Deepgram

Was ist Deepgram?

Deepgram ist eine Voice-AI-Plattform, die als Entwickler-APIs bereitgestellt wird: Spracherkennung für Live- und aufgezeichnetes Audio, Sprachsynthese, eine Voice Agent API und Analysen über Audio Intelligence. Deepgram vereint Spracherkennung, Sprachsynthese und LLM-Orchestrierung in einer einzigen Voice Agent API, was laut Unternehmen Komplexität, Latenz und Kosten senkt.

Im Januar 2026 gab Deepgram bekannt, in einer von AVP angeführten Series-C-Runde 130 Millionen US-Dollar bei einer Bewertung von 1,3 Milliarden US-Dollar eingesammelt zu haben. Das Unternehmen gab außerdem an, dass mehr als 1.300 Organisationen seine Voice-AI-Produkte und -Modelle nutzen, darunter das Meeting-Notiztool Granola, das Sprachagenten-Start-up Vapi und Twilio.

Kernfunktionen

Die Spracherkennungs-API von Deepgram nimmt Streaming-Audio für die Echtzeit-Transkription oder aufgezeichnete Dateien für die Stapelverarbeitung an.

Spracherkennungsmodelle

• Flux STT: Flux STT ist ein konversationelles Spracherkennungsmodell für Echtzeit-Sprachagenten mit integrierter Sprecherwechsel-Erkennung und Unterbrechungsbehandlung in 10 Sprachen. Die mehrsprachige Option umfasst Englisch, Spanisch, Französisch, Deutsch, Hindi, Russisch, Portugiesisch, Japanisch, Italienisch und Niederländisch.
• Nova-3: Nova-3 ist für die Transkription im Produktivbetrieb positioniert, mit Robustheit gegenüber Störgeräuschen und mehrsprachiger Unterstützung für mehr als 50 Sprachen. Die Preisseite nennt eine niedrigere Zahl: Dort heißt es, Nova-Modelle unterstützen mehr als 45 Sprachen mit Sprechertrennung, intelligenter Formatierung, Schlüsselbegriff-Prompting und automatischer Spracherkennung.
• Nova-2: Nova-2 wird weiterhin für Sprachen empfohlen, die Nova-3 noch nicht unterstützt, sowie für die Erkennung von Füllwörtern.
• Branchenspezifische Modelle: Branchenspezifische Modelle zielen auf Vokabular und Struktur in Bereichen wie Gesundheitswesen, Recht und Finanzen.
• Individuelle Modelle: Individuelle Modelle lassen sich für Grenzfall-Audio mit proprietären oder neuartigen Datensätzen trainieren.

Angaben zu Genauigkeit und Geschwindigkeit stammen vom Anbieter. Deepgram gibt an, dass Nova-3 im Vergleich zu Wettbewerbern eine um 54,2 % niedrigere Wortfehlerrate beim Streaming und eine um 47,4 % niedrigere bei der Stapelverarbeitung hat. Zudem liefere es Transkripte in unter 300 Millisekunden. Schlüsselbegriff-Prompting soll die Erkennung kritischer Wörter verbessern und die Trefferquote für Schlüsselwörter um bis zu 90 % erhöhen.

Sprachsynthese

• Flux TTS: Flux TTS hält Tonfall, Tempo und emotionale Färbung über eine ganze Sitzung hinweg, ohne SSML, Stil-Tags oder Prompt-Engineering. Laut Deepgram beginnt die Ausgabe von Flux TTS in nur 80 ms, selbst unter Produktionslast. Fällt ein Anrufer ins Wort, meldet die API, was der Anrufer tatsächlich gehört hat.
• Aura-2: Aura-2 ist das Modell mit der größten Sprachabdeckung im Portfolio und bietet Stimmen in sieben Sprachen.
• Aura: Aura ist das TTS-Modell der ersten Generation von Deepgram und bietet nur englische Stimmen.

Voice Agent API

Die Voice Agent API umfasst Unterbrechungserkennung, Vorhersage von Sprecherwechseln, Funktionsaufrufe und Steuerung während der Sitzung. Teams können ihren eigenen LLM- oder TTS-Anbieter einbinden und dabei die Orchestrierung und Streaming-Pipeline von Deepgram beibehalten.

