Deepgram

Was es ist

Deepgram ist die Sprachschicht, auf der viele Voice-Support-Stacks laufen, ohne dass ihre Käufer es wissen. Das Unternehmen verkauft Speech-to-Text (die Nova-3-Familie für Transkription und Flux für Echtzeit-Gespräche), Text-to-Speech (Aura-2 und das neuere Flux TTS) sowie eine Voice Agent API, die Transkription, ein LLM und eine Stimme zu einem Stundenpauschalpreis in einem einzigen WebSocket bündelt. Wenn Sie einen Vapi-Assistenten oder einen virtuellen Agent von Genesys konfigurieren, ist Deepgram oft der Transkriber, der darunter arbeitet.

Diese Seite beantwortet eine Frage: Welche Sprachschicht liegt unter Ihrem Support-Voice-Agent, und sollten Sie Deepgram direkt kaufen oder das nehmen, was Ihre Voice-Plattform mitbringt? Das Unternehmen ist unabhängig und gut finanziert. Am 13. Januar 2026 sammelte es eine Series C über $130M bei einer Bewertung von $1.3B ein, angeführt von AVP, mit Twilio, ServiceNow Ventures, SAP und Citi Ventures als strategischen Investoren. In derselben Ankündigung übernahm es OfOne, ein Voice-AI-Unternehmen für Drive-throughs, das nun das Angebot für Restaurants trägt.

Warum es in CX- und Support-Stacks auftaucht

• Flux wurde für Turn-Taking gebaut, nicht für Transkripte. Flux kam im Oktober 2025 auf den Markt und erledigt Transkription und End-of-Turn-Erkennung in einem Modell, statt einen Voice-Activity-Detector an einen ASR-Stream anzuflanschen. Deepgram nennt eine End-of-Turn-Latenz von etwa 260ms und liefert natives Barge-in sowie „eager“ End-of-Turn-Events, damit Ihr LLM mit dem Entwurf beginnen kann, bevor der Anrufer fertig ist. Das sind Herstellerzahlen. Was Sie selbst prüfen können, ist der Effekt: weniger Fälle, in denen der Agent dem Anrufer ins Wort fällt oder in Funkstille verharrt.
• Domänenmodelle für die Anrufe, an denen generisches STT scheitert. Nova-3 Medical unterstützt seit dem 6. Oktober 2026 zehn Sprachen, und Nova-3 Pharma (17. September 2026) zielt auf die Erkennung von Medikamentennamen. Mit Keyterm Prompting können Sie die Erkennung auf SKUs, Tarifnamen und Konto-IDs ausrichten, und seit dem 2. Oktober 2026 lassen sich diese Keyterms mitten im Stream aktualisieren.
• Es läuft dort, wo Ihr Compliance-Team es braucht. Es gibt dedizierte Endpunkte in der EU (api.eu.deepgram.com) und in Indien (allgemein verfügbar seit dem 15. September 2026), und Enterprise-Kunden können die Modelle in ihrer eigenen VPC oder On-Premises auf NVIDIA-GPUs selbst hosten. Deepgram unterzeichnet BAAs für Enterprise-Kunden, die ePHI verarbeiten.
• Die großen Contact-Center-Anbieter kaufen es bereits. Genesys betreibt die Spracherkennung von Deepgram in seinem Agentic Virtual Agent, und Deepgram führt Five9 als Kunden für Self-Service-Containment und alphanumerische Genauigkeit. Wenn Ihr CCaaS bereits Deepgram nutzt, erhalten Sie mit einem direkten Vertrag dieselbe Engine mit Ihren eigenen Keyterms und Datenbedingungen.

Preisrealität

Pay-as-you-go beginnt mit $200 Gratisguthaben, braucht keine Karte und hat kein Minimum. Listenpreise mit Stand 19. Oktober 2026:

• Nova-3 Streaming: $0.0048/min monolingual (etwa $0.29/Std.) und $0.0058/min multilingual. Deepgram kennzeichnet diese Streaming-Tarife als zeitlich begrenzte Aktionspreise, planen Sie also mit einem Anstieg.
• Nova-3 Pre-recorded: $0.0043/min monolingual.
• Flux Streaming: $0.0065/min Englisch (etwa $0.39/Std.) und $0.0078/min multilingual.
• Add-ons: Streaming-Diarisierung und Redaction kosten je $0.0020/min, Keyterm Prompting kostet $0.0013/min. Ein Streaming-Anruf mit allen dreien kostet auf Nova-3 etwa $0.0101/min, rund das Doppelte des beworbenen Tarifs.
• TTS: Aura-2 kostet $0.030 pro 1,000 Zeichen, Flux TTS $0.045.
• Voice Agent API: $4.50/Std. ($0.075/min) in der Standardstufe, $3.00/Std., wenn Sie Ihr eigenes LLM und TTS mitbringen, und $9.75/Std. in der Advanced-Stufe. Telefonie rechnet Ihr Carrier separat ab.

