डीपग्राम उद्योग का अग्रणी वॉयस एआई एपीआई प्लेटफॉर्म है, जो एपीआई के एकीकृत सेट के माध्यम से रीयल-टाइम स्पीच रिकग्निशन (एसटीटी), टेक्स्ट-टू-स्पीच (टीटीएस), वॉयस एजेंट ऑर्केस्ट्रेशन और ऑडियो इंटेलिजेंस विश्लेषण प्रदान करता है। नोवा-3 मॉडल 300 एमएस से कम की ट्रांसक्रिप्शन विलंबता के साथ 50+ भाषाओं का समर्थन करता है; फ्लक्स कन्वर्सेशनल मॉडल में बिल्ट-इन टर्न डिटेक्शन है; और ऑरा-2 टीटीएस विलंबता 200ms से कम है। प्लेटफ़ॉर्म SOC 2, HIPAA, GDPR प्रमाणित है, और एंटरप्राइज़-स्तर के ग्राहकों में ट्विलियो, क्लाउडफ़ेयर, सिएरा और बहुत कुछ शामिल हैं।

डीपग्राम एपीआई का व्यापक विश्लेषण: यूनिफाइंग स्पीच एआई इंफ्रास्ट्रक्चर

मुख्य पैरामीटर और आँकड़े

आयाम	विशेष विवरण
उत्पाद स्थिति	यूनिफाइड वॉयस एआई एपीआई प्लेटफॉर्म (एसटीटी/टीटीएस/वॉयस एजेंट/ऑडियो इंटेलिजेंस)
डिलीवरी फॉर्म	क्लाउड एपीआई (सार्वजनिक क्लाउड/निजी क्लाउड/स्वयं-होस्टेड) ​​
बेस मॉडल	नोवा-3 (यूनिवर्सल ट्रांसक्रिप्शन, 50+ भाषाएँ), फ्लक्स (संवादात्मक एसटीटी, 10 भाषाएँ), ऑरा-2 (टीटीएस, 40+ अंग्रेजी भाषण)
एसटीटी विलंबता	लाइव स्ट्रीमिंग <300 एमएस (नोवा-3), फ्लक्स बिल्ट-इन टर्न डिटेक्शन
टीटीएस विलंबता	स्ट्रीमिंग <200ms (औरा-2)
समर्थित भाषाएँ	एसटीटी 50+ भाषाएं, टीटीएस मुख्य रूप से अंग्रेजी (कई उच्चारणों सहित)
सुरक्षा अनुपालन	एसओसी 2 टाइप 1 और 2, एचआईपीएए (हस्ताक्षरित बीएए), जीडीपीआर, सीसीपीए, पीसीआई
तैनाती विधि	सार्वजनिक क्लाउड एपीआई, निजी क्लाउड/एकल-किरायेदार वीपीसी, स्थानीय स्व-होस्टिंग
गिटहब संगठन	658 अनुयायी, 115 रिपॉजिटरी, 450+ सितारे (पायथन एसडीके)
कंपनी की स्थापना	2015, मुख्यालय सैन फ्रांसिस्को, यूएसए में
वित्तीय स्थिति	जनवरी 2026 में $130M सीरीज़ C पूरी की, जिसका मूल्य $1.3B (यूनिकॉर्न)
नवीनतम संस्करण	2026.07 — फ्लक्स बहुभाषी + वॉयस एजेंट एपीआई जीए

पैरामीटर व्याख्या: डीपग्राम की मुख्य प्रतिस्पर्धी बाधाएं तीन "एकीकरणों" में परिलक्षित होती हैं - एक एकीकृत एपीआई प्रवेश द्वार (एकल वॉयस एजेंट एपीआई एसटीटी/एलएलएम/टीटीएस को एकीकृत करता है), एक एकीकृत स्ट्रीमिंग इंफ्रास्ट्रक्चर (एसटीटी और टीटीएस एक ही स्ट्रीमिंग पाइपलाइन साझा करते हैं, हैंडशेक देरी को कम करते हैं), और एक एकीकृत परिनियोजन समाधान (एक ही एपीआई सार्वजनिक क्लाउड, निजी क्लाउड या स्थानीय में चल सकता है)। यह वास्तुशिल्प डिज़ाइन एंड-टू-एंड वॉयस इंटरैक्शन के पूर्ण-लिंक विलंब को उद्योग में सबसे निचले स्तरों में से एक तक संपीड़ित करने में सक्षम बनाता है। डेवलपर्स के लिए, इसका मतलब है कि कई सेवा प्रदाताओं के बीच एसटीटी, एनएलयू और टीटीएस की तीन स्वतंत्र प्रणालियों को विभाजित करने की कोई आवश्यकता नहीं है। एक एपीआई कुंजी वॉयस इनपुट से वॉयस आउटपुट तक की प्रक्रिया को पूरा कर सकती है।

उपयोगकर्ता और बाज़ार की पहचान

एंटरप्राइज़-स्तरीय ग्राहक कवरेज: डीपग्राम की ग्राहक सूची में कई उद्योगों की अग्रणी कंपनियां शामिल हैं, जिनमें ट्विलियो (संचार अवसंरचना), क्लाउडफ्लेयर (एज कंप्यूटिंग), सिएरा (एंटरप्राइज़ एआई एजेंट), क्रेस्टा (ग्राहक सेवा इंटेलिजेंस), कोरे.एआई (एंटरप्राइज़ संवाद एआई), डेली (वास्तविक समय संचार ढांचा), वापी (वॉयस एजेंट प्लेटफ़ॉर्म), ग्रेनोला (मीटिंग नोट्स), जैक इन द बॉक्स (फास्ट फूड चेन), आदि शामिल हैं। उत्पाद पृष्ठ दिखाता है इसके ग्राहक संपर्क केंद्र, स्वास्थ्य सेवा, मीडिया, वित्तीय सेवाओं और अन्य क्षेत्रों तक फैले हुए हैं।

