Deepgram (Deepgram)
💰 Token 价格
| 类型 | 价格 | 备注 |
|---|---|---|
| 输入 (Input) | STT: $0.0043-0.012/min; TTS: $0.015-0.030/1K chars | 每百万 tokens |
| 输出 (Output) | N/A | 每百万 tokens |
New users get $200 in free credits; no credit card required
🤖 支持模型（共 8 个）
✨ 优势
- ✓ Nova-3 STT 模型：54% WER 降低，业界最佳识别精度
- ✓ 50+ 语言 STT 支持（含中文普通话和粤语）
- ✓ 亚 300ms STT 延迟，亚 200ms TTS 延迟
- ✓ $200 免费额度，无需信用卡
- ✓ 全栈语音 API：STT + TTS + 语音代理
- ✓ SOC 2/HIPAA/GDPR/PCI 合规
- ✓ 支持自托管部署（私有化）
- ✓ Startup Program：最高 $100K 积分
⚠️ 不足
- × TTS 仅支持 7 种语言（不含中文）
- × 无中国大陆数据中心，需代理连接
- × 无联盟推广计划
- × 附加功能（自定义词汇、说话者分离等）需额外收费
- × 费用按分钟/字符计算，与 LLM token 成本难以直接对比
🎯 适合场景
高精度语音转文字应用（会议转录、呼叫中心分析、字幕生成）；需要低延迟 TTS 的语音助手；多语言音频处理；自托管语音 AI 需求
💰 定价与方案
| 方案 / 模型 | 计费单位 | 按量付费 | Growth 预付费 | 备注 |
|---|---|---|---|---|
| 按量付费（Pay As You Go） | $200 免费额度 + 按量 | 零预付 | — | 无最低消费、无需信用卡、额度永久有效 |
| Growth | 年度预付积分 | — | $4K 起步/年（约省 20%） | 更高并发上限，适合增长中应用 |
| Enterprise | 定制 | 联系销售 | 联系销售 | 批量承诺、定制模型、专属/自托管、SLA |
| STT — Nova-3 单语种（预录音频） | $/分钟 | $0.0043 | $0.0036 | 推荐默认；单语言音频准确率最高 |
| STT — Nova-3 多语种（预录音频） | $/分钟 | $0.0052 | $0.0043 | 自动语种识别；支持 45+ 语种 |
| STT — Flux 英语（流式） | $/分钟 | $0.0065（促销） | $0.0057 | 对话式 STT，集成轮次检测；促销价 |
| STT — Flux 多语种（流式） | $/分钟 | $0.0078 | $0.0068 | 多语种对话 STT，单流处理 |
| STT — Whisper Cloud（预录音频） | $/分钟 | $0.0048 | $0.0048 | 托管 OpenAI Whisper；Deepgram 并发上限 5 |
| TTS — Aura-1 | $/千字符 | $0.0150 | $0.0135 | 历史模型，声音库丰富 |
| TTS — Aura-2 | $/千字符 | $0.030 | $0.027 | 最新自然音色，低延迟 |
| TTS — Flux TTS | $/千字符 | $0.0450 | — | 对话式 TTS，首字节低于 200ms |
| Voice Agent — Standard | $/分钟（WebSocket） | $0.075 | $0.068 | 默认档；Deepgram 自管 LLM + TTS |
| Voice Agent — Standard（自带 TTS） | $/分钟 | $0.065 | $0.051 | 可接入自有 TTS 厂商 |
| Voice Agent — Advanced | $/分钟 | $0.163 | $0.146 | 更高质量，先进轮次管理 |
| Audio Intelligence — 摘要 | $/千 token | $0.0003 输入 / $0.0006 输出 | $0.00024 输入 / $0.00048 输出 | 基于 LLM 的音频摘要 |
🔧 API 与开发者体验
