Deepgram

Что такое Deepgram?

Deepgram — платформа голосового ИИ, которая предоставляется в виде API для разработчиков: распознавание речи для живого и записанного аудио, синтез речи, Voice Agent API и анализ Audio Intelligence. Deepgram объединяет распознавание речи, синтез речи и оркестрацию LLM в едином Voice Agent API, что, по словам компании, снижает сложность, задержку и затраты.

В январе 2026 года Deepgram сообщила, что привлекла 130 млн долларов в раунде серии C под руководством AVP при оценке в 1,3 млрд долларов. Компания также сообщила, что её продуктами и моделями голосового ИИ пользуются более 1 300 организаций, в том числе сервис для заметок на встречах Granola, стартап голосовых агентов Vapi и Twilio.

Ключевые функции

API распознавания речи Deepgram принимает потоковое аудио для транскрибации в реальном времени или записанные файлы для пакетной обработки.

Модели распознавания речи

• Flux STT: разговорная модель распознавания речи для голосовых агентов реального времени со встроенным определением смены реплик и обработкой перебиваний на 10 языках. Её многоязычный вариант охватывает английский, испанский, французский, немецкий, хинди, русский, португальский, японский, итальянский и нидерландский.
• Nova-3: Nova-3 позиционируется для транскрибации в продакшене: устойчива к шуму и поддерживает более 50 языков. Страница цен приводит меньшую цифру: там сказано, что модели Nova поддерживают более 45 языков с разделением дикторов, умным форматированием, подсказками ключевых терминов и автоматическим определением языка.
• Nova-2: по-прежнему рекомендуется для языков, которые Nova-3 пока не поддерживает, и для распознавания слов-паразитов.
• Отраслевые модели: нацелены на лексику и структуру в таких областях, как здравоохранение, право и финансы.
• Индивидуальные модели: их можно обучать на собственных или новых наборах данных для нестандартного аудио.

Показатели точности и скорости приводит сам поставщик. Deepgram утверждает, что у Nova-3 доля ошибок в словах на 54,2 % ниже, чем у конкурентов, при потоковой обработке и на 47,4 % ниже при пакетной. Также компания заявляет, что выдаёт транскрипты быстрее чем за 300 миллисекунд. Подсказки ключевых терминов, как утверждается, улучшают распознавание важных слов и повышают полноту по ключевым словам до 90 %.

Синтез речи

• Flux TTS: Flux TTS сохраняет тон, темп и эмоциональный регистр на протяжении всей сессии без SSML, тегов стиля и промпт-инжиниринга. По словам Deepgram, вывод Flux TTS начинается всего через 80 мс даже при производственной нагрузке. Когда звонящий перебивает, API сообщает, что звонящий на самом деле услышал.
• Aura-2: модель с самым широким языковым охватом в линейке, с голосами на семи языках.
• Aura: TTS-модель Deepgram первого поколения, предлагает только английские голоса.

Voice Agent API

Voice Agent API включает обнаружение перебиваний, прогнозирование смены реплик, вызов функций и управление по ходу сессии. Команды могут подключить собственного поставщика LLM или TTS, сохранив оркестрацию и потоковый конвейер Deepgram.

Deepgram предоставляет управляемые LLM для типов поставщиков OpenAI, Anthropic, Google и NVIDIA, поэтому для них эндпоинт не нужен. Для моделей Groq и Amazon Bedrock нужен собственный эндпоинт, так как Deepgram этими LLM не управляет. У управляемых моделей есть ценовой уровень: claude-sonnet-4-5 указана как Advanced («Расширенный»), claude-haiku-4-5 — как Standard («Стандартный»), и уровень определяет поминутную ставку.

Audio Intelligence

Audio Intelligence добавляет к транскриптам суммаризацию, определение тем, распознавание намерений и анализ тональности. Анализ тональности помечает положительную, нейтральную или отрицательную тональность на уровне слова, предложения и всего транскрипта. Эти функции работают на лёгких специализированных моделях, дообученных на разговорных данных, а не на универсальных больших языковых моделях.