डेवलपर समुदाय: GitHub संगठन के 658 अनुयायी हैं, और आधिकारिक SDK में पायथन (450 स्टार), जावास्क्रिप्ट/टाइपस्क्रिप्ट (268 स्टार), गो (87 स्टार), .NET (53 स्टार), जावा (8 स्टार), और रस्ट (66 स्टार) शामिल हैं। समुदाय डिस्कॉर्ड और गिटहब चर्चाओं में सक्रिय है, और आधिकारिक तकनीकी दस्तावेज एपीआई प्लेग्राउंड और नमूना कोड लाइब्रेरी प्रदान की जाती है।

बाज़ार की पहचान: जनवरी 2026 में, इसने 1.3 बिलियन अमेरिकी डॉलर के मूल्यांकन के साथ 130 मिलियन अमेरिकी डॉलर सीरीज़ सी वित्तपोषण पूरा किया और प्रसिद्ध निवेश संस्थानों के नेतृत्व में यूनिकॉर्न शिविर में प्रवेश किया। इसी अवधि के दौरान, इसने ऑफवन (ड्राइव-इन रेस्तरां के लिए एक वॉयस एआई कंपनी) का अधिग्रहण किया, जो ऊर्ध्वाधर परिदृश्यों में इसकी विस्तार महत्वाकांक्षाओं को दर्शाता है। रॉयटर्स, सिलिकॉनएंगल और फोर्ब्स जैसे उद्योग मीडिया ने इस पर रिपोर्ट दी है।

लागत लाभ

सी-साइड/व्यक्तिगत डेवलपर

डीपग्राम $200 निःशुल्क क्रेडिट प्रदान करता है, और आप क्रेडिट कार्ड को बाध्य किए बिना इसे पंजीकृत और उपयोग कर सकते हैं। सभी सार्वजनिक मॉडल समापन बिंदुओं को निःशुल्क कोटा के भीतर अनुभव किया जा सकता है। यह व्यक्तिगत डेवलपर्स के लिए प्रोटोटाइप सत्यापन, छोटे पैमाने पर प्रयोग या शिक्षण एकीकरण करने के लिए उपयुक्त है।

एपीआई/डेवलपर स्तर

बिलिंग मॉडल पे-एज़-यू-गो है, और वार्षिक पैकेजों की पूर्व-खरीद का समर्थन करता है (विकास योजना, 20% तक छूट के साथ):

वाक् पहचान (एसटीटी) मूल्य तुलना:

मॉडल	पे-एज़-यू-गो (स्ट्रीमिंग/मिनट)	विकास (स्ट्रीमिंग/मिनट)	पे-एज़-यू-गो (पूर्व-रिकॉर्ड/घंटा)	वृद्धि (पूर्व-रिकॉर्ड/घंटा)
फ्लक्स अंग्रेजी	$0.0065/मिनट	$0.0057/मिनट	$0.0077/मिनट	$0.0065/मिनट
फ्लक्स बहुभाषी	$0.0078/मिनट	$0.0068/मिनट	उपरोक्त के समान	उपरोक्त के समान
नोवा-3 मोनोलिंगुअल	$0.0048/मिनट	$0.0042/मिनट	$0.0077/मिनट	$0.0065/मिनट
नोवा-3 बहुभाषी	$0.0058/मिनट	$0.0050/मिनट	$0.0092/मिनट	$0.0078/मिनट
कस्टम	बिक्री से संपर्क करें	बिक्री से संपर्क करें	बिक्री से संपर्क करें	बिक्री से संपर्क करें

एसटीटी अतिरिक्त कार्य: संवेदनशील सूचना डिसेन्सिटाइजेशन (रेडेक्शन) $0.0020/मिनट, कीवर्ड एन्हांसमेंट (कीटर्म प्रॉम्प्टिंग) $0.0013/मिनट, स्पीकर पृथक्करण (डायराइजेशन) $0.0020/मिनट; स्मार्ट फ़ॉर्मेटिंग निःशुल्क शामिल है.

वाक् संश्लेषण (टीटीएस) मूल्य:

मॉडल	भुगतान-जैसा-आप-जाओ	विकास
आभा-2	$0.030/1k ​​अक्षर	$0.027/1k अक्षर
आभा-1	$0.015/1k अक्षर	$0.0135/1k अक्षर

वॉयस एजेंट एपीआई मूल्य (सभी सम्मिलित):

पैकेज	भुगतान-जैसा-आप-जाओ	विकास
मानक (डीपग्राम पूर्ण स्टैक)	$0.075/मिनट ($4.50/घंटा)	$0.068/मिनट
मानक - बीवाईओ टीटीएस	$0.065/मिनट	$0.051/मिनट
कस्टम - बीवाईओ एलएलएम + टीटीएस	$0.050/मिनट	$0.041/मिनट
उन्नत	$0.163/मिनट	$0.146/मिनट

ऑडियो इंटेलिजेंस: सारांश पीढ़ी $0.0003-$0.0006/1k टोकन (इनपुट/आउटपुट), विषय का पता लगाना, भावना विश्लेषण और इरादे की पहचान मूल्य निर्धारण में शामिल है।

उद्यम/निजीकरण स्तर

एंटरप्राइज़ संस्करण की कीमत मांग के आधार पर तय की गई है, कृपया पुष्टि के लिए बिक्री टीम से संपर्क करें। निम्नलिखित विभेदित क्षमताओं का समर्थन करता है: कस्टम मॉडल प्रशिक्षण, एकल-किरायेदार वीपीसी परिनियोजन, स्थानीय स्व-होस्टेड, HIPAA BAA हस्ताक्षर, उच्च समवर्ती सीमाएँ, और विशेष SLA। उच्च-उपयोग परिदृश्यों के लिए, जो प्रति माह औसतन हजारों घंटे से अधिक ऑडियो सुनाते हैं, एंटरप्राइज़ अनुबंधों को अक्सर विकास मूल्य पर अतिरिक्त छूट मिलती है।