Growth-Pläne beginnen bei $4,000 Prepaid-Guthaben pro Jahr und senken die Nova-3-Tarife um rund 12–17%. Mehrverbrauch wird bei Growth zum Growth-Tarif plus 10% abgerechnet. In der Praxis zahlt ein Support-Team, das 100,000 Streaming-Minuten im Monat transkribiert, zu Listenpreisen je nach Add-ons rund $480–$1,010 im Monat. Speech-to-Text ist selten der teure Posten auf einer Voice-Agent-Rechnung. Das LLM und die Stimme kosten mehr.

Am besten geeignet für

Verantwortliche für Support-Engineering und CX-Plattformen, die einen Voice-Agent auf Vapi, Retell AI, LiveKit oder Pipecat bauen oder verantworten und den Transkriber selbst wählen wollen, besonders dort, wo Anrufer Kontonummern, Medikamentennamen oder Produktcodes vorlesen. Es passt auch zu RevOps-Teams, die eine eigene Anruftranskription für Coaching oder das Zurückschreiben ins CRM bauen und die rohe Sprachschicht statt eines Gong-Seats wollen.

Lassen Sie es, wenn niemand in Ihrem Team Code gegen eine API schreiben wird. Deepgram ist eine Komponente, kein fertiger Agent.

Im Vergleich zu den Alternativen

Die etablierten Anbieter bei Speech-to-Text sind die Hyperscaler (Google Cloud Speech-to-Text, Amazon Transcribe, Azure AI Speech) und AssemblyAI. Nehmen Sie einen Hyperscaler, wenn der Einkauf verlangt, dass Sie innerhalb eines bestehenden Cloud-Vertrags bleiben, und Latenz nicht entscheidend ist. Nehmen Sie AssemblyAI, wenn der Preis pro Stunde die Entscheidung bestimmt. Sein Modell Universal-Streaming steht mit $0.15/Std. in der Preisliste, etwa die Hälfte des Streaming-Tarifs von Nova-3, rechnet aber nach WebSocket-Sitzungsdauer statt nach gesendetem Audio ab, sodass auch inaktive Verbindungen zählen. Seine Voice Agent API kostet ebenfalls $4.50/Std. alles inklusive, derselbe beworbene Preis wie bei Deepgram.

Der am schnellsten wachsende Neueinsteiger ist ElevenLabs, das inzwischen Scribe Speech-to-Text neben den Stimmen verkauft, für die es bekannt ist. Nehmen Sie es, wenn ein einziger Anbieter für Hören und Stimme wichtiger ist als die Kosten pro Minute oder wenn die Sprachqualität das ist, woran Kunden urteilen werden.

Nehmen Sie Deepgram, wenn Turn-Taking, Fachvokabular oder Self-Hosting über das Projekt entscheiden. Wenn Sie nichts davon intern betreiben wollen, kaufen Sie einen Managed Agent (PolyAI, Sierra) und lassen Sie den Anbieter den Speech-Stack wählen.

Worauf Sie achten sollten

• Die Streaming-Preise sind Aktionspreise. Absicherung: Rechnen Sie Ihren Business Case mit dem 1.5-Fachen der heutigen Streaming-Tarife von Nova-3 und Flux, und wenn das Volumen eine Growth-Bindung rechtfertigt, fixieren Sie den Tarif im Bestellformular.
• Die Angaben zu Genauigkeit und Latenz stammen aus Deepgrams eigenen Benchmarks. Absicherung: Lassen Sie vor der Unterschrift 200–500 Ihrer eigenen aufgezeichneten Anrufe durch Nova-3, Flux und einen Wettbewerber laufen und bewerten Sie die Wortfehlerrate bei den Entitäten, auf die es ankommt: Kontonummern, Produktnamen und Adressen.
• Flux TTS ist zum Start nur auf Englisch verfügbar. Absicherung: Wenn eine Queue nicht englischsprachige Anrufer bedient, behalten Sie auf diesen Queues Aura-2 oder eine Stimme eines Drittanbieters, und lassen Sie sich die Sprachabdeckung schriftlich bestätigen, bevor Sie sich auf einen einzigen TTS-Anbieter festlegen.
• Self-Hosting erfordert einen Enterprise-Vertrag und eigene GPUs, und Whisper wurde am 1. Oktober 2026 aus der selbst gehosteten Engine entfernt. Absicherung: Kalkulieren Sie GPU-Kapazität und Ops-Personal zusätzlich zur Lizenz, und migrieren Sie alle Whisper-Workloads auf Nova-3, bevor Sie das Upgrade durchführen.