Deepgram 是什么、怎么用、怎么收费：语音转文字、语音合成与语音智能体 API

本文根据 Deepgram 官网定价页整理，资料核对于 2026-10-11。这是一条面向开发者的简介，模型与价格以官网为准。

是什么

Deepgram 是一家做语音 AI 的公司，面向开发者提供 API：语音转文字、文字转语音、语音智能体和音频理解。普通用户接触到的会议转写、电话客服机器人、语音助手，背后往往就是这类接口。Deepgram 的特点是低延迟的实时流式能力，适合对话类产品。

能做什么

定价页列出的产品与模型：

语音转文字（Speech-to-Text）

• Nova-3：官方称性能最高、推荐用于大多数场景的模型。
• Flux：面向实时语音智能体的对话式识别模型，内置「说话轮次」检测——能判断对方是不是说完了。

文字转语音（Text-to-Speech）

• Flux TTS：最新的语音合成模型。
• Aura-2 / Aura-1：面向语音助手的低延迟合成。

Voice Agent API

• 构建实时对话式 AI 智能体的一体化接口，能处理用户打断。

Audio Intelligence（音频理解）

• 摘要、主题检测、情绪分析和意图识别。

怎么上手

1. 在 deepgram.com 注册，获取赠送额度和 API Key（不需要信用卡）。
2. 在官网的在线试用界面上传一段录音，查看转写效果和延迟。
3. 按官方文档调用接口：录音文件用预录制接口，实时场景用流式接口。
4. 要做电话或语音助手类产品，直接评估 Voice Agent API，省去自己拼接识别、大模型和合成三段。

免费与付费

定价页（美元，2026-10 查询）：

• Pay As You Go：赠 200 美元额度，无最低消费。示例单价：
• Nova-3 单语种流式识别：0.29 美元/小时
• Flux 英语流式识别：0.39 美元/小时
• Aura-2 语音合成：0.030 美元/千字符
• Growth：预付额度，最多节省 20%，每年 4,000 美元起。
• Enterprise：大用量或有部署要求时联系销售。

完整的模型价目见定价页。

适合谁 / 不适合谁

适合： 开发会议转写、字幕、电话客服、语音助手的团队；需要实时、低延迟语音能力的产品；想用赠送额度做原型的开发者。

不适合： 不写代码、只想把录音转成文字的普通用户（用现成的转写应用更方便）；以中文方言或小语种为主的业务（各语言的支持与准确率需自行测试）；数据不能出境的场景。

注意事项

• 流式与预录制、单语种与多语种的单价不同，按实际调用方式估算。
• 语音数据包含个人信息，注意录音告知、存储与删除策略。
• 转写不可能百分之百准确，涉及法律、医疗等记录时需要人工校对。