छिपी हुई लागत युक्ति: डीपग्राम साइलेंस सेगमेंट का बिल नहीं देता है या ऑडियो अवधि को पूरा नहीं करता है, और वास्तविक प्रभावी लागत मूल अवधि के आधार पर अपेक्षा से कम हो सकती है। हालाँकि, अतिरिक्त फ़ंक्शंस (डिसेन्सिटाइज़ेशन, कीवर्ड एन्हांसमेंट, स्पीकर सेपरेशन) को स्वतंत्र रूप से बिल किया जाता है, और जब संयोजन में कई अतिरिक्त फ़ंक्शंस का उपयोग किया जाता है, तो एकल ट्रांसक्रिप्शन लागत में काफी वृद्धि होगी।

मुख्य कार्य

• वास्तविक समय वाक् पहचान (स्ट्रीमिंग एसटीटी): वेबसॉकेट के माध्यम से ऑडियो स्ट्रीमिंग, नोवा-3 मॉडल 300ms से कम की देरी के साथ मध्यवर्ती परिणाम देता है, और टर्न-टर्न डिटेक्शन और स्वचालित वाक्य विभाजन का समर्थन करता है। वास्तविक समय के वार्तालाप परिदृश्यों के लिए उपयुक्त, जिनमें कम-विलंबता प्रतिक्रिया की आवश्यकता होती है, जैसे वॉयस असिस्टेंट और ऑनलाइन ग्राहक सेवा।

• पूर्व-रिकॉर्डेड ऑडियो ट्रांसक्रिप्शन (पूर्व-रिकॉर्डेड एसटीटी): REST API ऑडियो फ़ाइलें सबमिट करता है (मल्टी-चैनल का समर्थन करता है)। नोवा-3 50+ भाषाओं का समर्थन करता है, और बैच प्रोसेसिंग गति प्रतिस्पर्धी उत्पादों की तुलना में 40 गुना तक है। पॉडकास्टिंग, कॉन्फ़्रेंस रिकॉर्डिंग और कॉल सेंटर गुणवत्ता निरीक्षण जैसे गैर-वास्तविक समय परिदृश्यों के लिए उपयुक्त।

• कन्वर्सेशनल स्पीच रिकॉग्निशन (फ्लक्स): एक पहचान मॉडल जो विशेष रूप से वॉयस एजेंटों के लिए डिज़ाइन किया गया है, जिसमें अंतर्निहित प्राकृतिक टर्न-ऑफ-थॉट डिटेक्शन (एंड-ऑफ-थॉट डिटेक्शन) और रुकावट प्रोसेसिंग (बार्ज-इन) है, बिना वीएडी (वॉयस एक्टिविटी डिटेक्शन) बाहरी घटकों पर भरोसा किए। जुलाई 2026 में बहु-भाषा संस्करण उपलब्ध होने के साथ, 10 भाषाओं का समर्थन करता है।

• टेक्स्ट टू स्पीच (ऑरा-2 टीटीएस): 200 एमएस से कम की विलंबता के साथ तंत्रिका नेटवर्क भाषण संश्लेषण को स्ट्रीम करना, 40+ अंग्रेजी आवाजें (अमेरिकी, ब्रिटिश, ऑस्ट्रेलियाई और अन्य लहजे सहित) प्रदान करना, और संदर्भ-जागरूक भाषण गति और भावना समायोजन का समर्थन करना। डीपग्राम प्रॉम्प्टिंग तकनीक के साथ अपनी उच्चारण शैली को बेहतर बनाएं।

• यूनिफाइड वॉयस एजेंट एपीआई: सिंगल एपीआई एसटीटी → एलएलएम ऑर्केस्ट्रेशन → टीटीएस पूर्ण लिंक को एकीकृत करता है, जो बीवाईओ एलएलएम (ओपनएआई, एंथ्रोपिक, आदि) और बीवाईओ टीटीएस का समर्थन करता है। सत्रों में अंतर्निहित फ़ंक्शन कॉल, इंटेंट रूटिंग और डायनामिक कॉन्फ़िगरेशन स्विचिंग। निर्धारित मूल्य $4.50/घंटा सभी समावेशी।

• ऑडियो इंटेलिजेंट विश्लेषण: हल्के विशेष मॉडलों के आधार पर सारांश निर्माण, भावना विश्लेषण (तीन-स्तरीय शब्द/वाक्य/संवाद), इरादे की पहचान और विषय का पता लगाने की सुविधा प्रदान करता है। महंगे सामान्य-उद्देश्य वाले बड़े भाषा मॉडल का उपयोग किए बिना वार्तालाप ऑडियो से संरचित अंतर्दृष्टि निकालें।

• उन्नत प्रतिलेखन संवर्द्धन: स्पीकर पृथक्करण (डायराइजेशन) स्वचालित रूप से चिह्नित करता है कि किसने कब बात की; स्वचालित विराम चिह्न/बड़े अक्षरों का प्रयोग/संख्या फ़ॉर्मेटिंग (स्मार्ट फ़ॉर्मेटिंग); कीवर्ड एन्हांसमेंट (कीटर्म प्रॉम्पटिंग) विशिष्ट क्षेत्रों में शब्दों की पहचान और याद रखने की दर को 90% तक बढ़ा सकता है; संवेदनशील सूचना असंवेदनीकरण (रेडेक्शन) सामाजिक सुरक्षा नंबर और क्रेडिट कार्ड नंबर जैसे पीआईआई को स्वचालित रूप से हटा देता है; फिलर शब्द प्रतिलेखन (फिलर शब्द) "उम" और "आह" जैसे बोले गए चिह्नों को बरकरार रखता है।

