para Quem É

A Deepgram atende desenvolvedores e equipes de produto que constroem aplicações de voz em tempo real: criadores de voicebots e assistentes de IA, plataformas de contact center e CCaaS, produtos de transcrição e organizações de saúde que precisam de transcrição médica em conformidade com a HIPAA. Casos de uso típicos incluem transcrição de chamadas e reuniões gravadas, legendagem ao vivo, pedidos por voz em telefones e drive-thrus, e agentes de voz ponta a ponta que ouvem, raciocinam via um LLM conectado e respondem falando. Empresas com fluxos de trabalho especializados podem trabalhar com a Deepgram em modelos personalizados e implantações dedicadas ou self-hosted.