Руководство

1. Создание аккаунта: зарегистрируйте бесплатный аккаунт Deepgram, чтобы получить API-ключ.
2. Выбор модели и языка: модели распознавания речи по умолчанию работают с английским, если параметр language не указывает иное. Синтезу речи нужна модель в каждом запросе: Flux TTS обслуживается на /v2/speak, а Aura-2 и Aura — на /v1/speak.
3. Отказ от обучения моделей для отдельного запроса: добавьте mip_opt_out=true как параметр запроса для распознавания и синтеза речи или задайте "mip_opt_out": true в сообщении Settings для Voice Agent. У запросов с отказом в разделе Usage > Logs в Deepgram Console параметр mip_opt_out отображается как true.
4. Выбор LLM для агента: модель LLM для Voice Agent задаётся в том же сообщении Settings.

Сценарии использования и примеры Deepgram

API распознавания речи Deepgram ориентирован на транскрибацию в поддержке клиентов, здравоохранении, медиа и разговорном ИИ.

• Контакт-центры и речевая аналитика: преобразует аудио в текст, чтобы анализировать разговоры и определять намерения.
• Медицинская транскрибация: ориентирована на медицинские термины и специализированные ключевые слова.
• Медиа и подкасты: охватывает подкасты, видео и трансляции, с субтитрами и сводками.
• Поддержка и исходящие голосовые агенты: API синтеза речи Deepgram позиционируется для исходящих голосовых агентов, с обработкой перебиваний и сохранением контекста между репликами.
• Заказы в ресторанах: Deepgram приобрела OfOne — стартап, создавший голосовой ИИ для приёма заказов в ресторанах быстрого обслуживания.

Для кого предназначен

Deepgram продаётся в виде API и SDK, поэтому покупатель — обычно команда, которая пишет код.

• Разработчики и продуктовые команды: вариант самообслуживания рассчитан на разработчиков и продуктовые команды, которым нужны гибкие API.
• Платформы и партнёры: партнёрский вариант рассчитан на платформы, встраивающие голосовой ИИ Deepgram.
• Регулируемые компании: индивидуальные модели и договоры рассчитаны на компании с особыми рабочими процессами и требованиями к соответствию нормам.
• Команды, планирующие самостоятельный хостинг: он рассчитан на команды с уже имеющимися ресурсами DevOps.

Сервис хуже подходит для озвучки не на английском языке через Flux TTS или для проектов, которым нужна очень большая библиотека голосов.

Платформы

• Облачный API: размещённый вариант — мультитенантный облачный сервис на инфраструктуре Deepgram. Ограничения частоты запросов API публикуются отдельно для эндпоинтов в Северной Америке, Европе, Австралии и Индии.
• Выделенный вариант и VPC: Voice Agent API можно развернуть как полностью управляемый сервис, выделенный однотенантный вариант, в VPC или на собственной инфраструктуре.
• Самостоятельный хостинг: доступен клиентам Premium с особыми бизнес-требованиями. Контейнеры Enterprise для самостоятельного хостинга работают в VPC клиента или на локальном оборудовании и требуют GPU NVIDIA. Deepgram можно развернуть самостоятельно в облачной инфраструктуре, на физических серверах (bare metal) или через предложения в маркетплейсе Amazon SageMaker.
• SDK: SDK Deepgram есть для Java, JavaScript, Python, Go и .NET.
• Фреймворки голосовых агентов: Deepgram TTS интегрируется с LiveKit, Pipecat, Vapi и другими фреймворками оркестрации голосовых агентов через потоковые API.
• Телефония: Voice Agent API поддерживает телефонное аудио 8 кГц mu-law через двунаправленную потоковую передачу по WebSocket. Deepgram документирует интеграции с Twilio, а также интеграции для Genesys Cloud CX и Amazon Connect.
• Playground: модели можно протестировать в Playground, а стартовые приложения опубликованы на GitHub.

Ценообразование

Тарификация основана на использовании: цены Deepgram разделены по продуктам и моделям, а не по рабочим местам.

Тарифы и параллельные подключения

Pay As You Go начинается с бесплатного кредита $200, после чего оплата идёт по факту использования; Growth стоит от $4K+ в год. У Pay As You Go нет минимальных платежей и срока действия, а для начала не нужна банковская карта. Growth позволяет сэкономить до 20 % за счёт предоплаченных годовых кредитов, которые списываются по фактическому использованию. Условия Enterprise рассчитывает отдел продаж.