विशेषज्ञ दृष्टिकोण: डीपग्राम की उत्पाद श्रृंखलाओं के बीच महत्वपूर्ण तालमेल हैं - एसटीटी के आउटपुट का उपयोग ऑडियो इंटेलिजेंस में सीधे इनपुट के रूप में किया जा सकता है, और ऑडियो इंटेलिजेंस के सारांश का उपयोग स्वचालित भाषण रिपोर्ट पीढ़ी के लिए टीटीएस में इनपुट के रूप में किया जा सकता है। वॉयस एजेंट एपीआई एलएलएम ऑर्केस्ट्रेशन परत के माध्यम से एसटीटी और टीटीएस को एंड-टू-एंड वॉयस वार्तालाप पाइपलाइन में जोड़ता है, इसलिए डेवलपर्स को स्ट्रीमिंग ऑडियो के सिंक्रनाइज़ेशन, कोडेक और कनेक्शन प्रबंधन को अलग से संभालने की आवश्यकता नहीं होती है। यह "अधिग्रहण-समझ-पीढ़ी" क्षमता डीपग्राम को न केवल एपीआई का एक संग्रह बनाती है, बल्कि एक संपूर्ण वॉयस एआई ऑपरेटिंग सिस्टम बनाती है।

मॉडल और संस्करण विकास

मेनलाइन रिलीज़

• 2025.02 - फ्लक्स कन्वर्सेशनल एसटीटी: पहली बार, पारंपरिक स्वतंत्र वीएडी घटकों को अलविदा कहते हुए, टर्न डिटेक्शन को सीधे ध्वनिक मॉडल में एम्बेड किया गया है। अंग्रेजी एकल भाषा का समर्थन करता है और वास्तविक समय वॉयस एजेंट परिदृश्यों पर केंद्रित है।
• 2025.04 - ऑरा-2 टीटीएस: दूसरी पीढ़ी का तंत्रिका नेटवर्क भाषण संश्लेषण मॉडल, 40+ अंग्रेजी आवाजें, विलंबता <200 एमएस। ऑरा-1 की तुलना में, पेशेवर शब्दों (चिकित्सा शर्तों, वित्तीय शर्तों) की उच्चारण सटीकता, स्वाभाविकता और प्रसंस्करण में काफी सुधार हुआ है।
• 2026.01 — नोवा-3 जीए: तीसरी पीढ़ी का यूनिवर्सल ट्रांसक्रिप्शन मॉडल आधिकारिक तौर पर व्यावसायिक रूप से उपलब्ध है। पिछली पीढ़ी के नोवा-2 की तुलना में, उचित संज्ञाओं (जैसे उत्पाद के नाम, लोगों के नाम, स्थान के नाम) की पहचान में काफी सुधार हुआ है। कीटर्म प्रॉम्प्टिंग के साथ, विशिष्ट शब्दों की पहचान सटीकता को 10% से 90% से अधिक तक बढ़ाया जा सकता है। 50 से अधिक भाषाओं का समर्थन करता है, और तेज़ शोर वाले वातावरण में इसकी मजबूती में काफी सुधार हुआ है।
• 2026.06 - फ्लक्स बहुभाषी + वॉयस एजेंट एपीआई जीए: फ्लक्स का विस्तार 10 भाषाओं (अंग्रेजी/स्पेनिश/जर्मन/फ्रेंच/हिंदी/रूसी/पुर्तगाली/जापानी/इतालवी/डच) तक हुआ। वॉयस एजेंट एपीआई को आधिकारिक तौर पर व्यावसायीकरण किया गया है, जो डीपग्राम के एकल एपीआई से पूर्ण-स्टैक वॉयस एआई प्लेटफॉर्म में परिवर्तन में एक महत्वपूर्ण नोड को चिह्नित करता है।
• 2026.07 - निरंतर पुनरावृत्ति: सीएलआई उपकरण, स्व-होस्ट किए गए संसाधन एपीआई विनिर्देश और अन्य बुनियादी ढांचे को लगातार अद्यतन किया जाता है, और गिटहब संगठन के तहत 115 गोदाम अत्यधिक सक्रिय रहते हैं।

उम्मीदवार का सत्यापन

डीपग्राम एक कस्टम मॉडल प्रशिक्षण सेवा भी प्रदान करता है, जो एंटरप्राइज़ उपयोगकर्ताओं को किनारे के दृश्यों की पहचान सटीकता को और बेहतर बनाने के लिए मालिकाना डेटा सेट के आधार पर नोवा -3 मॉडल को ठीक करने की अनुमति देता है। इस सेवा के लिए डेटा वॉल्यूम और परिदृश्य आवश्यकताओं का मूल्यांकन करने के लिए बिक्री टीम से संपर्क करना आवश्यक है।

तकनीकी लाभ

एंड-टू-एंड डीप लर्निंग आर्किटेक्चर: डीपग्राम ने 2015 में अपनी स्थापना के बाद से एंड-टू-एंड डीप लर्निंग (पारंपरिक ध्वनिक मॉडल + भाषा मॉडल पाइपलाइन के बजाय) को अपनाया है, और एक एकल डीप न्यूरल नेटवर्क के माध्यम से सीधे ऑडियो तरंगों से टेक्स्ट तक मैपिंग सीखता है। इस आर्किटेक्चर का लाभ यह है कि यह पारंपरिक पाइपलाइन में मॉड्यूल के बीच सूचना हानि को समाप्त करता है, और मॉडल अनुमान के लिए प्रासंगिक जानकारी का पूरी तरह से उपयोग कर सकता है।

एकीकृत स्ट्रीमिंग इंफ्रास्ट्रक्चर: एसटीटी और टीटीएस एक ही स्ट्रीमिंग इंफ्रास्ट्रक्चर पर चलते हैं, वेबसॉकेट कनेक्शन प्रबंधन, ऑडियो कोडेक और स्ट्रीमिंग बफर शेड्यूलिंग साझा करते हैं। इसका सीधा प्रभाव यह होता है कि जब एसटीटी ऑडियो को टेक्स्ट टीटीएस में परिवर्तित करता है और फिर उत्तर टेक्स्ट को आवाज में परिवर्तित करता है, तो बीच में विभिन्न सेवाओं के बीच नेटवर्क कनेक्शन स्विच करने की आवश्यकता नहीं होती है, और एंड-टू-एंड वॉयस संचार में देरी न्यूनतम हो जाती है।

