Deepgram AI语音识别与生成平台：三类能力如何分工
语音识别：处理已有录音或实时音频
Deepgram 的语音识别能力通过语音转文字接口支持预录音频处理和实时流式转写，可用于不同的音频接入流程。需要从音频中获取文字的团队，可以围绕这一能力开发转写服务。
- 实时字幕：将持续输入的语音转成可显示的文字。
- 客服通话转写：把通话音频转成文本，供后续业务流程使用。
- 批量音频处理：处理已有录音，并根据应用风险安排结果复核。
语音生成：通过文字转语音输出音频
Deepgram 的文字转语音能力可将输入文本合成为语音，适用于内容播报和应用中的语音回应。需要核对所选模型与接口支持的语言、音色及附加功能，不能将某一模型的能力套用到整个平台，也不应将语音合成理解为可以克隆任意人的声音。
Voice Agent API：构建语音输入与回应流程
Voice Agent API 用于构建能够接收语音输入并进行语音回应的智能体，适合语音助手、客服智能体及交互式语音应用。它与单独的转写或语音合成接口用途不同，端到端延迟还会受到网络、语音处理、语言模型及业务系统响应的共同影响。
适用人群与接入边界
- 开发实时字幕或转写服务的工程师，可重点评估音频接入方式与识别结果复核流程。
- 需要语音合成的应用开发者，可重点核对语言、音色和接口配置。
- 构建语音助手与客服智能体的团队，应评估完整交互链路，而非只看单项语音能力。
- 需要处理大量音频的企业技术团队，生产接入前应核对调用限额、当前价格及数据处理条款。
语音识别仍可能出现错字、漏词或说话人区分错误。三类能力的接口、模型、计费方式和配置要求需要分别确认，不能用某一接口的条件推断其他接口。