Цены на распознавание речи

Цены на потоковое распознавание речи сейчас обозначены как временные промотарифы, поэтому обычные цены указаны в скобках.

Дополнительные функции оплачиваются сверх ставки модели:

• Маскирование данных (Redaction) стоит $0.0020/мин на Pay As You Go и $0.0017/мин на Growth.
• Подсказки ключевых терминов (Keyterm Prompting) стоят $0.0013/мин на Pay As You Go и $0.0012/мин на Growth.
• Умное форматирование (Smart Formatting) включено в оба тарифа.

Оплата посекундная, поэтому 14-секундный файл тарифицируется ровно как 14 секунд. Многоканальное аудио тарифицируется по общей обработанной длительности, поэтому 10-минутный стереофайл считается как 20 минут.

Цены на синтез речи

До 31 декабря 2026 года расходы на Flux TTS на тарифах Pay As You Go и Growth компенсируются кредитами в том же размере, но не более $500. Бесплатный период разработки на Flux TTS длился до 12 сентября 2026 года, а с 13 сентября 2026 года действуют стандартные цены. В FAQ на странице продукта синтеза речи сказано, что Deepgram TTS стоит от $0.15 за 1 000 символов, что не совпадает со ставкой Aura-1 в таблице выше.

Цены на Voice Agent и Audio Intelligence

Минуты Voice Agent считаются по времени WebSocket-подключения. Суммаризация на Pay As You Go стоит $0.0003 за 1 000 входных токенов и $0.0006 за 1 000 выходных токенов.

Кредиты, перерасход и возвраты

• Автопополнение: включено по умолчанию и пополняет баланс на $100, когда остаток кредитов достигает $10.
• Срок для возврата: возврат можно запросить за неиспользованные кредиты, купленные в последние 30 дней. В остальных случаях отмена не даёт права на возврат неиспользованных кредитов, кроме случаев, указанных в действующем на тот момент Pricing List (прайс-листе).
• Срок действия: кредиты сгорают при закрытии аккаунта либо при отмене или прекращении подписки.
• Перерасход на Growth: оплачивается по ставке Growth с надбавкой, а не по ценам Pay As You Go. В FAQ по ценам это названо 10-процентной платой за перерасход. Перерасход списывается еженедельно постфактум с привязанной карты.
• Передача: в FAQ по ценам сказано, что купленные кредиты можно по запросу перенести между аккаунтами одной организации. В условиях обслуживания, напротив, указано, что кредиты не подлежат передаче и не имеют денежной стоимости.
• Стартапы: принятые в стартап-программу компании могут получить до $100,000 кредитов в течение 12 месяцев.

Альтернативы Deepgram

Большинство опубликованных сравнений в этой категории исходят от самих поставщиков.

• AssemblyAI: собственное сравнение Deepgram с AssemblyAI указывает, что оба поставщика документируют самостоятельный хостинг и путь к заключению BAA, и считает решающим фактором тест в равных условиях на вашем собственном аудио.
• OpenAI Whisper: Whisper также доступен внутри Deepgram как Whisper Large для предзаписанного аудио. Разработчик голосовых агентов опубликовал тест 13 поставщиков распознавания речи на 100 реальных звонках клиентов. В этом тесте у Deepgram Flux была самая низкая доля ошибок в словах — 15,86 %, а у OpenAI Whisper самая высокая — 39,78 %. При распознавании почтовых индексов доля ошибок в словах превысила 50 % у всех поставщиков, включая Deepgram. Это тест одной команды на собственных данных звонков, а не общий рейтинг.
• ElevenLabs: Deepgram позиционирует свой TTS для голосовых агентов реального времени и признаёт, что у ElevenLabs больше библиотека голосов и шире языковой охват, что подходит для создания контента.
• Cartesia: Deepgram описывает Cartesia как сервис, известный быстрым синтезом, выразительным управлением через текстовые теги и широкой многоязычной библиотекой голосов.