कम विलंबता इंजन: उत्पाद पृष्ठ का दावा है कि नोवा-3 के वास्तविक समय प्रतिलेखन मध्यवर्ती परिणाम 300ms से कम में लौटाए जा सकते हैं, और ऑरा-2 का पहला ऑडियो बाइट 200ms से कम में आ सकता है। मापे गए डेटा (फोनली सीईओ की सार्वजनिक टिप्पणियों से) से पता चलता है कि ऑरा-2 की एंड-टू-एंड विलंबता आमतौर पर 200ms से कम है, जो अन्य मुख्यधारा टीटीएस प्रदाताओं की तुलना में 2-4 गुना तेज है। वॉयस एजेंट परिदृश्यों के लिए यह कम विलंबता महत्वपूर्ण है - मानव कान 300ms से ऊपर विलंबता को समझ सकता है, जिसके नीचे एक प्राकृतिक वार्तालाप लय प्राप्त की जा सकती है।

विशेष कार्य मॉडल बनाम सामान्य प्रयोजन बड़े मॉडल: ऑडियो इंटेलिजेंस फ़ंक्शन सारांश, भावना, इरादे और विषय के चार आयामों में उच्च डोमेन सटीकता और कम तर्क लागत प्राप्त करने के लिए हल्के, कार्य-विशिष्ट छोटे मॉडल (सामान्य प्रयोजन बड़े भाषा मॉडल के बजाय) का उपयोग करता है। उत्पाद पृष्ठ यह स्पष्ट करता है कि ये मॉडल डोमेन वार्तालाप डेटा पर ठीक-ठाक हैं और इसलिए समान लागत वाले सामान्य-उद्देश्य वाले एलएलएम समाधानों की तुलना में विशिष्ट कार्यों (जैसे ग्राहक सेवा वार्तालाप सारांश) के लिए अधिक सटीक हैं।

लचीला परिनियोजन टोपोलॉजी: सार्वजनिक क्लाउड एपीआई → निजी क्लाउड/एकल-किरायेदार वीपीसी → स्थानीय स्व-होस्टिंग, प्रोटोटाइप सत्यापन से लेकर सख्त अनुपालन उद्यमों तक सभी परिनियोजन आवश्यकताओं को कवर करता है। स्व-होस्टेड समाधान डॉकर/कुबेरनेट्स पर आधारित है और एक संपूर्ण हेल्म चार्ट और परिनियोजन स्क्रिप्ट प्रदान करता है (GitHub: स्व-होस्टेड-संसाधन, 39 सितारे)।

कैसे उपयोग करें

पंजीकरण और एपीआई कुंजी

1. खाता पंजीकृत करने के लिए कंसोल.दीपग्राम.कॉम पर जाएं।
2. $200 निःशुल्क क्रेडिट प्राप्त करने के लिए पंजीकरण करें, क्रेडिट कार्ड बांधने की कोई आवश्यकता नहीं है।
3. कंसोल में एक एपीआई कुंजी बनाएं और आवश्यक अनुमतियां (एसटीटी/टीटीएस/एजेंट/इंटेलिजेंस) चुनें।
4. REST API, WebSocket या आधिकारिक SDK के माध्यम से अनुरोध आरंभ करें।

त्वरित कॉल उदाहरण

पायथन: रीयल-टाइम वाक् पहचान (वेबसॉकेट):

डीपग्राम से डीपग्राम आयात करें
एसिंसियो आयात करें

dg_client = डीपग्राम('<YOUR_API_KEY>')

async def transcribe_stream():
    # नोवा-3 मॉडल का उपयोग करके वास्तविक समय स्ट्रीमिंग ट्रांसक्रिप्शन
    कनेक्शन = प्रतीक्षा dg_client.transscription.live(
        {"मॉडल": "नोवा-3", "भाषा": "एन-यूएस", "स्मार्ट_फॉर्मेट": सत्य}
    )
    async def on_message(स्वयं, परिणाम, **kwargs):
        प्रिंट(परिणाम.चैनल.विकल्प[0].प्रतिलेख)
    कनेक्शन.ऑन("प्रतिलेख", on_message)

asyncio.run(transcribe_stream())

curl: पहले से रिकॉर्ड किया गया ऑडियो ट्रांस्क्रिप्शन:

कर्ल -एक्स पोस्ट https://api.depgram.com/v1/listen、model=nova-3&smart_format=true \
  -एच "प्राधिकरण: टोकन <आपका_एपीआई_KEY>" \
  -H "सामग्री-प्रकार: ऑडियो/wav" \
  --डेटा-बाइनरी @audio.wav

कर्ल: टेक्स्ट टू स्पीच (आभा-2):

कर्ल -एक्स पोस्ट https://api.depgram.com/v1/speak、model=aura-2-odysseus-en \
  -एच "प्राधिकरण: टोकन <आपका_एपीआई_KEY>" \
  -एच "सामग्री-प्रकार: एप्लिकेशन/जेसन" \
  -d '{"text": "हैलो, डीपग्राम वॉयस एआई में आपका स्वागत है।"}' \
  --आउटपुट स्पीच.mp3

वॉयस एजेंट एपीआई कॉन्फ़िगरेशन: वेबसॉकेट के माध्यम से wss://agent.depgram.com/agent से कनेक्ट करें और सत्र शुरू करने के लिए एजेंट कॉन्फ़िगरेशन (एलएलएम चयन, सिस्टम प्रॉम्प्ट वर्ड टीटीएस वॉयस) वाला एक JSON संदेश भेजें। संपूर्ण उदाहरण के लिए, आधिकारिक दस्तावेज़ीकरण देखें।

उपलब्ध एसडीके

डीपग्राम आधिकारिक एसडीके प्रदान करता है: पायथन, जावास्क्रिप्ट/टाइपस्क्रिप्ट, गो, .NET, जावा (रस्ट का सामुदायिक संस्करण भी उपलब्ध है)। सभी SDK github.com/depgram पर खुले स्रोत हैं। इसके अलावा, आधिकारिक सीएलआई टूल टर्मिनल से सीधे एसटीटी/टीटीएस/ऑडियो स्मार्ट फ़ंक्शन को कॉल करने का समर्थन करता है।

