Deepgram
Deepgram是面向开发者的语音AI开发平台，提供多类语音相关API接口，支持各类场景下的语音AI能力快速集成
Deepgram是面向开发者的语音AI开发平台，提供多类语音相关API接口，支持各类场景下的语音AI能力快速集成。平台核心功能包含高精度语音转文字API、自然语音生成、语音意图识别、多语言支持、自定义模型训练等，可帮助开发者降低语音AI能力的开发门槛。目标用户覆盖移动应用开发者、SaaS产品开发团队、AI初创公司、语音交互产品研发人员、内容处理企业等，适合用于开发语音笔记应用、智能客服系统、语音内容检索工具、实时字幕生成系统、语音交互智能硬件等多种产品场景。
- 适用对象
- 移动应用开发者(开发带语音功能的APP)
- 主要功能
- 语音转文字API、语音生成功能
- 计费方式
- 免费增值，部分功能付费
- 平台
- 网页
- 已收录
- 2026.07.27（96 天）
阅读目录
编辑评测与站内热度
编辑综合评分
满分 5 分
六维指标基于站内真实数据（热度、社区反馈、资料完整度、可达性核验等）综合评估，非用户投票。
全站热度排名
#1070
分类内排名
#1 / 28
累计站内点击
1
近 7 日点击
1
排名与点击为站内真实统计口径，反映 Toolifai 用户行为，非编辑评分。
Deepgram是什么，怎么使用？
约 5 分钟Deepgram是面向开发者的语音AI开发平台，提供多类语音相关API接口，支持各类场景下的语音AI能力快速集成。平台核心功能包含高精度语音转文字API、自然语音生成、语音意图识别、多语言支持、自定义模型训练等，可帮助开发者降低语音AI能力的开发门槛。目标用户覆盖移动应用开发者、SaaS产品开发团队、AI初创公司、语音交互产品研发人员、内容处理企业等，适合用于开发语音笔记应用、智能客服系统、语音内容检索工具、实时字幕生成系统、语音交互智能硬件等多种产品场景。
主要功能
- 语音转文字API：开发者可通过调用该API，将音频、视频中的语音内容转换为结构化文本数据，支持实时流传输和离线文件处理两种模式，识别结果可附带时间戳、说话人区分、词汇置信度等标注信息，适用于实时字幕生成、会议内容转录、语音内容检索等场景，可适配电话语音、嘈杂环境录音、专业领域访谈等不同音质的语音输入。
- 语音生成功能：平台提供文本转语音能力，支持多种音色、语调、语速参数自定义调整，开发者只需传入目标文本内容，即可生成接近真人发音的音频文件，支持批量生成和实时流输出两种模式，可应用于智能客服语音回复、有声读物内容制作、智能硬件语音播报、辅助视障人士的文本朗读工具等场景，生成音频可适配不同终端的播放要求。
- 语音意图识别：该功能可对语音内容进行语义层面的解析，自动识别语音中包含的用户需求、操作指令、情感倾向等信息，支持自定义意图分类规则，开发者无需额外训练复杂的语义模型，仅需配置对应识别规则，即可快速实现语音交互中的指令响应、需求分类，适合用于智能客服会话分类、智能家居语音控制、车载语音指令响应等交互场景。
- 多语言支持：平台支持超过30种语言及多种方言的语音识别与生成，覆盖中文普通话、英语、西班牙语、法语等主流使用语言，同时支持混合语言语音内容的识别处理，开发者可根据产品面向的用户区域，灵活选择对应语言模型，无需单独适配不同语言的语音处理逻辑，降低多语言语音产品的开发成本。
- 自定义模型训练：针对有特定领域语音处理需求的用户，平台提供自定义模型训练功能，用户可上传自有领域的语音标注数据集，在平台基础模型上进行微调训练，训练后的模型可提升特定行业术语、特定口音语音的识别准确率，适用于医疗问诊、法律庭审、金融客服等专业领域的语音处理场景，训练过程支持可视化进度查看和效果验证。