- •协议: REST + WebSocket 双传输 —— REST 用于批量 STT/TTS 生成，WebSocket 用于低延迟流式与 Voice Agent 实时对话；流式 STT 首字节低于 300ms
- •官方 SDK: Python（`pip install deepgram-sdk`）、Node.js（`npm install @deepgram/sdk`）、Go、.NET、Rust —— Deepgram 官方维护；文档完整位于 developers.deepgram.com
- •API Playground: 托管 API Playground 位于 playground.deepgram.com —— 无需代码即可上传音频或使用麦克风测试 Nova-3 / Flux / Aura-2 模型
- •Audio Intelligence 附加功能: 情感分析、话题检测、意图识别、摘要、智能格式化、说话人分离、实体抽取、敏感信息脱敏 —— STT 调用之上按 $/min 或 $/1K token 模块化叠加
- •自托管部署: Enterprise 档支持 In-VPC 或完全自托管 —— 同一 Nova-3 模型权重运行于客户自有基础设施，满足合规行业（HIPAA BAA、数据驻留）需求
- •MCP 与 AI 集成: 原生集成 IBM watsonx Orchestrate、Five9、Genesys、Twilio、Vonage、Amazon Connect、Kore.ai、AudioCodes；结构化 JSON 输出兼容 MCP 客户端
- •免费额度与计费模型: 注册即送 $200 免费额度，无需信用卡；STT、Voice Agent 按 $/分钟计费，TTS 按 $/千字符计费，Audio Intelligence 按 $/千输入输出 token 计费
- •合规与数据驻留: 通过 SOC 2 Type 1 与 Type 2 认证；Enterprise 提供 HIPAA 合规与 BAA；支持美国、欧盟、澳大利亚区域数据驻留
🎙️ 语音识别精度与实时语音 Agent 基础设施
Deepgram 的核心优势在于端到端语音基础设施：它不是把 STT、TTS 与 Agent 编排器拼接自不同厂商，而是同时提供 Nova-3（业界领先 WER）、Aura-2（自然 TTS），以及托管的 WebSocket Voice Agent API —— 把轮次检测、打断处理与工具调用集成在同一条低延迟流水线里。Nova-3 在独立基准中比 Amazon Transcribe、Google Cloud STT、Azure 准确率高 23–53%，流式延迟领先 5–40 倍。该架构对生产级语音 Agent 至关重要，因为对话式 AI 大部分延迟来自 STT 与 LLM 之间的编排胶水，同一模型在 Flux 上提供低于 300ms 的 STT 首字节与低于 200ms 的 TTS 首字节。代价是 API 表面较复杂：STT 附加功能（说话人分离、脱敏、摘要、意图识别）单独计费，在呼叫中心或合规重的工作负载上可能快速累加；TTS 目前仅支持 7 种语言（尚无中文），尽管 STT 已支持 45+ 语种。对需要单一供应商覆盖完整语音栈的团队，Deepgram 是最安全的默认选择；对追求各层最优或需要中文 TTS 的团队，组合多家厂商仍是更优解。
🌐 中国访问与延迟
Deepgram 是总部位于美国的语音 AI 平台，公共 API 节点位于美国、欧盟与澳大利亚 —— 在中国大陆没有区域边缘节点。大陆生产部署需稳定的海外代理或前置 Deepgram API 的聚合器；直连通常超时或延迟升高。从中国访问的实际延迟由跨境往返决定，而非 Deepgram 自身低于 300ms 的流式能力。Deepgram 的 WebSocket 端点对中国运营商中间件引发的连接中断较敏感，可能影响长时 Voice Agent 会话。没有中国专属定价、计费或数据驻留选项。STT 支持普通话与粤语在内的 45+ 语种，但 TTS 仍缺少中文音色。面向中国终端用户或低延迟交互式语音 Agent 的团队，国内 STT/TTS 厂商（讯飞、阿里语音、腾讯云 ASR）+ 自托管 Voice Agent 编排层是延迟安全的默认选择；Deepgram 则适合英文/多语种工作负载、美欧数据驻留、以及 HIPAA 合规医疗场景。