उत्पाद का मूल्य निर्धारण

भुगतान किया गया मॉडल सारांश:

स्तर	लागू वस्तुएं	भुगतान विधि	आरंभिक स्थितियाँ
निःशुल्क कोटा	व्यक्तिगत डेवलपर, प्रोटोटाइप सत्यापन	$200 बोनस	पाने के लिए रजिस्टर करें
भुगतान-जैसा-आप-जाओ	छोटी और मध्यम आकार की टीमें, बढ़ते अनुप्रयोग	जैसे ही जाओ भुगतान करो, कोई न्यूनतम खपत नहीं	बोनस समाप्त होने के बाद स्वचालित रूप से स्विच करें
विकास	मध्यम से उच्च उपयोग वाले अनुप्रयोग	वार्षिक योजना प्री-ऑर्डर करें (20% बचाएं)	$4K+/वर्ष
उद्यम	बड़े उपयोग, अनुपालन आवश्यकताएँ, अनुकूलन आवश्यकताएँ	संपर्क बिक्री	व्यापार पुष्टि

निःशुल्क क्रेडिट विवरण: सभी सार्वजनिक एपीआई एंडपॉइंट (एसटीटी/टीटीएस/ऑडियो इंटेलिजेंस/एजेंट) के लिए $200 क्रेडिट उपलब्ध है। अप्रयुक्त बोनस समाप्त नहीं होते. पंजीकरण के लिए क्रेडिट कार्ड को बाध्य करने की कोई आवश्यकता नहीं है।

समवर्ती सीमा: पे-एज़-यू-गो 50 समवर्ती वेबसॉकेट 150 समवर्ती के अंतर्गत एसटीटी रेस्ट एपीआई; टीटीएस 45 संगामिति; वॉयस एजेंट 45 समवर्ती। ग्रोथ पैकेज को तदनुसार REST 50, WSS 225, TTS 60 और एजेंट 60 में अपग्रेड किया गया है। एंटरप्राइज़ उच्च संगामिति पर बातचीत कर सकता है।

अनुप्रयोग परिदृश्य

• संपर्क केंद्र और ग्राहक सेवा वॉयस एआई: वास्तविक समय में ग्राहक और एजेंट की बातचीत को ट्रांसक्राइब करें, स्वचालित रूप से कॉल सारांश उत्पन्न करने के लिए ऑडियो इंटेलिजेंस के साथ संयोजन करें, ग्राहकों की भावनाओं का पता लगाएं, इरादे की पहचान करें और विषय के आधार पर वर्गीकृत करें। विशिष्ट उपयोगकर्ताओं में स्ट्रीम इट, शार्पेन, क्रेस्टा, रेवेन्यू.आईओ शामिल हैं। सत्यापन फोकस: शोर-शराबे वाले कॉल सेंटर के माहौल में, क्या नोवा-3 का उच्चारण और शोर की मजबूती वास्तविक पहचान दर आवश्यकताओं को पूरा करती है; क्या कीटर्म प्रॉम्प्टिंग व्यवसाय-विशिष्ट शब्दावली को कवर कर सकता है।

• वॉयस एजेंट और कन्वर्सेशनल एआई: वॉयस एजेंट एपीआई के आधार पर एक एंड-टू-एंड वॉयस एआई एजेंट बनाएं, जिसका उपयोग टेकआउट ऑर्डरिंग (जैक इन द बॉक्स), ग्राहक सेवा (सिएरा, एयरकॉल) और मेडिकल अपॉइंटमेंट जैसे परिदृश्यों में किया जा सकता है। फ्लक्स की अंतर्निहित टर्न-टेकिंग डिटेक्शन और रुकावट हैंडलिंग बातचीत के अनुभव को वास्तविक-व्यक्ति की बातचीत के करीब बनाती है। सत्यापन फोकस: बीवाईओ एलएलएम मोड में, एलएलएम की प्रतिक्रिया में देरी शुरू से अंत तक देरी की बाधा बन जाएगी; एलएलएम चयन और डीपग्राम स्ट्रीमिंग पाइपलाइन की उपयुक्तता का मूल्यांकन करना आवश्यक है।

• मीडिया पॉडकास्टिंग और वीडियो कैप्शनिंग: पॉडकास्ट, वीडियो और लाइव स्ट्रीम के लिए कैप्शन और खोज अनुक्रमणिका उत्पन्न करने के लिए पूर्व-रिकॉर्ड किए गए एसटीटी (40x वास्तविक समय दरों तक) की उच्च गति बैच प्रसंस्करण क्षमताओं का लाभ उठाएं। स्पीकर पृथक्करण और इंटेलिजेंट फ़ॉर्मेटिंग के साथ, मैन्युअल प्रूफरीडिंग लागत काफी कम हो जाती है। सत्यापन के मुख्य बिंदु: क्या मल्टी-स्पीकर परिदृश्यों में डायराइजेशन की सटीकता उत्पादन मानकों को पूरा करती है; बहु-भाषा सामग्री के लिए, यह पुष्टि करना आवश्यक है कि लक्ष्य भाषा समर्थित सूची में है या नहीं।

• मेडिकल क्लिनिकल दस्तावेज़ीकरण: HIPAA-संगत एसटीटी एपीआई के माध्यम से क्लिनिकल बातचीत के वास्तविक समय प्रतिलेखन को सक्षम करता है, मेडिकल शब्दावली का समर्थन करता है (कीटर्म प्रॉम्प्टिंग के साथ बढ़ाया गया), और चिकित्सक कागजी कार्रवाई के बोझ को कम करता है। डीपग्राम उत्पाद पृष्ठ से पता चलता है कि पशु चिकित्सा क्षेत्र (टॉकाटू) में एक ग्राहक ने नोवा-3 के माध्यम से पेशेवर शब्द पहचान की सटीकता को 10% से 625% तक सुधार दिया है। सत्यापन के लिए मुख्य बिंदु: बीएए पर हस्ताक्षर होना चाहिए; चीनी चिकित्सा शब्दावली के समर्थन को स्वतंत्र रूप से सत्यापित करने की आवश्यकता है।

