Deepgram

Deepgramは、深層学習による音声認識（STT）と音声合成（TTS）APIを提供し、ストリーミング音声を超低遅延で処理、90以上の言語と自動言語検出をサポート。Nova-3などのモデルは騒音下でも高精度を維持し、話者分離（diarization）も備えています。

利点：1分あたり0.0043ドルとOpenAI Whisperなどの競合より大幅に安価。Python SDKで同期・非同期処理が容易に統合可能。リアルタイムストリーミングの低遅延は時間制約の厳しいユースケースに最適。

欠点とリスク：クラウドAPIのためインターネット接続が必要で、完全オンプレミス展開には不向き。無料枠は限定的で、大量利用にはコストがかかる。MicrosoftのVibeVoiceなど新興オープンソースモデルとの競争が激化。

同社は1億3000万ドルのシリーズC資金調達で評価額13億ドルに達し、飲食AI企業OfOneを買収。音声テキスト変換を製品に組み込むSaaS企業、メディア分析、コールセンターに最適。個人開発者のたまの利用や極めて予算が限られる場合には不向き。