Deepgram Nova-3 — Production STT with 60ms Partial Latency

简介

Nova-3 是 Deepgram 最新生产 STT —— 部分结果延迟 60ms、最终结果 <300ms、36 语言、自动标点、智能格式化、脏话过滤、自定义词表。英文呼叫中心转录和语音 agent 的事实默认。适合电话 agent、会议录音、直播字幕、延迟主导体验的语音控制应用。兼容 Deepgram Python/JS/Go/Rust SDK、REST、WebSocket 流式、OpenAI 兼容音频 endpoint。装机时间 5 分钟。

流式 STT（Python）

import asyncio
from deepgram import DeepgramClient, LiveTranscriptionEvents, LiveOptions

dg = DeepgramClient(os.environ["DEEPGRAM_API_KEY"])

async def transcribe_mic():
    connection = dg.listen.asyncwebsocket.v("1")

    async def on_message(_, result, **kwargs):
        sentence = result.channel.alternatives[0].transcript
        if not sentence:
            return
        if result.is_final:
            print(f"最终：{sentence}")
        else:
            print(f"中间：{sentence}", end="\r")

    connection.on(LiveTranscriptionEvents.Transcript, on_message)

    options = LiveOptions(
        model="nova-3",
        language="multi",   # 或 "en" / "es" / "fr" 等
        smart_format=True,
        interim_results=True,
        utterance_end_ms="1000",
        vad_events=True,
    )
    await connection.start(options)

    # 从麦克风喂音频字节
    async for audio_chunk in mic_audio_iterator():
        await connection.send(audio_chunk)

    await connection.finish()

asyncio.run(transcribe_mic())

批量转录（文件）

from deepgram import PrerecordedOptions

with open("call.mp3", "rb") as f:
    response = dg.listen.prerecorded.v("1").transcribe_file(
        {"buffer": f.read()},
        PrerecordedOptions(
            model="nova-3",
            smart_format=True,
            diarize=True,
            punctuate=True,
            paragraphs=True,
            summarize="v2",
            detect_topics=True,
        ),
    )

print(response.results.channels[0].alternatives[0].transcript)

OpenAI 兼容 endpoint

from openai import OpenAI
client = OpenAI(
    base_url="https://api.deepgram.com/v1",
    api_key=os.environ["DEEPGRAM_API_KEY"],
)
transcript = client.audio.transcriptions.create(
    model="nova-3",
    file=open("audio.mp3", "rb"),
)

跟同行延迟对比（p50 流式部分）

价格（2026 年 5 月）

• 流式 Nova-3：$0.0058/分钟
• 批量 Nova-3：$0.0043/分钟
• 注册赠 $200 credit

FAQ

Q: Deepgram Nova-3 vs Groq Whisper vs AssemblyAI？ A: Deepgram 部分延迟低 90+ms —— 英文语音 agent 和呼叫中心赢。Groq 上的 Whisper 低资源语言覆盖更广。AssemblyAI 分离更好且自带 LeMUR 跑转录 LLM。按主任务选。

Q: 自定义词表给产品名？ A: 支持 —— LiveOptions 里传 keywords=['TokRepo', 'GEOScore', 'KeepRule']。Deepgram 解码时给这些 token 加权，让品牌名转得对。最多约 100 keyword 效果最佳。

Q: 8kHz 电话音频准确度？ A: 极好 —— Nova-3 重训了电话数据。Twilio Media Stream 设 encoding='mulaw', sample_rate=8000。立体声每声道（caller/callee 在不同声道）打到 ~99% 分离。