Deepgram stellt verwaltete LLMs für die Anbietertypen OpenAI, Anthropic, Google und NVIDIA bereit, sodass für diese kein Endpunkt nötig ist. Modelle von Groq und Amazon Bedrock benötigen einen eigenen Endpunkt, da Deepgram diese LLMs nicht verwaltet. Verwaltete Modelle haben eine Preisstufe: claude-sonnet-4-5 ist als Advanced (Erweitert) und claude-haiku-4-5 als Standard gelistet, und die Stufe bestimmt den Minutenpreis.

Audio Intelligence

Audio Intelligence ergänzt Transkripte um Zusammenfassung, Themenerkennung, Absichtserkennung und Stimmungsanalyse. Die Stimmungsanalyse kennzeichnet positive, neutrale oder negative Stimmung auf Wort-, Satz- und Transkriptebene. Diese Funktionen laufen auf schlanken, aufgabenspezifischen Modellen, die mit Gesprächsdaten feinabgestimmt wurden, statt auf allgemeinen großen Sprachmodellen.

Anleitung

1. Konto erstellen: Registrieren Sie sich für ein kostenloses Deepgram-Konto, um einen API-Schlüssel zu erhalten.
2. Modell und Sprache festlegen: Spracherkennungsmodelle verwenden standardmäßig Englisch, sofern der Parameter language nichts anderes angibt. Sprachsynthese benötigt bei jeder Anfrage ein Modell; Flux TTS wird über /v2/speak bereitgestellt, Aura-2 und Aura über /v1/speak.
3. Opt-out vom Modelltraining pro Anfrage: Fügen Sie für Spracherkennung und Sprachsynthese mip_opt_out=true als Abfrageparameter hinzu oder setzen Sie "mip_opt_out": true in der Settings-Nachricht des Voice Agent. Ausgenommene Anfragen zeigen in der Deepgram Console unter Usage > Logs mip_opt_out als true an.
4. LLM des Agenten wählen: Das LLM-Modell des Voice Agent wird in derselben Settings-Nachricht festgelegt.

Deepgram: Anwendungsfälle und Beispiele

Die Spracherkennungs-API von Deepgram richtet sich an Transkription im Kundensupport, im Gesundheitswesen, in Medien und in der dialogorientierten KI.

• Kontaktcenter und Sprachanalyse: Sprachanalyse wandelt Audio in Text um, um Gespräche zu analysieren und Absichten zu erkennen.
• Medizinische Transkription: Medizinische Transkription zielt auf Fachbegriffe der Medizin und spezialisierte Schlüsselwörter.
• Medien und Podcasts: Die Medientranskription deckt Podcasts, Videos und Sendungen ab, mit Untertiteln und Zusammenfassungen.
• Support- und ausgehende Sprachagenten: Die Sprachsynthese-API von Deepgram ist für ausgehende Sprachagenten positioniert, mit Unterbrechungsbehandlung und Kontext über mehrere Gesprächswechsel hinweg.
• Bestellungen im Restaurant: Deepgram hat OfOne übernommen, ein Start-up, das Voice-AI-Bestellungen für Schnellrestaurants entwickelt hat.

Für wen ist es

Deepgram wird als APIs und SDKs verkauft, daher ist der Käufer meist ein Team, das Code schreibt.

• Entwickler und Produktteams: Der Self-Service-Weg richtet sich an Entwickler und Produktteams, die flexible APIs wollen.
• Plattformen und Partner: Ein Partnerweg richtet sich an Plattformen, die die Voice AI von Deepgram einbetten.
• Regulierte Unternehmen: Individuelle Modelle und Verträge richten sich an Unternehmen mit besonderen Workflows und Compliance-Anforderungen.
• Teams mit Self-Hosting-Plänen: Self-Hosting ist für Teams mit vorhandenen DevOps-Ressourcen gedacht.

Weniger geeignet ist es für nicht englischsprachige Vertonungen mit Flux TTS oder für Projekte, die eine sehr große Stimmenbibliothek brauchen.

