| 基本信息 | 详情 |
|---|---|
| 开发公司 | Deepgram（美国旧金山） |
| 上线时间 | 2015年成立，2016年 Y Combinator W16 |
| 官网 | https://deepgram.com/ |
| 支持平台 | Web API（REST + WebSocket）、SDK（Python/Node/Go 等） |
| 价格 | 免费送 $200 额度；Pay-As-You-Go $0.0077/分钟；Growth $4,000/年起；企业版定制 |
| 核心定位 | 开发者级语音 AI 平台，提供语音转文字、文字转语音和语音 Agent API |
Deepgram 是一家专门给开发者做语音 AI 的公司。注意，不是给你做个 App 让你录音转文字，而是提供 API 让你把语音识别能力嵌进自己的产品里。三个创始人 Scott Stephenson、Adam Sypniewski 和 Noah Shutty 都是密歇根大学的物理学家，最早是因为录了一堆日常音频没法搜索，才动手写深度学习模型。
这家公司 2015 年成立，走的是 Y Combinator W16 批次。2026 年 1 月拿到 $1.3 亿 C 轮融资，估值 $13 亿，成为第一家达到独角兽地位的纯语音 AI 公司。目前已服务超过 20 万开发者和 1300 多家企业，累计处理了 5 万年的音频，转录超过 1 万亿个词。NASA、Spotify、Twilio 都是它的客户。
为什么开发者选 Deepgram 而不是直接用 Google 或 AWS 的语音 API？两个字：快和准。Nova-3 模型的流式延迟低于 300 毫秒，词错率比最强竞品低 54.2%。在噪声大、口音重、多人抢话的真实场景里，这个差距非常明显。而且按秒计费不四舍五入，短音频高频调用时能省不少。
核心功能
Nova-3 语音转文字
2025 年 2 月发布的第三代 ASR 模型。支持 10 种语言实时混说（码切换），词错率 6.84%。亮点是 keyterm prompting，不用重新训练模型就能让 AI 识别你指定的专业术语。
Flux 对话语音识别
2025 年 10 月推出的全球首款对话式语音识别模型。内置轮次检测，能判断用户说完了没有，支持自然打断（barge-in）。做语音助手的开发者不用再自己拼一套 VAD 系统了。
Voice Agent API
一个接口搞定语音转文字 + LLM 推理 + 文字转语音。$4.50/小时，支持自带 LLM 和 TTS。省去了把三家不同 API 缝在一起的工程量。
Aura-2 文字转语音
2025 年 4 月正式发布的实时 TTS 模型，按字符计费，$0.030/千字符。适合对话式 AI 的即时回应场景。
说话人分离（Diarization）
能区分多个说话人，标注谁说了什么。多人会议和客服录音分析的好帮手。不过多人同时抢话时准确度会下降。
音频智能分析
摘要、主题检测、情感分析等附加功能，按 token 单独计费。不是任何套餐都默认包含，用之前要算进成本模型。
适合谁
适合做语音助手的开发团队、客服中心的实时转录和质检、医疗行业的病历听写、视频会议平台的实时字幕、播客和媒体批量转录。
不太适合完全不懂技术的非技术团队。Deepgram 是 API-first 的产品，没有开箱即用的图形界面，你得有工程资源来对接。如果只是偶尔转几段音频，用 Whisper 或者直接扔给 ChatGPT 更省事。
同类竞品对比
| 维度 | Deepgram | OpenAI Whisper | Google Cloud STT | AssemblyAI |
|---|---|---|---|---|
| 流式延迟 | <300ms | 无原生流式 | ~500ms | ~400ms |
| 词错率 | 6.84% | 较高 | 中等 | 中等 |
| 每千分钟 | $4.30 | $6.00 | $16.00 | 约 $12 |
| 对话 Agent API | 有（Flux） | 无 | 无 | 无 |
| 按秒计费 | 是 | 按分钟 | 按分钟 | 按秒 |
| 自托管 | 企业版支持 | 开源可自托管 | 无 | 无 |
预算敏感且能自托管的团队可以看 Whisper，要低延迟和高精度的生产环境选 Deepgram。
FAQ
Deepgram 免费额度够用吗？
$200 免费额度，不用绑信用卡，不过期。按 $0.0077/分钟算，大约够转录 430 小时音频。做原型验证绰绰有余。
流式和批量价格一样吗？
不一样。Nova-3 流式 $0.0077/分钟，批量 $0.0043/分钟。批量处理便宜近一半，不急的话走批量。
多通道音频怎么收费？
按通道数乘。两通道的立体声录音算两份钱。客服和电话场景几乎都是多通道，预算时别忘了算进去。
支持中文吗？
Nova-3 多语言版支持中文，但 $0.0092/分钟，比单语版贵。中文识别准确率不如英文，实际测试后再决定。
Growth 方案值不值？
最低 $4,000/年预付，享受约 16-20% 折扣。如果你每月稳定转录超过 60 小时音频，Growth 比按量付费划算。用量不稳定就别锁。
和 Whisper 比哪个好？
Whisper 适合预算极低且能自托管的场景。但 Whisper 没有原生流式能力，做实时语音助手时延迟会多出好几秒。生产环境的低延迟需求，Deepgram 是更好的选择。
更新动态
客户评论
Deepgram 在 Tooliverse 上综合评分 9.22/10，基于 439 条跨平台验证评价。好评集中在低延迟和高精度，差评集中在 API 集成门槛和多语言准确度波动。
"延迟真的低，低于 300ms 对语音助手来说就是能不能用的分界线。我们从 Google 切到 Deepgram 后用户投诉降了一半。" - 客服平台工程师
"按秒计费这点太良心了，我们处理大量短音频，别的平台按分钟四舍五入能多收 30%。" - 独立开发者
"多语言识别有时候同一条音频不同片段准确率差很多，中文场景尤其明显。" - 跨境产品经理
参考来源
- ▸Deepgram 官方定价页，官方定价页面，提供各模型精确费率
- ▸Deepgram 官方新闻 | C 轮融资公告，官方新闻稿，确认融资和收购信息
- ▸Tooliverse | Deepgram Review 2026，第三方评测平台，提供综合评分和用户评价
- ▸AIWiki | Deepgram，AI 百科，提供公司背景和技术发展历程
- ▸Sacra | Deepgram，企业数据平台，提供融资和商业模式分析