- Deepgram 的 Nova-3、Nova-3 Multilingual、Flux 和 Aura-2 现已在 Together AI Dedicated Model Inference 上原生运行
- Deepgram 在一个模型阵容中覆盖了语音流水线的两端，从转写到合成
- Together AI 为团队提供实时语音智能体的统一生产环境，STT、LLM 和 TTS 汇聚于同一平台
- 企业级管控包括零数据留存、SOC 2 Type II、HIPAA-ready 支持以及数据驻留选项
实时语音智能体常常失败，原因在于把语音当成转写而不是对话。把字词听准只是挑战的一部分：系统还必须检测话轮边界，处理打断和重叠，并足够快地做出回应，让交流保持自然。当团队试图用端点检测逻辑、路由层和额外的服务商来弥补这些缺口时，往往又把延迟和运维脆弱性带回了系统。Deepgram 的模型正是为这一层专门打造的，在这一层中，转写、话轮切换和响应速度必须实时协同工作。
Deepgram 的 STT 和 TTS 模型阵容现已在 Together AI 上原生运行。Together AI 是用于构建实时语音智能体的 AI 原生云，团队可以把 Deepgram 的转写与合成同 Together 目录中的任意 LLM 搭配，在同一个生产平台上运行完整的语音流水线。关于更完整的架构，请参阅我们的实时语音智能体发布公告。
“语音智能体的成败取决于延迟，服务商之间的每一次网络跳转，都是体验可能崩坏的地方。通过在 Together AI 的基础设施上原生托管 Deepgram 的 STT 和 TTS，我们为开发者提供了无需妥协的生产级转写：快速、准确，并且与流水线的其余部分部署在同一位置。”
——Abe Pursell，Deepgram 合作伙伴关系副总裁
Flux：带话轮检测的对话式 STT
准确转写只是工作的一部分。语音智能体还必须知道说话人什么时候真正说完了，因为一旦误判话轮，它要么会打断来电者，要么等得太久而显得反应迟钝。
Flux 是 Deepgram 面向实时智能体的对话式 STT 模型，它不仅用于转写语音，还能根据对话上下文而不是单纯依靠静音来产生话轮信号。这一点很重要，因为许多团队仍然依赖额外的端点检测逻辑来弥补这一缺口，这会增加复杂度，并让延迟更难控制。Flux 简化了技术栈中的这一环，并凭借 250ms 的话轮结束检测，帮助在生产环境中让话轮切换更可预测。
Nova-3：面向真实音频的生产级转写
生产环境中的音频比基准测试里的音频要杂乱得多。通话中有背景噪声、多人重叠说话、口音、电话压缩和打断，而模型仍然必须返回流水线其余部分可以信赖的文本。Nova-3 正是为这些条件打造的，支持词汇定制，团队无需重新训练即可提升对特定领域术语的识别率。
Nova-3 Multilingual 把这一思路扩展到多种语言，这在来电者会在对话中途切换语言的部署场景中尤为重要。
Aura-2：面向生产级语音智能体的企业级 TTS
Aura-2 覆盖流水线的合成一侧，适用于对清晰度和一致性要求较高的商业环境。团队可以同时使用 Deepgram 的 STT 和 TTS，并让特定领域术语和结构化实体的输出保持稳定。
这种差异体现在表达上。当语音把结构化信息或专业用语读回给用户时，必须保持清晰、直接、可靠。如果一进入实际业务场景就开始磕绊，那么只在演示中听起来不错的声音是远远不够的。
Deepgram Aura-2
英语 Thalia 音色
0:00
"欢迎收听本期节目。今天我们要探讨一件真正引人入胜的事——声音的力量。重要的不只是字句本身，而是字句背后的情感、那些安静的反思时刻，以及在关键时刻把细节交代清楚的清晰度。"
比如：Dr. Sarah Chen，450 Park Avenue，New York，10022——您的确认编号是 BX-4072，自付额为 $14.99。
信息量很大，而且每一条都需要清晰地传达出去。这正是一个出色的声音所能做到的。"
立即试用
应用场景
呼叫中心语音智能体
呼叫中心天生就是混乱的环境：通话质量参差不齐，说话人相互重叠，打断不断，而延迟仍然必须足够低，才能保证自然的一来一往。Deepgram 的模型帮助智能体在这些条件下保持流畅，让对话保持响应及时、清晰易懂，而不是陷入延迟、错过话轮或回答含糊的境地。
医疗语音智能体
医疗语音智能体需要准确转写药品名称、手术术语和临床用语，同时在向患者复述这些术语时保持输出清晰。流水线起点的一个转写错误，可能在后面表现为一句流畅但错误的回答，而这恰恰是这类系统承受不起的失败。Nova-3 帮助团队让识别适配临床用语，而 Aura-2 则让面向患者的输出保持清晰一致。
金融服务
金融语音系统依赖精确性。账号、路由号、交易确认以及结构化的金融用语需要一次就被正确捕获，因为一次转写失误就可能导致交易失败、合规问题或客户交互中断。Deepgram 的语音模型为团队处理这些受监管的工作流提供了更坚实的基础。
多语言客户支持
全球化的支持团队需要的语音模型，要能在来电者于同一次交互中切换语言和口音时依然稳定。Nova-3 Multilingual 帮助团队处理这类对话，而无需为每个市场分别搭建 STT 流水线，使多语言支持更易扩展、更易运营。
Together AI 上的生产基础设施
Deepgram 模型运行在 Together AI Dedicated Model Inference 上，与 LLM 和 TTS 工作负载一起使用隔离的算力。把转写、推理和合成放在同一个生产环境中，让实时系统更易运维，也让团队在扩展时对性能有更严格的掌控。
Together AI 是面向生产推理的 AI 原生云，Dedicated Model Inference 为团队提供大规模运行语音智能体所需的掌控力与可靠性。
基础设施
- 独享 GPU 算力，工作负载相互隔离
- 99.9% 可用性 SLA
- SOC 2 Type II 和 HIPAA-ready 支持，并在适用时支持 PCI
- 全球区域，提供数据驻留选项
开发者体验
- LLM、STT 和 TTS 端点使用相同的 SDK 和身份验证
- 语音流水线拥有统一的可观测性和日志界面
- 通过配置选择和切换模型
- 整个技术栈使用同一个计费界面
Together AI 在一处支持丰富的语音模型目录，团队可以在整条流水线上自由组合，而无需增加供应商。这包括与驱动智能体推理的 LLM 一起部署的开源和专有模型。