Deepgram 推出語音 API Aura：延遲低於半秒，幫智慧體即時說話

給客服熱線打電話時，最讓人難受的不僅是冰冷的按鍵選單，還有那些卡頓停頓好幾秒、一聽就是機器人的合成語音。

做語音識別起家的 Deepgram 在 3 月 12 日正式推出了自己的文本轉語音 API，名字叫 Aura。它的目標很直接，就是專門給呼叫中心和麵向客戶場景的即時 AI 代理提供一副真人的嗓子。

0.3 秒開口，專治對講機式聊天

以往的語音合成往往陷入兩難：聽起來像真人的模型通常昂貴而且算力開銷巨大，生成一句話要等半天；延遲足夠低的模型，聽起來又呆板機械，完全沒辦法做自然交流。

Deepgram 聯合創始人兼執行長 Scott Stephenson 提到，現在的企業都在尋求能夠聽懂、思考並立刻回答的語音助手。但要真正落地，不僅模型發音要準，延遲和成本還必須壓到企業能承受的範圍內，畢竟調取大語言模型本身的成本就已經不低了。

根據 Deepgram 披露的資料，Aura 從接收指令到開口說話通常只需要不到 0.3 秒。即使算上大語言模型生成文本所需的不到 1 秒時間，整體響應速度也遠快於同類方案。

在價格上，Aura 的收費標準是每 1000 個字元 0.015 美元。這個數字比 Google 的 WaveNet 以及 Amazon Polly Neural 語音的 0.016 美元還要便宜，更是明顯低於亞馬遜更高層級的語音產品定價。

藏在自研模型裡的取捨

目前 Aura 首批上線了大約 12 種音色。這些模型全由 Deepgram 在內部獨立訓練完成，訓練資料則是他們專門找專業配音演員合作錄製的。

Stephenson 表示，低延遲、高準確度和低價格三者兼備是一件極其困難的事。Deepgram 在早期花了整整四年時間搭建底層基礎設施，沒有急於釋出任何產品，就是為了打磨這種即時交付能力。

實際體驗下來，Aura 最突出的優勢確實是極快的反應速度，幾乎消除了真人對話時的尷尬空檔。不過在測試過程中，偶爾還是會碰上幾個略顯奇怪的發音細節。

為什麼重要

對於正在搭建 AI 呼叫中心、虛擬助手或互動式陪伴應用的開發者來說，Aura 提供了一個非常務實的選項。如果你的業務因為傳統語音模型太慢、聽著像在用對講機對話而無法上線，Aura 完全值得現在就接進去做一輪打樣測試。

我們認為，Deepgram 這一步走得相當精明。它沒有跟市面上專注搞複雜情感演繹、聲音克隆的玩家去硬拼聲音的戲劇張力，而是把矛頭死死對準了企業級場景最敏感的兩個痛點：互動延遲和呼叫賬單。把首字延遲壓進 0.3 秒，實際上替大語言模型的思考時間爭取了寶貴的緩衝空間。

對整個行業而言，這也向雲廠商和語音賽道對手施加了不小的壓力。此前 Google 和亞馬遜憑藉生態繫結在企業級語音市場上佔據主流，但現在一家獨立創業公司在速度和單價上同時搶跑，會迫使老牌雲巨頭重新審視自己的定價策略。

不過隱患也同樣存在。看起來 Deepgram 首批只提供了十幾個預設音色，相比那些擁有海量聲音庫和自定義聲音克隆能力的產品，選擇面還顯得相對單薄。此外，實測中出現的偶發發音異常，也說明自研語音模型在極端生僻詞或特殊語境下的泛化能力，還需要後續更多資料來繼續打磨。