Deepgram 推出语音 API Aura：延迟低于半秒，帮智能体实时说话

给客服热线打电话时，最让人难受的不仅是冰冷的按键菜单，还有那些卡顿停顿好几秒、一听就是机器人的合成语音。

做语音识别起家的 Deepgram 在 3 月 12 日正式推出了自己的文本转语音 API，名字叫 Aura。它的目标很直接，就是专门给呼叫中心和面向客户场景的实时 AI 代理提供一副真人的嗓子。

0.3 秒开口，专治对讲机式聊天

以往的语音合成往往陷入两难：听起来像真人的模型通常昂贵而且算力开销巨大，生成一句话要等半天；延迟足够低的模型，听起来又呆板机械，完全没办法做自然交流。

Deepgram 联合创始人兼首席执行官 Scott Stephenson 提到，现在的企业都在寻求能够听懂、思考并立刻回答的语音助手。但要真正落地，不仅模型发音要准，延迟和成本还必须压到企业能承受的范围内，毕竟调取大语言模型本身的成本就已经不低了。

根据 Deepgram 披露的数据，Aura 从接收指令到开口说话通常只需要不到 0.3 秒。即使算上大语言模型生成文本所需的不到 1 秒时间，整体响应速度也远快于同类方案。

在价格上，Aura 的收费标准是每 1000 个字符 0.015 美元。这个数字比 Google 的 WaveNet 以及 Amazon Polly Neural 语音的 0.016 美元还要便宜，更是明显低于亚马逊更高层级的语音产品定价。

藏在自研模型里的取舍

目前 Aura 首批上线了大约 12 种音色。这些模型全由 Deepgram 在内部独立训练完成，训练数据则是他们专门找专业配音演员合作录制的。

Stephenson 表示，低延迟、高准确度和低价格三者兼备是一件极其困难的事。Deepgram 在早期花了整整四年时间搭建底层基础设施，没有急于发布任何产品，就是为了打磨这种实时交付能力。

实际体验下来，Aura 最突出的优势确实是极快的反应速度，几乎消除了真人对话时的尴尬空档。不过在测试过程中，偶尔还是会碰上几个略显奇怪的发音细节。

为什么重要

对于正在搭建 AI 呼叫中心、虚拟助手或交互式陪伴应用的开发者来说，Aura 提供了一个非常务实的选项。如果你的业务因为传统语音模型太慢、听着像在用对讲机对话而无法上线，Aura 完全值得现在就接进去做一轮打样测试。

我们认为，Deepgram 这一步走得相当精明。它没有跟市面上专注搞复杂情感演绎、声音克隆的玩家去硬拼声音的戏剧张力，而是把矛头死死对准了企业级场景最敏感的两个痛点：交互延迟和调用账单。把首字延迟压进 0.3 秒，实际上替大语言模型的思考时间争取了宝贵的缓冲空间。

对整个行业而言，这也向云厂商和语音赛道对手施加了不小的压力。此前 Google 和亚马逊凭借生态绑定在企业级语音市场上占据主流，但现在一家独立创业公司在速度和单价上同时抢跑，会迫使老牌云巨头重新审视自己的定价策略。

不过隐患也同样存在。看起来 Deepgram 首批只提供了十几个预设音色，相比那些拥有海量声音库和自定义声音克隆能力的产品，选择面还显得相对单薄。此外，实测中出现的偶发发音异常，也说明自研语音模型在极端生僻词或特殊语境下的泛化能力，还需要后续更多数据来继续打磨。