Deepgram 使用介绍：功能、价格与上手指南

本文系统介绍 Deepgram 语音 AI 平台，涵盖核心功能、按量付费价格模型、免费额度，以及从注册、获取 API Key 到调用语音转文字接口的完整上手流程，帮助开发者和团队快速评估并集成 Deepgram。

什么是 Deepgram？

Deepgram 是一家专注于语音 AI 的平台，提供语音转文字（STT）、语音合成（TTS）和语音理解能力。它通过 API 优先的方式，让开发者可以快速把音频和视频中的语音转化为结构化文本，并进一步做摘要、情感分析、话题检测等处理。

与许多传统语音识别服务不同，Deepgram 强调低延迟和高准确率，并针对电话录音、会议、播客、客服对话等场景做了优化。它的核心优势在于：

  • API 友好：REST 与 WebSocket 接口并存，适合批量和实时场景。
  • 多语言支持：覆盖英语、中文、西班牙语、法语、德语等多种语言。
  • 模型可选：提供通用模型、电话模型、医疗模型等，按场景选择。
  • 按量付费：没有复杂的套餐绑定，用多少付多少。

Deepgram 核心功能

1. 语音转文字（Speech-to-Text）

这是 Deepgram 最常用的功能。你上传音频文件或传入实时音频流，API 返回带时间戳的文本。主要能力包括：

  • 预录音频转写：支持 wav、mp3、m4a、flac 等常见格式。
  • 实时流式转写：通过 WebSocket 持续接收音频并实时返回文字，适合直播、会议字幕。
  • 说话人分离（Diarization）：自动区分不同说话人，输出谁在什么时候说了什么。
  • 标点与大小写：自动添加标点、数字格式化和大小写。
  • 关键词增强：可传入自定义词汇表，提高专业术语识别率。
  • 多语言识别：支持自动检测语言或指定语言代码。

2. 语音合成（Text-to-Speech）

Deepgram 也提供文本转语音能力，可将文字合成为自然语音。适合语音助手、有声内容、IVR 等场景。你可以选择不同音色、语速和输出格式。

3. 语音理解（Audio Intelligence）

在转写基础上，Deepgram 提供额外的理解能力：

  • 摘要（Summarization）：自动生成通话或会议摘要。
  • 话题检测（Topic Detection）：识别对话中讨论的主题。
  • 情感分析（Sentiment Analysis）：判断语句的正负面情绪。
  • 意图识别（Intent Recognition）：识别用户意图，适合客服质检。
  • 实体检测（Entity Detection）：提取人名、地点、邮箱、电话号码等。

4. 开发者工具与生态

  • SDK：官方提供 Python、Node.js、Go、.NET 等 SDK。
  • 控制台：可在网页中直接上传音频测试、查看用量和 API Key。
  • 回调与 Webhook：异步任务完成后通知你的服务器。

Deepgram 价格

Deepgram 采用按量付费模式，主要按音频时长计费。以下为常见定价结构（实际价格以官网为准）：

功能计费方式参考价格
预录音频转写按分钟约 $0.0043/分钟起
实时流式转写按分钟约 $0.0059/分钟起
语音合成按字符约 $0.015/千字符起
音频理解按分钟在转写基础上加收

免费额度：新用户通常可获得一定金额的免费额度（例如 $200），用于测试各项功能。具体额度会随活动变化，注册后可在控制台查看。

省钱建议：

  • 先用免费额度验证准确率，再决定是否规模化。
  • 预录场景比实时场景单价更低，非实时需求尽量走批量接口。
  • 开启 smart_format 等按需功能，避免不必要的附加计费。

Deepgram 上手指南

第一步：注册与获取 API Key

  1. 访问 Deepgram 官网，点击注册。
  2. 完成邮箱验证并登录控制台。
  3. 在控制台左侧找到 API Keys，点击创建新 Key。
  4. 复制并妥善保存 Key，它只会完整显示一次。

第二步：安装 SDK

以 Python 为例：

pip install deepgram-sdk

Node.js 用户可以使用：

npm install @deepgram/sdk

第三步：调用语音转文字 API

以下是一个 Python 示例，转写本地音频文件：

from deepgram import DeepgramClient, PrerecordedOptions

DEEPGRAM_API_KEY = "你的_API_Key"

client = DeepgramClient(DEEPGRAM_API_KEY)

with open("demo.mp3", "rb") as audio:
    source = {"buffer": audio.read()}

options = PrerecordedOptions(
    model="nova-2",
    smart_format=True,
    diarize=True,
    language="zh",
)

response = client.listen.prerecorded.v("1").transcribe_file(source, options)
print(response)

关键参数说明：

  • model：选择模型，如 nova-2 为较新的通用模型。
  • smart_format：自动标点、数字和日期格式化。
  • diarize：开启说话人分离。
  • language：指定语言，中文用 zh。

第四步：实时转写（可选）

如果需要直播字幕或实时会议记录，使用 WebSocket 接口。SDK 中通常有 live 方法，传入麦克风或音频流即可持续获得转写结果。注意实时场景要控制音频分片大小，避免延迟过高。

第五步：在控制台验证结果

回到 Deepgram 控制台，在 Usage 中可以看到调用次数和消费情况。你也可以在 Playground 中直接上传文件测试不同模型和参数，快速对比效果。

常见问题

Deepgram 支持中文吗？ 支持。可以在参数中指定 language=zh，或使用多语言模型自动检测。

免费额度用完后会自动扣费吗？ 通常需要绑定支付方式后才会继续使用，建议设置用量提醒。

实时和预录该怎么选？ 需要即时出文字选实时；只需要最终文稿选预录，价格更低且准确率通常更稳定。

如何提高专业术语识别率？ 使用关键词增强功能，传入你的行业词汇表。

结论

Deepgram 是一个面向开发者的语音 AI 平台，核心价值在于低延迟、高准确率的语音转文字能力，以及灵活的按量付费模式。对于需要批量处理音频、构建实时字幕或做客服质检的团队，它提供了清晰的 API 和可扩展的理解功能。建议先用免费额度跑通一个最小示例，再根据实际音频时长和功能需求估算成本，最后决定是否集成到生产环境。

返回 AI 教程列表