Plattformen

• Cloud-API: Die gehostete Option ist ein mandantenfähiger Cloud-Dienst auf der Infrastruktur von Deepgram. API-Ratenlimits werden für die Endpunkte Nordamerika, Europa, Australien und Indien separat veröffentlicht.
• Dediziert und VPC: Die Voice Agent API lässt sich vollständig verwaltet, als dedizierte Single-Tenant-Instanz, in einer VPC oder selbst gehostet bereitstellen.
• Self-Hosting: Self-Hosting ist für Premium-Kunden mit besonderen geschäftlichen Anforderungen verfügbar. Enterprise-Container für das Self-Hosting laufen in einer Kunden-VPC oder auf lokaler Hardware und benötigen NVIDIA-GPUs. Deepgram kann auf Cloud-Infrastruktur, Bare Metal oder über Angebote im Amazon-SageMaker-Marketplace selbst gehostet werden.
• SDKs: Deepgram-SDKs gibt es für Java, JavaScript, Python, Go und .NET.
• Sprachagenten-Frameworks: Deepgram TTS lässt sich über Streaming-APIs in LiveKit, Pipecat, Vapi und andere Frameworks zur Orchestrierung von Sprachagenten integrieren.
• Telefonie: Die Voice Agent API unterstützt 8-kHz-mu-law-Telefonie-Audio über bidirektionales WebSocket-Streaming. Deepgram dokumentiert Integrationen mit Twilio sowie Integrationen für Genesys Cloud CX und Amazon Connect.
• Playground: Modelle lassen sich im Playground testen, und Starter-Apps sind auf GitHub veröffentlicht.

Preise

Die Deepgram-Preise sind nutzungsbasiert und nach Produkt und Modell statt nach Nutzerplätzen aufgeteilt.

Tarife und gleichzeitige Verbindungen

Pay As You Go beginnt mit einem kostenlosen Guthaben von $200 und rechnet danach nach Nutzung ab; Growth beginnt bei $4K+ pro Jahr. Pay As You Go hat keine Mindestbeträge und keinen Verfall und erfordert zum Start keine Kreditkarte. Mit Growth lassen sich durch vorausbezahlte Jahresguthaben, die mit der tatsächlichen Nutzung verrechnet werden, bis zu 20 % sparen. Enterprise-Konditionen werden vom Vertrieb angeboten.

Preise für Spracherkennung

Die Preise für Streaming-Spracherkennung sind derzeit als zeitlich begrenzte Aktionspreise ausgewiesen, daher stehen die regulären Preise in Klammern.

Zusatzfunktionen werden zusätzlich zum Modellpreis berechnet:

• Schwärzung (Redaction) kostet $0.0020/Min. bei Pay As You Go und $0.0017/Min. bei Growth.
• Schlüsselbegriff-Prompting (Keyterm Prompting) kostet $0.0013/Min. bei Pay As You Go und $0.0012/Min. bei Growth.
• Intelligente Formatierung (Smart Formatting) ist in beiden Tarifen enthalten.

Abgerechnet wird sekundengenau, eine 14-sekündige Datei kostet also genau 14 Sekunden. Mehrkanal-Audio wird nach der gesamten verarbeiteten Dauer abgerechnet, eine 10-minütige Stereodatei zählt also als 20 Minuten.

Preise für Sprachsynthese

Bis zum 31. Dezember 2026 werden Ausgaben für Flux TTS bei Pay As You Go und Growth mit Guthaben in gleicher Höhe ausgeglichen, bis zu $500. Eine kostenlose Build-Phase für Flux TTS lief bis zum 12. September 2026, seit dem 13. September 2026 gelten die Standardpreise. Die FAQ der Produktseite zur Sprachsynthese gibt an, Deepgram TTS beginne bei $0.15 pro 1.000 Zeichen, was nicht zum Aura-1-Preis in der Tabelle oben passt.

Preise für Voice Agent und Audio Intelligence

Voice-Agent-Minuten werden nach der Dauer der WebSocket-Verbindung berechnet. Die Zusammenfassung kostet bei Pay As You Go $0.0003 pro 1.000 Eingabe-Tokens und $0.0006 pro 1.000 Ausgabe-Tokens.

