用途：把 Deepgram 当作生产级语音平台使用，按交付物的延迟、准确率、语言、隐私与产物要求选择端点、模型与功能，用于转录、字幕、语音分析、语音智能体音频和文本转语音。
主要能力：STT 有三条路径——预录音频 REST POST /v1/listen、实时 WebSocket wss://api.deepgram.com/v1/listen、面向语音智能体的回合制 Flux（当前文档为 /v2/listen）。模型方面，nova-3 为通用高精度 ASR，flux-* 用于对话式识别，nova-2 可作回退，Whisper Cloud 仅限预录。转录可返回词级时间戳与置信度，并支持标点、smart_format、段落、话语、数字、脏话过滤、脱敏、搜索替换、关键词、说话人分离、多声道、语言选择与检测、语码转换。字幕可用词时间生成 SRT/WebVTT。音频智能含摘要、主题、意图、情感、实体识别。TTS 通过 REST POST /v1/speak 与 WebSocket wss://api.deepgram.com/v1/speak，Aura 语音 ID 形如 aura-2-thalia-en。Voice Agent 通过 WebSocket 组合音频输入、STT、LLM、TTS、工具消息与音频输出，连接后需立即发送 Settings 消息配置。
必要用法：预录转录常用 model=nova-3、smart_format=true；说话人混合时用 diarize_model=latest，声道隔离时用 multichannel=true；长任务可用回调。实时字幕需正确声明 encoding、sample_rate、channels，仅在 UI 支持改写时开启 interim_results。TTS 单次请求有 2000 字符上限，长旁白按句/段切分并逐条保存；Aura-2 支持英文与西班牙文的速度（0.7-1.5）和发音控制。
限制：语言检测不支持流式；language=multi 与 Flux 多语言只做转写不做翻译；说话人标签是数字聚类而非真实身份；Aura 为现成语音，不提供声音克隆。音频智能各功能存在语言与流式限制，官方矩阵与单页存在不一致，需逐项核对。定价与并发限制随方案、区域、产品变化，需在运行当天核对官方页面，不要硬编码。使用前应确认音频授权与隐私合规。