Deepgram

Qué es

Deepgram es la capa de voz sobre la que corren muchos stacks de soporte por voz sin que sus compradores lo sepan. Vende speech-to-text (la familia Nova-3 para transcripción y Flux para conversación en tiempo real), text-to-speech (Aura-2 y el más reciente Flux TTS) y una Voice Agent API que empaqueta transcripción, un LLM y una voz en un solo WebSocket a una tarifa fija por hora. Cuando configuras un asistente en Vapi o un agente virtual de Genesys, Deepgram suele ser el transcriptor que está debajo.

Esta página responde una pregunta: ¿qué capa de voz va debajo de tu agente de voz de soporte, y deberías comprar Deepgram directamente o quedarte con lo que incluya tu plataforma de voz? La empresa es independiente y está bien financiada. Levantó una Serie C de $130M con una valuación de $1.3B el 13 de enero de 2026, liderada por AVP, con Twilio, ServiceNow Ventures, SAP y Citi Ventures como inversionistas estratégicos. En el mismo anuncio adquirió OfOne, una empresa de IA de voz para drive-thru, que ahora es el ancla de su oferta para restaurantes.

Por qué aparece en los stacks de CX y soporte

• Flux se construyó para los turnos de conversación, no para transcripciones. Lanzado en octubre de 2025, Flux hace la transcripción y la detección de fin de turno en un solo modelo, en lugar de añadir un detector de actividad de voz encima de un flujo de ASR. Deepgram cita una latencia de fin de turno de unos 260ms y trae barge-in nativo y eventos de fin de turno “eager” para que tu LLM empiece a redactar antes de que quien llama termine. Esas son cifras del proveedor. Lo que sí puedes comprobar tú mismo es el efecto: menos casos en que el agente habla encima de quien llama o se queda en silencio.
• Modelos de dominio para las llamadas que rompen el STT genérico. Nova-3 Medical sumó soporte para diez idiomas el 6 de octubre de 2026, y Nova-3 Pharma (17 de septiembre de 2026) apunta al reconocimiento de nombres de medicamentos. El keyterm prompting te permite sesgar el reconocimiento hacia SKUs, nombres de planes e IDs de cuenta, y desde el 2 de octubre de 2026 puedes actualizar esos keyterms a mitad del stream.
• Corre donde tu equipo de compliance lo necesita. Hay endpoints dedicados para la UE (api.eu.deepgram.com) e India (disponible de forma general desde el 15 de septiembre de 2026), y los clientes Enterprise pueden autoalojar los modelos en su propia VPC u on-premises sobre GPUs de NVIDIA. Deepgram firma BAA con clientes Enterprise que manejan ePHI.
• Los grandes proveedores de contact center ya lo compran. Genesys usa el reconocimiento de voz de Deepgram dentro de su Agentic Virtual Agent, y Deepgram lista a Five9 como cliente para contención en autoservicio y precisión alfanumérica. Si tu CCaaS ya usa Deepgram, un contrato directo te da el mismo motor con tus propios keyterms y condiciones de datos.

La realidad de precios

El plan de pago por uso arranca con $200 de crédito gratis, no pide tarjeta y no tiene mínimo. Tarifas de lista al 19 de octubre de 2026:

• Nova-3 streaming: $0.0048/min monolingüe (unos $0.29/hr) y $0.0058/min multilingüe. Deepgram marca estas tarifas de streaming como precio promocional por tiempo limitado, así que presupuesta para que suban.
• Nova-3 pregrabado: $0.0043/min monolingüe.
• Flux streaming: $0.0065/min en inglés (unos $0.39/hr) y $0.0078/min multilingüe.
• Complementos: la diarización y la redacción en streaming cuestan $0.0020/min cada una, y el keyterm prompting cuesta $0.0013/min. Una llamada en streaming con los tres sale en unos $0.0101/min en Nova-3, aproximadamente el doble de la tarifa principal.
• TTS: Aura-2 cuesta $0.030 por cada 1,000 caracteres y Flux TTS cuesta $0.045.
• Voice Agent API: $4.50/hr ($0.075/min) en el nivel estándar, $3.00/hr si traes tu propio LLM y TTS, y $9.75/hr en el nivel avanzado. La telefonía la factura aparte tu operador.