Guthaben, Mehrnutzung und Erstattungen

• Automatisches Aufladen: Automatisches Aufladen ist standardmäßig aktiv und lädt $100 nach, sobald das Restguthaben $10 erreicht.
• Erstattungsfrist: Für ungenutztes Guthaben, das in den letzten 30 Tagen gekauft wurde, kann eine Erstattung beantragt werden. Ansonsten begründet eine Kündigung keinen Anspruch auf Erstattung ungenutzten Guthabens, sofern die zum jeweiligen Zeitpunkt geltende Pricing List (Preisliste) nichts anderes vorsieht.
• Verfall: Guthaben verfällt, wenn das Konto geschlossen oder das Abonnement gekündigt oder beendet wird.
• Mehrnutzung bei Growth: Mehrnutzung bei Growth wird zum Growth-Preis plus Aufschlag berechnet, statt auf Pay-As-You-Go-Preise umzustellen. Die Preis-FAQ nennt dies die 10-%-Gebühr für Mehrnutzung. Mehrnutzung wird wöchentlich nachträglich von der hinterlegten Karte abgebucht.
• Übertragungen: Laut Preis-FAQ kann gekauftes Guthaben auf Anfrage zwischen Konten derselben Organisation übertragen werden. Die Nutzungsbedingungen besagen dagegen, dass Guthaben nicht übertragbar ist und keinen Barwert hat.
• Start-ups: Angenommene Start-ups können über das Start-up-Programm innerhalb von 12 Monaten bis zu $100,000 an Guthaben erhalten.

Alternativen zu Deepgram

Die meisten veröffentlichten Vergleiche in dieser Kategorie stammen von den Anbietern selbst.

• AssemblyAI: Deepgrams eigener Vergleich mit AssemblyAI gibt an, dass beide Anbieter Self-Hosting und einen Weg zu einem BAA dokumentieren, und sieht einen Test unter gleichen Bedingungen mit eigenem Audio als ausschlaggebend an.
• OpenAI Whisper: Whisper ist in Deepgram auch als Whisper Large für voraufgezeichnetes Audio verfügbar. Ein Entwickler von Sprachagenten veröffentlichte einen Test von 13 Spracherkennungsanbietern mit 100 echten Kundenanrufen. In diesem Test hatte Deepgram Flux mit 15,86 % die niedrigste Wortfehlerrate und OpenAI Whisper mit 39,78 % die höchste. Bei der Erkennung von Postleitzahlen lag die Wortfehlerrate bei jedem Anbieter über 50 %, auch bei Deepgram. Es ist der Test eines einzelnen Teams mit eigenen Anrufdaten, keine allgemeine Rangliste.
• ElevenLabs: Deepgram positioniert sein TTS für Echtzeit-Sprachagenten und räumt ein, dass ElevenLabs eine größere Stimmenbibliothek und eine breitere Sprachabdeckung bietet, die sich für die Content-Erstellung eignen.
• Cartesia: Deepgram beschreibt Cartesia als bekannt für schnelle Synthese, ausdrucksstarke Steuerung über Text-Tags und eine breite mehrsprachige Stimmenbibliothek.

Einschränkungen

Produkt- und Nutzungsgrenzen

• Sprachen der Stimmen: Flux TTS ist nur auf Englisch verfügbar; Stimmen auf Spanisch, Deutsch, Französisch, Niederländisch, Italienisch und Japanisch erfordern Aura-2.
• Whisper in der EU: Whisper-Modelle werden am EU-Endpunkt nicht unterstützt.
• Whisper-Parallelität: Die Dokumentation zu den API-Ratenlimits nennt für Whisper Cloud bis zu 3 gleichzeitige voraufgezeichnete Anfragen in Nordamerika und keine Verfügbarkeit in anderen Regionen, während die Preisseite bis zu 5 angibt.
• Projekte: Ratenlimits gelten pro Projekt, und sekundäre Projekte in Self-Service-Konten sind auf einen gleichzeitigen Stream begrenzt.
• Über dem Limit: Bei Pay As You Go können Anfragen über dem Limit gleichzeitiger Verbindungen in eine Warteschlange gestellt oder abgelehnt werden.
• Fehlerhafte Uploads: Kunden zahlen für jede verarbeitete Datei, auch für fehlerhafte Uploads, die durch ihre eigenen Systeme verursacht wurden.

