Deepgram

Deepgram

Deepgram ist Speech-to-Text als API für deine eigene App. Du schickst Audio rein, kriegst Text zurück, in Echtzeit per Stream oder als Batch über eine Datei. Der Unterschied zu einem fertigen Transkriptions-Tool: Deepgram hat kein Endnutzer-UI. Es ist Infrastruktur, die du in deinen Code einbaust und die skaliert, wenn aus deinem Prototyp echte Last wird.

Was es kann

• Audio transkribieren, live über einen WebSocket oder als hochgeladene Datei. Sprechertrennung, Zeitstempel und mehrere Sprachen sind dabei.
• Text-to-Speech über die Aura-Modelle, falls deine App nicht nur zuhören, sondern auch reden soll.
• Eine Voice Agent API, die Speech-to-Text, ein LLM und Text-to-Speech zu einem Gesprächs-Loop zusammenfasst. Damit baust du einen Voice-Bot, der zuhört, denkt und antwortet.
• SDKs für Python, JavaScript und Co., dazu Webhooks. Das ist gebaut, damit es in eine Pipeline passt, nicht für Klick-und-fertig.

Wann's was bringt, und wann nicht

Stark, wenn du eine App baust, in der Audio reinkommt und Text rausmuss: Live-Untertitel, ein eigener Meeting-Transkriptor, ein Voice-Agent-Prototyp. Echtzeit ist hier der Punkt, der Stream gibt dir Wörter, während noch gesprochen wird. Und weil es pay-per-minute läuft, fängst du klein an und zahlst erst, wenn echtes Volumen kommt.

Der Haken: Das ist ein Entwickler-Tool. Ohne Code geht hier nichts, kein Dashboard, in das du eine MP3 ziehst und ein Transkript bekommst. Wenn du genau das willst, eine einzelne Vorlesung oder ein Interview lokal transkribieren, nimm MacWhisper oder Whisper (OpenAI STT), da brauchst du keinen API-Key und keine Pipeline. Geht es dir um Stimmen statt ums Zuhören, ist ElevenLabs das passendere Tool. Deepgram lohnt erst, wenn die Transkription in etwas Größerem steckt, das du selbst baust.

Alternativen

• Whisper (OpenAI STT) — das offene Modell, wenn du selbst oder lokal transkribieren willst, ohne API.
• MacWhisper — die fertige Mac-App auf Whisper-Basis, für einzelne Files ohne Code.
• ElevenLabs — wenn Text-to-Speech und Stimmen wichtiger sind als das Zuhören.
• AssemblyAI — wenn du neben dem Transkript gleich fertige Audio-Analyse mitnehmen willst.

Beispiel-Workflow

Ein Voice-Agent entsteht aus mehreren Bausteinen. Deepgram macht das Ohr:

1. Audio streamt live in Deepgram, das gibt dir den Text Wort für Wort zurück, während gesprochen wird.
2. Das Transkript schickst du über OpenRouter an ein LLM, das die Antwort formuliert.
3. Die Antwort jagst du durch ElevenLabs zurück in eine Stimme. Loop geschlossen, dein Agent hört zu und redet.

Pricing

Der eigentliche Knaller fürs Studium: 200 $ Startguthaben beim Anmelden, ohne Kreditkarte — und bei den Minutenpreisen unten reicht das für hunderte Stunden Transkription. Für typische Studi-Projekte ist Deepgram damit faktisch lange kostenlos. Danach pay-as-you-go nach Minuten. Speech-to-Text mit dem Nova-3-Modell liegt bei rund 0,0048 $/min im Stream und 0,0077 $/min für fertige Dateien. Text-to-Speech kostet ab 0,015 $ pro 1.000 Zeichen, der komplette Voice Agent ab 0,075 $/min. Der Growth-Plan drückt die Preise etwa 20 % bei Vorauszahlung, darüber gibt's Enterprise mit Custom-Pricing. Ein Studi-Programm steht nicht auf der Pricing-Seite. Fürs Lernen reicht das Guthaben locker, danach zahlst du nur, was du wirklich durchschickst.

Passt zu dir, wenn du mit Programmiererfahrung Speech-to-Text oder einen Voice-Agent in deine eigene App baust und eine API willst, die mit dem Projekt mitwächst.