Los planes Growth arrancan en $4,000 al año en crédito prepagado y bajan las tarifas de Nova-3 entre un 12 y un 17% aproximadamente. El excedente en Growth se cobra a la tarifa Growth más un 10%. En la práctica, un equipo de soporte que transcribe 100,000 minutos de streaming al mes paga entre $480 y $1,010 al mes aproximadamente a precio de lista, según los complementos. El speech-to-text rara vez es la línea cara en la factura de un agente de voz. El LLM y la voz cuestan más.

Ideal para

Líderes de ingeniería de soporte y de plataforma de CX que construyen o son dueños de un agente de voz sobre Vapi, Retell AI, LiveKit o Pipecat y quieren elegir el transcriptor ellos mismos, sobre todo cuando quienes llaman dictan números de cuenta, nombres de medicamentos o códigos de producto. También sirve a equipos de RevOps que construyen transcripción de llamadas interna para coaching o escritura de vuelta al CRM, y que quieren la capa de voz cruda en lugar de una licencia de Gong.

Descártalo si nadie en tu equipo va a escribir código contra una API. Deepgram es un componente, no un agente terminado.

Frente a las alternativas

Los incumbentes en speech-to-text son los hyperscalers (Google Cloud Speech-to-Text, Amazon Transcribe, Azure AI Speech) y AssemblyAI. Elige un hyperscaler cuando compras te exige quedarte dentro de un contrato de nube existente y la latencia no es decisiva. Elige AssemblyAI cuando el precio por hora define la decisión. Su modelo Universal-Streaming tiene un precio de lista de $0.15/hr, cerca de la mitad de la tarifa de streaming de Nova-3, aunque factura por tiempo de sesión de WebSocket y no por audio enviado, así que las conexiones inactivas cuentan. Su Voice Agent API también cuesta $4.50/hr todo incluido, la misma cifra principal que la de Deepgram.

El entrante de más rápido crecimiento es ElevenLabs, que ahora vende speech-to-text con Scribe junto a las voces por las que es conocido. Elígelo cuando tener un solo proveedor para oídos y voz importe más que el costo por minuto, o cuando la calidad de voz sea lo que los clientes van a juzgar.

Elige Deepgram cuando los turnos de conversación, el vocabulario de dominio o el autoalojamiento decidan el proyecto. Si no quieres nada de esto in-house, compra un agente administrado (PolyAI, Sierra) y deja que el proveedor elija el stack de voz.

Puntos de atención

• Los precios de streaming son promocionales. Protección: modela tu caso de negocio a 1.5× las tarifas de streaming actuales de Nova-3 y Flux, y si el volumen justifica un compromiso Growth, fija la tarifa en la orden de compra.
• Las afirmaciones de precisión y latencia vienen de los benchmarks propios de Deepgram. Protección: antes de firmar, pasa entre 200 y 500 de tus propias llamadas grabadas por Nova-3, Flux y un rival, y mide la tasa de error de palabras en las entidades que importan: números de cuenta, nombres de producto y direcciones.
• Flux TTS sale solo en inglés. Protección: si alguna cola atiende a personas que no hablan inglés, mantén Aura-2 o una voz de terceros en esas colas, y confirma por escrito la cobertura de idiomas antes de comprometerte con un solo proveedor de TTS.
• El autoalojamiento requiere un contrato Enterprise y tus propias GPUs, y Whisper se eliminó del motor autoalojado el 1 de octubre de 2026. Protección: cotiza la capacidad de GPU y el personal de operaciones junto con la licencia, y migra cualquier carga de trabajo de Whisper a Nova-3 antes de actualizar.