- 说话人分离功能：该功能可自动识别音频文件中的不同说话人，对多轮会话内容按照说话人进行区分标注，支持最多20个说话人的同时识别，开发者在调用语音转文字API时开启该功能，即可在返回结果中获得每个说话人对应的语音内容段落和时间标签，适合用于会议纪要生成、多人访谈转录、客服会话质检等场景，减少后续人工区分说话人的工作量。
怎么使用
- 第一步，访问Deepgram官网，使用邮箱完成账号注册，注册过程中可选择对应开发场景，完成后进入个人控制台，查看平台提供的各类API文档和调用示例。第二步，在控制台中创建新的应用项目，获取专属的API调用密钥，同时可根据自身需求，选择需要开通的语音服务类型，配置基础的调用权限和额度限制。第三步，参考官方提供的多语言SDK文档和代码示例，在自身开发环境中完成API调用的调试，可先使用平台提供的测试音频文件验证识别或生成效果，调整参数至符合预期。第四步，若有特定领域需求，可上传自有标注数据集，选择对应基础模型进行自定义微调训练，训练完成后在控制台中切换为自定义模型进行调用测试。第五步，完成功能调试后，将API正式集成到自身产品中，在控制台可查看实时调用量、成功率、资源消耗等数据，根据业务需求调整服务额度，若遇到问题可提交工单联系技术支持。
适合什么人群
- 移动应用开发者(开发带语音功能的APP)
- SaaS产品开发团队(为产品添加语音交互能力)
- AI初创公司(快速搭建语音类AI产品)
- 语音交互产品研发人员(开发智能硬件语音模块)
- 内容处理企业(批量处理音视频内容转文本)
- 在线教育平台开发者(制作课程字幕和语音互动功能)
总结
这是一款面向开发者的语音AI服务平台，核心优势在于将复杂的语音AI能力封装为标准化API接口，降低了开发者搭建语音处理功能的技术门槛。和同类语音AI服务相比，它的自定义模型训练功能更加灵活，用户可以基于自有数据快速微调出适配特定领域的语音模型，对于专业领域的语音处理场景适配性更好。同时平台提供的多语言支持、说话人分离等附加功能，也能覆盖多数语音类产品的通用需求，开发者无需对接多个服务供应商即可完成全链路语音功能的开发。平台的文档体系较为完善，提供了多语言的SDK和调用示例，新手开发者也能在短时间内完成基础功能的调试。如果你的产品需要集成语音转文字、语音生成或者语音交互能力，这个平台是一个值得考虑的选择，尤其是有专业领域语音处理需求的团队，可以通过自定义模型训练获得更贴合业务需求的处理效果。
价格与免费额度
平台提供免费试用套餐，新用户注册后可获得一定额度的免费调用时长，免费版支持基础的语音转文字和语音生成功能，适合个人开发者进行小型项目测试使用。付费套餐采用按量计费模式，语音转文字服务根据调用时长收费，标准模型单价为每小时1.5美元起，自定义模型调用单价为每小时3美元起；语音生成服务根据生成音频的字符数收费，标准音色单价为每百万字符15美元起。对于大规模使用的企业用户，平台支持定制专属的包年套餐，价格根据具体使用量和功能需求单独协商，建议小型项目测试期使用免费额度，稳定商用后根据调用量选择对应阶梯的按量付费套餐，大规模企业用户可联系商务获取定制报价。
优点与不足
优点
- API封装完善，提供多语言SDK和详细调用示例，降低开发者接入成本
- 支持自定义模型微调，可适配医疗、法律等专业领域的语音处理需求
- 支持超过30种语言及多种方言，覆盖多区域用户的语音处理需求
- 提供实时流处理能力，可满足实时字幕、实时语音交互等低延迟场景需求
- 控制台提供详细的调用数据统计，方便开发者管控服务成本和调用状态
不足
- 免费版调用额度较低，仅适合小型项目测试使用，大规模商用需要升级付费套餐
- 自定义模型训练需要用户提供标注完善的语音数据集，对缺少标注数据的团队门槛较高
- 部分小众方言的识别准确率有待提升，目前主要支持主流语言和常用方言
- 客服响应速度在非工作时段较慢，遇到紧急问题可能无法及时获得支持
能帮你做的 8 件事
- 01语音转文字API
