Deepgram已成为语音识别领域备受青睐的初创公司之一，如今这家资金充裕的公司宣布推出其全新的实时文本转语音API Aura。Aura将高度逼真的语音模型与低延迟API相结合，使开发者能够构建实时的对话式AI代理；这些代理依托大型语言模型（LLM），可在呼叫中心及其他面向客户的场景中替代人工客服。
正如 Deepgram 联合创始人兼首席执行官 Scott Stephenson 所言，长期以来人们就可以获得优质的语音模型，但这些模型成本高昂且计算耗时较长。与此同时，低延迟的模型往往听起来机械呆板。Deepgram 的 Aura 结合了类人语音模型，渲染速度极快（通常在不到半秒内完成），并且正如 Stephenson 反复强调的那样，其价格低廉。
“现在每个人都在说：‘嘿，我们需要能够感知所说话语、理解内容并生成响应的实时语音 AI 机器人——然后它们还能把回答说出来，’”他说。在他看来，要使这类产品对企业具有价值，需要结合准确性（他称其为此类服务的基本门槛）、低延迟和可接受的成本，尤其是在访问大型语言模型（LLMs）成本相对较高的情况下。
Deepgram指出，Aura目前的定价为每千字符0.015美元，几乎优于所有竞争对手。这一价格与Google为其WaveNet语音设定的每千字符0.016美元以及Amazon Polly的Neural语音每千字符0.016美元相差无几，但确实更便宜；不过，Amazon的最高层级定价则显著更高。
Stephenson 在谈及 Deepgram 构建产品的整体方法时表示：“你必须在所有[细分市场]中达到一个非常有竞争力的价格点，但同时你还必须具备惊人的低延迟、高速率以及出色的准确性。因此，要做到这一点非常困难。”“但这是我们从一开始就专注的方向，这也是为什么我们在发布任何产品之前花了四年时间进行开发的原因，因为我们一直在构建实现这一目标的基础设施。”
目前Aura提供大约十余款语音模型，均由Deepgram与配音演员共同创建的数据集训练而成。Aura模型与公司其他所有模型一样，均为内部训练。以下是其效果示例：
您可以在此处试用Aura的演示。我进行了短暂测试，尽管偶尔会出现一些奇怪的发音，但其速度令人印象深刻，加之Deepgram现有的高质量语音转文本模型，整体表现尤为突出。为凸显其响应生成速度，Deepgram指出了模型开始说话所需的时间（通常不到0.3秒）以及LLM完成响应生成所需的时间（通常略低于一秒）。
Deepgram 获得新资金以扩大其企业级语音识别业务