Die Plattform von Deepgram gliedert sich in vier Fähigkeitsbereiche, die einzeln oder gemeinsam genutzt werden können. Die Spracherkennung deckt Streaming und vorab aufgezeichnete Dateien ab; die Modellfamilien Flux STT und Nova-3 unterstützen Dutzende Sprachen, Sprechertrennung, Smart Formatting, Keyterm Prompting, Entitätenerkennung und Redaction. Die Sprachsynthese läuft über die Stimmen Aura und Flux TTS, und die Voice Agent API bündelt Spracherkennung, ein verwaltetes Sprachmodell und Sprachausgabe in einer einzigen WebSocket-Sitzung, die sich mit eigenem LLM oder eigenem TTS-Anbieter anpassen lässt.
Über der reinen Transkription liegt die Audio-Intelligence-Schicht mit Zusammenfassung, Themenerkennung, Sentimentanalyse und Intent-Erkennung, abgerechnet pro Token. Das Unternehmen beschreibt das Gesamtpaket als „die Echtzeit-Infrastruktur hinter Spracherkennung, Sprachausgabe und Voice Agents“ und nennt über 200.000 Jahre verarbeitetes Audio, mehr als 650.000 Entwickler und 99,99 % Zuverlässigkeit. Zuletzt steht Flux TTS im Vordergrund, das als gesprächsnativ beschrieben wird; zudem wurde angekündigt, dass Daily und Pipecat zu Deepgram stoßen.
Die Abrechnung erfolgt nutzungs- statt sitzungsbasiert: Spracherkennung pro verarbeiteter Audiosekunde, Sprachsynthese pro 1.000 Zeichen und der Voice Agent pro Minute WebSocket-Verbindungszeit. Die Compliance umfasst SOC 2 Type 1 und 2, HIPAA mit BAAs für Enterprise-Kunden, GDPR mit EU-Endpunkt, CCPA und PCI – deshalb finden sich Contact Center, Gesundheitswesen, Gastronomie und Behörden unter den Nutzern.