• भाषण विश्लेषण और एंटरप्राइज इंटेलिजेंस: ग्राहक सेवा रिकॉर्डिंग, बिक्री कॉल और मीटिंग रिकॉर्ड का बड़े पैमाने पर विश्लेषण करें, और ऑडियो इंटेलिजेंस के माध्यम से रुझान और पैटर्न निकालें। सामान्य प्रयोजन एलएलएम समाधानों की तुलना में, डीपग्राम का विशेष मॉडल 10-100 गुना सस्ता है और प्रति दिन लाखों मिनट के स्तर पर ऑडियो विश्लेषण के लिए उपयुक्त है। सत्यापन के मुख्य बिंदु: क्या सारांश/भावना/इरादे की सटीकता व्यावसायिक निर्णय लेने की आवश्यकताओं को पूरा करती है; क्या यह कस्टम वर्गीकरण प्रणाली का समर्थन करता है।

लागू लोग

• वॉयस एप्लिकेशन डेवलपर: बैकएंड इंजीनियर जिन्हें वॉयस असिस्टेंट, वॉयस ग्राहक सेवा या संवादात्मक एआई उत्पाद बनाने के लिए कम विलंबता, उच्च सटीकता वाले एसटीटी/टीटीएस एपीआई की आवश्यकता होती है। डीपग्राम का एसडीके मुख्यधारा की भाषाओं को कवर करता है, इसमें संपूर्ण दस्तावेज़ीकरण है, और एपीआई प्लेग्राउंड आपको तुरंत प्रभावों का अनुभव करने की अनुमति देता है। आवश्यकताएँ: REST API या WebSocket प्रोग्रामिंग क्षमताएँ हों; $200 बोनस एमवीपी सत्यापन पूरा करने के लिए पर्याप्त है।

• एआई एजेंट प्लेटफॉर्म और फ्रेमवर्क: वापी, डेली (पिपेकैट), कॉग्निगी और कोरे.एआई जैसे प्लेटफॉर्म-स्तरीय उत्पाद डीपग्राम की आवाज क्षमताओं को अपने प्लेटफॉर्म के मॉड्यूल के रूप में एम्बेड करते हैं। वॉयस एजेंट एपीआई की बीवाईओ एलएलएम क्षमताएं इन प्लेटफार्मों को अपनी पसंद के मॉडल बनाए रखने की अनुमति देती हैं। आवश्यकताएँ: उच्च संगामिति और एसएलए गारंटी के लिए एंटरप्राइज़-ग्रेड अनुबंध की आवश्यकता है।

• एंटरप्राइज़ संपर्क केंद्र और तकनीकी नेता: ग्राहक सेवा प्रणाली उन्नयन, कॉल गुणवत्ता विश्लेषण, या एआई एजेंटों की शुरूआत के लिए जिम्मेदार निर्णय-निर्माता। डीपग्राम की एसओसी 2/एचआईपीएए/जीडीपीआर अनुपालन प्रणाली और अमेज़ॅन कनेक्ट के साथ मूल एकीकरण उद्यम खरीद के लिए जोखिम सीमा को कम करता है। आवश्यकताएँ: निजी क्लाउड या स्वयं-होस्टेड परिनियोजन के लिए आमतौर पर 6-12 महीने के तकनीकी मूल्यांकन और पीओसी चक्र की आवश्यकता होती है।

• नए मीडिया और सामग्री निर्माता: उच्च-आवृत्ति भाषण-से-पाठ आवश्यकताओं (पॉडकास्ट ट्रांसक्रिप्ट, साक्षात्कार संकलन, वीडियो उपशीर्षक) वाली सामग्री टीमें। पहले से रिकॉर्ड की गई एसटीटी की बैच प्रोसेसिंग और स्मार्ट फ़ॉर्मेटिंग क्षमताओं के साथ घंटों के ऑडियो को मिनटों में संरचित दस्तावेज़ों में बदलें। आवश्यकताएँ: डॉकिंग टूल या स्व-विकसित एकीकरण स्क्रिप्ट की आवश्यकता है; चीनी समर्थन नोवा-3 बहुभाषी के माध्यम से उपलब्ध है, लेकिन सटीकता को मापने की आवश्यकता है।

• भीड़ के लिए उपयुक्त नहीं: ऐसी परियोजनाएं जिनमें बेहद कम बजट के साथ शुद्ध ऑफ़लाइन बल्क ट्रांसक्रिप्शन (कोई नेटवर्क निर्भरता नहीं) की आवश्यकता होती है (व्हिस्पर जैसे ओपन सोर्स समाधानों पर विचार करने की अनुशंसा की जाती है); उच्च-गुणवत्ता वाले टीटीएस परिदृश्य जिनमें चीनी भाषण संश्लेषण के उपयोग की आवश्यकता होती है (डीपग्राम का वर्तमान टीटीएस मुख्य रूप से अंग्रेजी में है, और चीनी आवाज समर्थन का खुलासा नहीं किया गया है, और इसे आधिकारिक दस्तावेजों के अधीन होने की आवश्यकता है); ऐसे परिदृश्य जिनमें वीडियो-स्तरीय अभिव्यंजक भावनात्मक भाषण की आवश्यकता होती है (जैसे गेम चरित्र डबिंग, ऑडियो पुस्तकें) - ऑरा-2 का उद्देश्य कलात्मक प्रदर्शन दृश्यों के बजाय पेशेवर संवाद दृश्य हैं।

सारांश और आउटलुक

डीपग्राम की मुख्य प्रतिस्पर्धात्मकता "फुल-स्टैक वॉयस एआई की एकीकृत डिलीवरी" में निहित है - यह एसटीटी, टीटीएस और एनएलयू क्षमताओं को एकीकृत करता है जिन्हें एपीआई के एक सेट में जोड़ा जाता था, और इस आधार पर यह एक कम-विलंबता स्ट्रीमिंग इंजन, विशेष ऑडियो बुद्धिमान मॉडल और लचीला तैनाती विकल्प जोड़ता है। 2026 की पहली छमाही में फ्लक्स बहुभाषी और वॉयस एजेंट एपीआई जीए की रिलीज दीपग्राम के "स्पीच रिकग्निशन एपीआई प्रदाता" से "वॉयस एआई ऑपरेटिंग सिस्टम प्लेटफॉर्म" में संक्रमण का प्रतीक है।

