Deepgram API 测评 2026：Nova-3 语音识别 + Aura-2 语音合成
Deepgram 是 AI 语音识别和合成领域最受尊敬的名字之一，其 Nova-3 语音转文字（STT）模型和 Aura-2 文字转语音（TTS）模型均属业界领先水平。凭借亚 300ms STT 延迟、50+ 种语言支持和以开发者优先的 API 设计，Deepgram 为数千家公司（包括 NASA、Spotify 和 The Washington Post）提供转录、语音助手、呼叫中心分析和无障碍工具。本文将全面测评 Deepgram API 平台、Nova-3 精度、Aura-2 语音质量、定价对比、竞品分析和开发者体验。
一句话总结：Deepgram 提供 STT 从 $0.0043/分钟（Nova-3 流式）起，TTS 从 $0.015/千字符（Aura-1）起。Nova-3 比上一代降低 54% WER——英文 STT 精度业界最佳。亚 300ms 实时延迟，50+ 种 STT 语言，新用户 $200 免费额度。TTS 仅 7 种语言（不含中文）。无中国大陆数据中心。SOC 2/HIPAA/GDPR 合规。无联盟计划。如需直连中国的多厂商语音 API 聚合路由，可考虑 FreeModel。
介绍：Deepgram — 开发者优先的语音 AI 平台
Deepgram 成立于 2015 年，使命是通过 AI 让语音数据更易访问和利用。与许多从消费产品起步再添加 API 的语音提供商不同，Deepgram 从第一天起就以 API 为先构建。其核心差异化优势是端到端深度学习：不拼接传统语音识别管道（声学模型 + 语言模型 + 解码器），而是在原始音频上训练单一神经网络。
这一架构选择在精度和延迟上得到回报。最新的 Nova-3 模型比上一代降低 54% 的词错误率（WER），是目前最准确的语音识别 API 之一。配合亚 300ms 流式延迟，Deepgram 是实时转录、语音助手和任何需要速度与精度兼具的应用的有力选择。
Deepgram 服务于广泛的行业：媒体和娱乐（字幕、转录）、联络中心（实时座席辅助、分析）、医疗（医学转录、HIPAA 合规）、法律（法庭记录、证词转录）和无障碍（听障人士字幕）。
Deepgram 的产品线
Deepgram 提供以语音转文字和文字转语音为核心的全面语音 AI API 平台：
语音转文字 (STT) — Nova-3 & Flux
Deepgram 的旗舰产品是 STT API，三大模型系列覆盖不同使用场景：
| 模型 | 类型 | 延迟 | 语言 | 定价（每分钟） |
|---|---|---|---|---|
| Nova-3 单语 | 最佳精度 | 低于 300ms 流式 | 仅英文 | $0.0043 流式 / $0.0048 预录制 |
| Nova-3 多语 | 多语言 | 低于 300ms 流式 | 50+ 语言 | $0.0052 流式 / $0.0058 预录制 |
| Flux | 对话优化 | 低于 300ms | 50+ 语言 | $0.0065 流式 / $0.0077 预录制 |
| Whisper | 开放模型 | 较高延迟 | 99+ 语言 | $0.0048/分钟 |
Nova-3 单语（英文）精度最高，Deepgram 报告比 Nova-2 降低 54% WER。Nova-3 多语支持 50+ 语言，包括中文普通话、粤语、日语、韩语、西班牙语、法语、德语等。Flux 针对对话语音进行了优化，内置话轮检测——非常适合呼叫中心和语音助手场景。
主要 STT 功能包括：通过 WebSocket 实时流式传输、预录制批量处理、说话者分离（谁说了什么）、自定义词汇（领域术语）、标点和格式化、脏话过滤和语言检测。
文字转语音 (TTS) — Aura-2 & Aura-1
Deepgram 的 TTS 产品品牌名为 Aura，提供自然语音合成：
| 模型 | 延迟 | 质量 | 语言 | 定价（每千字符） |
|---|---|---|---|---|
| Aura-2 | 低于 200ms | 最佳（富有表现力、自然） | 7 种语言 | $0.030 |
| Aura-1 | 低于 200ms | 高 | 7 种语言 | $0.015 |
Aura-2 提供更有表现力、更自然的语音，具有更好的韵律和情感范围。两种模型都支持 SSML，可以精细控制发音、强调和节奏。语言包括英语、西班牙语、法语、德语、葡萄牙语、日语和韩语。需要注意的是，TTS 不支持中文（普通话或粤语）。
