Deepgram Voice AI

Deepgram vereint Spracherkennung, Sprachausgabe-API und Agenten-Steuerung unter einem Konto und einem API-Schlüssel. Sie verwalten Abrechnung, Limits und Modelle in einer Console, statt drei Anbieter abzugleichen. Für Teams, die schnell liefern, entfällt damit viel Integrationsarbeit.

Nova-3 ist Deepgrams Allzweck-Transkriptionsmodell, und Flux ist auf Echtzeit-Sprachagenten mit eingebauter Sprecherwechsel-Erkennung zugeschnitten. Beide kommen mit mehrsprachigem Audio, Hintergrundgeräuschen und Fernfeldaufnahmen klar. Die Modelle werden im Haus trainiert, weshalb Deepgram sein Hauptargument auf Genauigkeit und Latenz stützt.

Die Ausgabeseite umfasst Aura-1, Aura-2 und das neuere Flux TTS, das Deepgram für den Gesprächseinsatz mit einer Latenz von bis zu 80 Millisekunden bewirbt. Für Echtzeit-Transkription und schnelle Sprachausgabe ist das der Kern des Angebots. Sie wählen eine Stimme und spielen das Audio an den Anrufer zurück, und der Dienst rechnet pro 1.000 Zeichen ab statt pro Minute.

Die Sprachagent-API durchläuft eine komplette Gesprächsschleife in einer WebSocket-Verbindung: Sie hört zu, schickt den Text an ein LLM und spricht die Antwort. Sie können Ihr eigenes LLM oder TTS mitbringen, um Kosten zu senken, und Deepgram übernimmt Unterbrechungen und Sprecherwechsel, damit der Agent den Nutzer nicht übertönt.

Über die reine Transkription hinaus bietet Deepgram Zusammenfassung, Themenerkennung, Stimmungsanalyse und Absichtserkennung. Sie laufen auf den eigenen kleinen Modellen, kosten also weniger als derselbe Text durch ein Allzweck-LLM, und helfen, Antworten aus aufgezeichneten Gesprächen zu ziehen.

Sie können Deepgram aus der US-Cloud aufrufen, den Verkehr für die Datenhaltung auf den EU-Endpunkt leiten oder selbst gehostete Container auf eigenen GPUs betreiben. Diese Bandbreite lässt regulierte Teams das Audio im eigenen Netz behalten, ohne die Modelle zu wechseln.