- 02语音生成功能
- 03语音意图识别
- 04多语言支持
- 05语音AI场景的常用方案
- 06语音转文字场景的常用方案
- 07移动应用开发者(开发带语音功能的APP)的日常效率工具
- 08先用免费额度验证需求再决定付费
更新历史
- 页面资料核验与信息更新
- Deepgram 收录进 Toolifai 目录
常见问题
Deepgram的语音转文字识别准确率怎么样？
标准通用场景下，清晰音质的普通话和英语语音识别准确率可达95%以上，具体准确率会受语音背景噪音、说话人口音、专业术语占比等因素影响。如果是专业领域的语音内容，用户可以通过上传自有标注数据集训练自定义模型，训练后的模型在对应领域的识别准确率会有明显提升，医疗、法律等专业领域经过微调后的模型识别准确率普遍可以达到92%以上。用户在测试阶段可以先使用通用模型进行测试，若准确率不符合需求再考虑自定义训练。
调用Deepgram的API有延迟吗，是否适合实时场景？
平台专门提供了实时流处理的API接口，针对实时字幕、实时语音交互等低延迟场景做了优化，正常网络环境下，语音输入到返回识别结果的端到端延迟可以控制在300毫秒以内，完全满足多数实时交互场景的需求。如果是离线处理音视频文件，处理速度大约是音频时长的1/10，即1小时的音频文件大约6分钟即可完成识别返回结果。用户在调用时可以根据自身场景选择实时流模式或者离线文件模式，两种模式的计费标准一致。
使用自定义模型训练功能需要具备AI技术背景吗？
平台的自定义模型训练功能已经做了封装，用户不需要具备专业的AI模型训练知识，只需要按照平台要求上传标注完成的语音数据集，选择对应的基础模型，点击训练按钮即可自动完成训练过程。平台提供数据集格式校验、训练进度可视化、模型效果自动测试等功能，用户只需要准备符合要求的标注数据即可。同时平台提供数据集标注的指导文档，用户可以参考文档完成自有数据的标注工作，对于标注数据量较大的用户，平台也可以提供付费的标注服务支持。
Deepgram支持哪些部署方式，数据安全有保障吗？
目前平台主要提供公有云API调用的部署方式，同时对于有数据合规要求的企业用户，支持私有云部署和本地部署方案，用户可以将模型部署在自身的服务器环境中，所有语音数据都不会流出企业内网，满足金融、政务等敏感领域的数据安全要求。公有云部署模式下，平台会对用户上传的语音数据进行加密存储，用户可以自行设置数据的留存时间，也可以选择处理完成后立即删除数据，平台不会将用户的语音数据用于自身模型的训练，用户数据的所有权归上传用户所有。
如果调用API出现错误该怎么排查问题？
首先可以查看API返回的错误码和错误信息，平台文档中对所有错误码都有详细的说明和对应的解决方法，常见的参数错误、权限错误、额度不足等问题都可以通过错误码快速定位。如果按照文档说明无法解决，可以在控制台的调用日志中查看具体的请求参数和返回结果，排查是否是请求格式或者音频格式不符合要求。如果仍无法解决，可以提交工单联系技术支持，提交工单时需要提供对应的请求ID和报错截图，技术支持会在1-2个工作日内回复，付费企业用户可以获得专属的技术支持对接，响应速度更快。
Deepgram可以处理多长的音频文件？
离线文件处理模式下，单个音频文件最大支持2小时的时长，支持的音频格式包括MP3、WAV、FLAC、M4A等主流格式，若需要处理更长的音频文件，可以将文件切割为2小时以内的分段分别上传处理，平台提供对应的拼接工具可以将多个分段的识别结果自动拼接为完整的文本。实时流处理模式下，单条连接最长支持24小时的持续流传输，适合长时间的会议直播、直播字幕生成等场景，超过24小时可以重新建立连接继续处理。
开始使用 Deepgram
从官方入口了解最新功能与使用方式。
由 Toolifai 编辑维护
欢迎产品方补充截图、功能介绍与官方资料。更新和纠错由编辑审核后发布。