语音代理 API
较新的产品，将 STT + TTS + LLM 统一为单一语音代理管道。开发者可以创建带有话轮检测、知识库集成和实时语音对话的对话式语音代理——全部通过一个 API 流完成。
定价：即用即付 + $200 免费额度
Deepgram 采用直接的即用即付定价模式——没有令人困惑的积分系统：
| 服务 | 模型 | 即用即付 | 成长计划 (~12-20% 折扣) |
|---|---|---|---|
| STT（流式） | Nova-3 单语 | $0.0043/分钟 | $0.0036/分钟 |
| STT（预录制） | Nova-3 单语 | $0.0048/分钟 | $0.0040/分钟 |
| STT（流式） | Nova-3 多语 | $0.0052/分钟 | $0.0044/分钟 |
| STT（流式） | Flux | $0.0065/分钟 | $0.0055/分钟 |
| TTS | Aura-2 | $0.030/千字符 | $0.027/千字符 |
| TTS | Aura-1 | $0.015/千字符 | $0.013/千字符 |
成长计划（约 $1,000+/月）提供 12-20% 的量级折扣。Deepgram 还提供 初创企业计划，符合条件的企业最高可获得 $100K 额度。所有新账户注册即获 $200 免费额度——无需信用卡。
精度：Nova-3 基准测试 — WER 降低 54%
Nova-3 代表了 STT 精度的重大飞跃。Deepgram 声称在内部基准测试中，相对于 Nova-2 降低了 54% 的词错误率（WER）。实际表现如下：
- 干净音频（录音室播客）： WER 约 3-5% — 接近人工转录水平
- 对话（呼叫中心）： WER 约 8-12% — 可用于实时座席辅助
- 噪音环境（现场录音）： WER 约 12-18% — 明显优于竞品
端到端深度学习架构在处理背景噪音、多人说话、口音和领域专属词汇方面优于传统管道方案。
API 表面和开发者体验
Deepgram 为预录制音频提供简洁的 REST API，为实时流式传输提供 WebSocket API。SDK 支持 Python、JavaScript/Node.js、Go、.NET 和 Java。
import requests
# STT - 预录制音频
url = "https://api.deepgram.com/v1/listen?model=nova-3"
headers = {
"Authorization": "Token YOUR_DEEPGRAM_API_KEY",
"Content-Type": "audio/wav"
}
with open("meeting.wav", "rb") as audio:
response = requests.post(url, headers=headers, data=audio)
result = response.json()
print(result["results"]["channels"][0]["alternatives"][0]["transcript"])# TTS - 文字转语音
url = "https://api.deepgram.com/v1/speak?model=aura-2"
headers = {
"Authorization": "Token YOUR_DEEPGRAM_API_KEY",
"Content-Type": "application/json"
}
data = {"text": "你好，这是 Deepgram Aura-2 的语音。"}
response = requests.post(url, headers=headers, json=data)
with open("output.mp3", "wb") as f:
f.write(response.content)开发者体验是强项：清晰且带有互动示例的文档、可无代码测试模型的网页 Playground、以及公开透明的详细基准数据。Deepgram 还提供自托管选项用于本地或气隙部署（SOC 2/HIPAA 合规），这在语音 AI API 提供中相当罕见。
优缺点
优点
- ✅ Nova-3 STT 精度业界最佳（WER 降低 54%）
- ✅ 亚 300ms 流式延迟——适合实时场景
- ✅ 直接的即用即付定价，$200 免费额度
- ✅ 50+ 种 STT 语言（含中文普通话和粤语）
- ✅ 开发者友好，文档优秀