Ограничения

Ограничения продукта и использования

• Языки голосов: Flux TTS работает только на английском; для голосов на испанском, немецком, французском, нидерландском, итальянском и японском нужна Aura-2.
• Whisper в ЕС: модели Whisper не поддерживаются на эндпоинте ЕС.
• Параллельность Whisper: документация по ограничениям частоты запросов API указывает для Whisper Cloud до 3 параллельных запросов с предзаписанным аудио в Северной Америке и недоступность в других регионах, тогда как страница цен показывает до 5.
• Проекты: ограничения частоты действуют на уровне проекта, а дополнительные проекты в аккаунтах самообслуживания ограничены одним параллельным потоком.
• Сверх лимита: на Pay As You Go запросы сверх лимита параллельных подключений могут ставиться в очередь или отклоняться.
• Ошибочные загрузки: клиенты платят за каждый обработанный файл, включая ошибочные загрузки, вызванные их собственными системами.

Правила использования в условиях

• Условия запрещают использовать сервисы или результаты в конкурентных целях, включая обучение моделей, бенчмаркинг и конкурентный анализ.
• Пользователи не должны выдавать аудиовывод за созданный человеком и обязаны давать требуемые законом уведомления о том, что он сгенерирован ИИ.
• Результаты могут быть неуникальными, и Deepgram не заявляет, что пользователям принадлежат похожие результаты, созданные для других клиентов.
• Защищённую медицинскую информацию нельзя отправлять, пока не подписано соглашение с деловым партнёром (BAA).

Использование данных и конфиденциальность

API-запросы по умолчанию участвуют в Model Improvement Program (программе улучшения моделей), и Deepgram их хранит. Условия позволяют Deepgram использовать входные и выходные данные клиентов для улучшения сервисов, в том числе для обучения и тестирования своих моделей.

• Отказ: параметр mip_opt_out=true в запросе исключает его из хранения, а на региональном эндпоинте удерживает его в регионе, за исключением сторонних поставщиков Voice Agent. Для запросов с отказом после возврата ответа действует нулевое хранение аудио, текста, транскриптов и синтезированного аудио. Принудительное применение отказа на уровне всего аккаунта или развёртывания доступно по запросу в Deepgram.
• Журналы: метаданные запросов и журналы использования доступны для получения в течение 90 дней, а сводные данные об использовании хранятся дольше.
• Резидентность данных: полная гарантия обработки в регионе требует одновременно регионального эндпоинта и mip_opt_out=true. Запросы к эндпоинту ЕС никогда не маршрутизируются за пределы ЕС и при недоступности региона завершаются ошибкой, а не переключаются на резервный вариант.
• Право собственности и передача: Deepgram не претендует на право собственности на входные и выходные данные клиентов. Deepgram заявляет, что не продаёт данные клиентов, не использует их для рекламных профилей и не распространяет их без разрешения.
• Сфера действия политики: уведомление о конфиденциальности на сайте не распространяется на обработку данных клиентов.
• Поток данных при самостоятельном хостинге: при типичном таком развёртывании в Deepgram не отправляются ни аудио, ни транскрипты, ни содержимое, позволяющее идентифицировать запросы.
• Сертификация: Deepgram заявляет о сертификации SOC 2 Type 1 и Type 2. Deepgram подписывает соглашения с деловым партнёром с клиентами Enterprise, которые обрабатывают ePHI.

ЧаВо

Q1. Можно ли попробовать Deepgram бесплатно?

Да. Новые аккаунты Pay As You Go получают кредит $200 без привязки банковской карты; после этого использование тарифицируется поминутно, за 1 000 символов или за минуту подключения агента.

Q2. Использует ли Deepgram моё аудио для обучения моделей?

По умолчанию да: запросы участвуют в Model Improvement Program и хранятся. Добавление mip_opt_out=true к запросу исключает его и прекращает хранение его содержимого.

Q3. Может ли обработка оставаться в пределах ЕС?

Deepgram предлагает отдельный эндпоинт ЕС, запросы к которому не маршрутизируются за пределы ЕС. Для полной обработки в регионе нужно также отказаться от участия в улучшении моделей, а модели Whisper там недоступны.