Deepgram Voice AI 是面向开发者的语音平台，提供语音转文字、文字转语音和语音代理 API，适合构建需要实时对话能力的企业级对话应用。
简介
Deepgram Voice AI 是一个语音平台，为开发者提供语音转文字（STT）、文字转语音（TTS）和语音代理 API。它面向需要开展真实对话的应用——处理轮次切换、打断和对话上下文——而不只是简单地把音频转成文字。
平台整合了自家的识别模型（Flux 和 Nova-3）、Flux TTS 语音，以及统一的 Voice Agent API，后者把转写、LLM 编排和语音合成接入一条 WebSocket 连接。开发者接入自己选择的语言模型或托管模型负责推理，语音层则由 Deepgram 处理。平台以托管 API 形式提供，节点覆盖美国、欧盟和澳大利亚，同时也支持 in-VPC 和自托管部署。Cloudflare、Twilio、Daily、Vapi、Sierra、Granola 等公司都曾公开介绍在其产品中使用 Deepgram 的 API。
主要功能
定价与费用
- 定价：Pay As You Go 套餐首送 $200 免费额度，无需信用卡，无最低消费、不过期；Growth 套餐为预付年度额度，起价 $4K/年，最高可省 20%；Voice Agent API 按固定费率计费，低至 $4.50/小时。企业版按量承诺定价，需通过销售团队洽谈。
- 免费使用：据官网促销信息，Flux TTS 在 9 月 12 日前免费提供，美国最多支持 45 个并发流式连接，欧盟和澳大利亚各 5 个。
- 限制：Flux 模型只能在 `/v2/listen` 端点上使用，不兼容 `/v1/listen`。
- 范围：Deepgram 提供的是语音技术栈，不含负责推理的 LLM——开发者需接入托管或自选的 LLM 服务商。
适用人群
Deepgram 面向构建实时语音应用的开发者和产品团队：语音机器人和 AI 助手开发者、呼叫中心及 CCaaS 平台、转写类产品，以及需要符合 HIPAA 医疗转写能力的医疗机构。典型用例包括录制通话和会议的转写、实时字幕、电话及得来速语音点单，以及能够倾听、借助接入的 LLM 推理并作出语音回应的端到端语音代理。有特殊工作流需求的企业可与 Deepgram 合作定制模型，并选择专用或自托管部署。
常见问题
Deepgram Voice AI 是什么？它是一个开发者平台，提供语音转文字、文字转语音和语音代理编排的 API，支持托管云 API、in-VPC 或自托管部署。
Deepgram 有免费方案吗？有。Pay As You Go 档包含 $200 免费额度，无需信用卡，没有最低消费，也不会过期。
应该使用哪些语音模型？应用需要在实时对话中检测话轮结束并处理打断时用 Flux；录制音频、无需轮次管理的实时转写以及更广的语言支持（50+ 种语言）则选 Nova-3。
Deepgram 是否内置用于推理的语言模型？没有。Deepgram 提供 STT、TTS 和编排能力；开发者需接入托管或自选的 LLM 服务商来生成回复。
Deepgram 支持本地部署吗？支持。提供 in-VPC 和自托管部署选项，公司将其定位用于 HIPAA 监管的医疗工作负载等合规需求。
相关教程
查看全部 →
相关工具
查看全部 →
FunASR - End-to-End Speech Recognition Toolkit - 高效语音识别 FunASR 是一款工业级端到端语音识别工具包，支持 50+ 语言，GPU 上可达 170 倍实时率，并提供说话人分离、情感检测与 OpenAI 兼容 API 等能力。 
Inworld AI Inworld AI 为开发消费级应用的团队提供实时语音模型（文字转语音、语音转文字、语音到语音）以及托管的开放 LLM 推理服务，适合 AI 陪伴、教育、客服语音代理与游戏等场景。 
听脑AI - 录音助手 听脑AI是一款专业智能录音转文字工具，采用AI技术实现98%准确率的实时语音转写，支持多场景会议记录与智能总结，3分钟即可处理1小时会议内容。 
IBM Watson text-to-speech 提供多语言语音转文本API，支持SaaS及本地化部署。 
NaturalReader NaturalReader 是一款 AI 文字转语音平台，可将文档、网页和扫描文本转换为自然的语音，适合个人、商业和教育场景使用。