Deepgram

Deepgram提供基于深度学习的语音识别（STT）和语音合成（TTS）API，能够以极低延迟处理流式音频，支持90多种语言和自动语言检测。其Nova-3等模型在嘈杂环境下仍保持高准确率，并具备说话人分割（diarization）功能。

优点：成本仅为每分钟0.0043美元，远低于OpenAI Whisper等竞品；提供Python SDK，支持同步和异步处理，集成简单；实时流式转录延迟低，适合对时效要求高的场景。

缺点和风险：作为云API，依赖网络连接，不适合需要完全本地部署的场景；免费额度有限，大量使用需付费；市场竞争激烈，新兴开源模型（如微软VibeVoice）可能形成替代威胁。

该平台已完成1.3亿美元C轮融资，估值13亿美元，并收购餐饮AI公司OfOne。适合需要将语音转文字功能集成到产品中的SaaS企业、媒体分析公司、呼叫中心等；不适合个人开发者仅作偶尔使用或预算极低的情况。