- ✅ 自托管选项（气隙/本地部署）
- ✅ SOC 2/HIPAA/GDPR/PCI 合规
- ✅ 初创企业计划最高 $100K
缺点
- ❌ TTS 仅 7 种语言，不支持中文
- ❌ 无中国大陆数据中心，需代理连接
- ❌ 无联盟/推荐计划
- ❌ 附加功能（自定义词汇、高级分离）额外收费
- ❌ 非 LLM API——仅语音处理，无法生成文本
- ❌ Whisper API 有并发限制、延迟较高
使用场景推荐
| 使用场景 | 推荐模型 | 原因 |
|---|---|---|
| 实时会议转录 | Nova-3 单语（流式） | 最佳精度 + 亚 300ms 延迟 |
| 呼叫中心分析 | Nova-3 多语 或 Flux | 说话者分离 + 话轮检测 |
| 视频字幕 | Nova-3 多语（预录制） | 批量处理，50+ 语言 |
| 语音助手 | Nova-3 STT + Aura-2 TTS | 全双工语音管道 |
| 医疗/法律转录 | Nova-3 + 自定义词汇 | 领域术语精度 |
| 自托管/气隙部署 | Deepgram 自托管 | 本地部署 + SOC 2/HIPAA |
| 国内直连语音 API | FreeModel 聚合器 | 多厂商路由，国内直连 |
竞品对比
| 厂商 | 最佳场景 | STT 精度 | 国内访问 | STT 定价（每分钟） |
|---|---|---|---|---|
| Deepgram | 最佳 STT 精度 | 最佳（Nova-3） | 需代理 | $0.0043-0.0077 |
| ElevenLabs | 最佳 TTS，全语音栈 | 很好 | 需代理 | $0.13/分钟 |
| Azure Speech | 企业级，140+ 语言 | 好 | 需代理 | $0.006-0.024 |
| Google Cloud STT | Google 生态 | 好 | 被阻断 | $0.006-0.024 |
| OpenAI Whisper | 开放模型，99+ 语言 | 好 | 需代理 | $0.006/分钟 |
| FreeModel | 多厂商聚合，国内直连 | 因厂商而异 | 直连 | 因厂商而异 |
常见问题 (FAQ)
问：Deepgram Nova-3 的英文 STT 精度有多高？
答：Nova-3 单语在同级别中实现最佳词错误率（WER），比 Nova-2 降低 54%。干净音频约 3-5% WER（接近人工转录），对话约 8-12%，噪音环境约 12-18%。
问：Deepgram 支持中文吗？
答：STT 支持中文（普通话和粤语），通过 Nova-3 多语和 Flux。TTS 不支持中文——Aura 模型仅支持 7 种语言。
问：国内能用 Deepgram 吗？
答：可以，但需要稳定的代理或 VPN。Deepgram 没有中国大陆数据中心。如需国内直连，可考虑 FreeModel 聚合器。
问：Deepgram 是否支持实时流式传输？
答：支持。Deepgram 通过 WebSocket 支持实时流式传输，延迟均低于 300ms。
问：Deepgram 是否通过 SOC 2 和 HIPAA 认证？
答：是的。Deepgram 已获 SOC 2 Type II、HIPAA 和 GDPR 合规认证。自托管选项可用于气隙环境。
总结
Deepgram 是优先考虑 STT 精度和延迟的开发者首选。Nova-3 单语是当前最具性价比的英文语音识别 API，开发者体验出色——API 简洁、文档完善、$200 免费额度慷慨。自托管选项对企业客户的数据驻留要求具有突出价值。
主要局限是 TTS 语言支持范围窄（7 种语言，不含中文）和缺乏中国大陆数据中心。如需国内直连或多厂商语音 API 路由，可考虑 FreeModel（freemodel.dev/invite/FRE-7a3b6220）提供的聚合方案。
最终对比表
| 厂商 | 最佳场景 | STT 起步价 | 国内访问 |
|---|---|---|---|
| Deepgram | 最佳 STT 精度 | $0.0043/分钟（流式） | 需代理 |
| ElevenLabs | 最佳 TTS | $0.13/分钟 | 需代理 |
| Azure Speech | 企业级语音 | $0.006/分钟 | 需代理 |
| Google Cloud STT | Google 生态 | $0.006/分钟 | 被阻断 |
| FreeModel | 聚合器，国内直连 | 免费额度 | 直连 |