वर्तमान सीमाएँ और अनिश्चितताएँ:

• टीटीएस की आवाज विविधता अभी भी मुख्य रूप से अंग्रेजी में है। बहुभाषी टीटीएस के कवरेज और अनुप्रयोग प्रभावों का खुलासा नहीं किया गया है। गैर-अंग्रेज़ी बाज़ारों में ग्राहकों को उपलब्धता की पुष्टि करनी होगी।
• वॉयस एजेंट एपीआई के बीवाईओ एलएलएम मोड में, एंड-टू-एंड देरी बाहरी एलएलएम की प्रतिक्रिया गति द्वारा प्रतिबंधित है। डीपग्राम द्वारा दी गई $4.50/घंटा की आधिकारिक कीमत इसके अनुशंसित एलएलएम कॉन्फ़िगरेशन के उपयोग को मानती है।
• हालांकि चीनी जैसी एशियाई भाषाओं की एसटीटी सटीकता नोवा-3 बहुभाषी द्वारा समर्थित है, अंग्रेजी की तुलना में कम सार्वजनिक बेंचमार्क डेटा है, इसलिए संभावित उपयोगकर्ताओं को वास्तविक कॉर्पस परीक्षण करने की आवश्यकता है।
• स्व-होस्टेड परिनियोजन की संसाधन आवश्यकताएँ (GPU मॉडल, अनुमान नोड्स की संख्या) सार्वजनिक पृष्ठ पर स्पष्ट रूप से नहीं बताई गई हैं। हार्डवेयर अनुशंसाएँ प्राप्त करने के लिए आपको बिक्री से संपर्क करना होगा।
• ऑडियो इंटेलिजेंस का सारांश/भावना/आशय मॉडल वर्तमान में कस्टम प्रशिक्षण का समर्थन नहीं करता है। यदि किसी उद्यम में अत्यधिक लंबवत वर्गीकरण आवश्यकताएं हैं, तो उसे अतिरिक्त मैन्युअल नियमों की आवश्यकता हो सकती है।

खरीद और गोद लेने का जोखिम मूल्यांकन:

• छोटी और मध्यम आकार की टीमों के लिए, $200 के मुफ्त कोटा के साथ शुरुआत करने की सिफारिश की जाती है, पहले यह सत्यापित करें कि क्या मुख्य परिदृश्य (एसटीटी सटीकता, टीटीएस स्वाभाविकता, एंड-टू-एंड विलंबता) व्यवसाय बेसलाइन को पूरा करते हैं, और फिर आवश्यकतानुसार विकास योजना में अपग्रेड करें।
• एंटरप्राइज़-स्तरीय खरीद के लिए, तीन चीजों को पीओसी के माध्यम से सत्यापित किया जाना चाहिए: ① क्या तैनाती टोपोलॉजी (सार्वजनिक क्लाउड बनाम निजी क्लाउड बनाम स्व-होस्टेड) ​​अनुपालन मैट्रिक्स को पूरा करती है; ② प्रमुख परिदृश्यों की पहचान सटीकता (विशेष रूप से मालिकाना शब्दावली और शोर संदर्भ); ③ क्या वार्षिक टीसीओ बजट के भीतर है (अतिरिक्त सुविधा शुल्क, समवर्ती शिखर लागत और अतिरिक्त समर्थन के लिए मूल्य निर्धारण की पुष्टि करें)।
• डीपग्राम के उत्पाद पुनरावृत्ति लय (प्रमुख संस्करण के लिए लगभग 2-3 महीने) पर ध्यान दें, और अनुबंध में संस्करण उन्नयन और एपीआई परित्याग के लिए संक्रमण अवधि खंड शामिल करने की सिफारिश की गई है।

संबंधित उपकरण: elevenlabs, udio

संस्करण जानकारी

• फ्लक्स बहुभाषी + वॉयस एजेंट एपीआई जीए ：फ्लक्स बहुभाषी बहुभाषी संवादी वाक् पहचान मॉडल (10 भाषाएँ) लॉन्च किया गया, वॉयस एजेंट एपीआई आधिकारिक तौर पर व्यावसायिक रूप से उपलब्ध है ($4.50/घंटा), ऑरा-2 टीटीएस मॉडल ऑनलाइन है, और नोवा-3 डिफ़ॉल्ट उत्पादन ट्रांसक्रिप्शन मॉडल बन गया है （2026-06）
• नोवा-3 सामान्य उपलब्धता ：नोवा-3 मॉडल आधिकारिक तौर पर जारी किया गया है, जो उचित संज्ञा और शोर की पहचान सटीकता में उल्लेखनीय सुधार करता है, 50+ भाषाओं का समर्थन करता है, कीटर्म प्रॉम्प्टिंग कीवर्ड रिकॉल दर में 625% तक सुधार करता है। （2026-01）
• ऑरा-2 टेक्स्ट-टू-स्पीच लॉन्च ：ऑरा-2 टीटीएस मॉडल जारी किया गया, 40+ अंग्रेजी आवाजें, 200 एमएस से कम विलंबता, एंटरप्राइज़-स्तरीय संवाद परिदृश्यों के लिए अनुकूलित （2025-04）
• फ्लक्स कन्वर्सेशनल एसटीटी लॉन्च ：फ्लक्स कन्वर्सेशनल स्पीच रिकग्निशन मॉडल जारी किया गया, जिसमें बिल्ट-इन टर्न डिटेक्शन और रुकावट प्रोसेसिंग शामिल है, जिसे विशेष रूप से वास्तविक समय वॉयस एजेंट परिदृश्यों के लिए डिज़ाइन किया गया है। （2025-02）