Nutzungsregeln in den Bedingungen

• Die Bedingungen verbieten die Nutzung der Dienste oder Ausgaben zu Wettbewerbszwecken, einschließlich Modelltraining, Benchmarking und Wettbewerbsanalyse.
• Nutzer dürfen Audioausgaben nicht als von Menschen erstellt ausgeben und müssen die gesetzlich vorgeschriebenen Hinweise geben, dass sie KI-generiert sind.
• Ausgaben sind möglicherweise nicht einzigartig, und Deepgram sichert nicht zu, dass Nutzern ähnliche, für andere Kunden erstellte Ausgaben gehören.
• Geschützte Gesundheitsinformationen dürfen nur gesendet werden, wenn eine Geschäftspartnervereinbarung (Business Associate Agreement) unterzeichnet wurde.

Datennutzung und Datenschutz

API-Anfragen nehmen standardmäßig am Model Improvement Program (Programm zur Modellverbesserung) teil, und Deepgram speichert sie. Die Bedingungen erlauben Deepgram, Kundeneingaben und -ausgaben zur Verbesserung seiner Dienste zu nutzen, einschließlich Training und Tests seiner Modelle.

• Opt-out: Wird mip_opt_out=true für eine Anfrage gesetzt, ist sie von der Speicherung ausgenommen und bleibt an einem regionalen Endpunkt in der Region, abgesehen von externen Voice-Agent-Anbietern. Ausgenommene Anfragen erhalten nach Rückgabe der Antwort keinerlei Datenspeicherung für Audio, Text, Transkripte und synthetisiertes Audio. Eine konto- oder bereitstellungsweite Durchsetzung des Opt-outs ist über eine Kontaktaufnahme mit Deepgram möglich.
• Protokolle: Anfrage-Metadaten und Nutzungsprotokolle bleiben 90 Tage abrufbar, zusammengefasste Nutzungsdaten werden länger aufbewahrt.
• Datenresidenz: Eine vollständige Garantie für die Verarbeitung in der Region erfordert sowohl einen regionalen Endpunkt als auch mip_opt_out=true. Anfragen an den EU-Endpunkt werden nie außerhalb der EU geroutet und schlagen fehl, statt auf ein Ausweichsystem umzuschalten, wenn die Region nicht verfügbar ist.
• Eigentum und Weitergabe: Deepgram beansprucht kein Eigentum an Kundeneingaben und -ausgaben. Deepgram gibt an, Kundendaten nicht zu verkaufen, nicht für Werbeprofile zu nutzen und nicht ohne Erlaubnis weiterzugeben.
• Geltungsbereich der Richtlinie: Der Datenschutzhinweis der Website gilt nicht für die Verarbeitung von Kundendaten.
• Datenfluss beim Self-Hosting: Bei einer typischen selbst gehosteten Bereitstellung werden weder Audio noch Transkripte noch Inhalte, die Anfragen identifizieren, an Deepgram gesendet.
• Zertifizierungen: Deepgram gibt an, nach SOC 2 Type 1 und Type 2 zertifiziert zu sein. Deepgram unterzeichnet Geschäftspartnervereinbarungen mit Enterprise-Kunden, die ePHI verarbeiten.

FAQ

Q1. Kann man Deepgram kostenlos testen?

Ja. Neue Pay-As-You-Go-Konten starten mit $200 Guthaben und ohne Kreditkarte; danach wird pro Minute, pro 1.000 Zeichen oder pro Minute Verbindungszeit des Agenten abgerechnet.

Q2. Nutzt Deepgram mein Audio zum Training seiner Modelle?

Standardmäßig ja: Anfragen nehmen am Model Improvement Program teil und werden gespeichert. Mit mip_opt_out=true in einer Anfrage wird sie ausgenommen, und die Speicherung ihres Inhalts entfällt.

Q3. Kann die Verarbeitung in der EU bleiben?

Deepgram bietet einen eigenen EU-Endpunkt, dessen Anfragen nicht außerhalb der EU geroutet werden. Eine vollständige Verarbeitung in der Region erfordert außerdem den Opt-out aus der Modellverbesserung, und Whisper-Modelle sind dort nicht verfügbar.