api

Deepgram API

使用 Deepgram 的语音转文本、文本转语音、语音 Agent 和音频智能 API 进行构建。

**“Flux” 指两个独立的产品。**Flux STT 是 /v2/listen 上的对话式语音转文本（model=flux-general-en）。Flux TTS 是 /v2/speak 上的轮次式语音合成（model=flux-{voice}-{language}）。它们共用一个名称和一种设计理念——感知轮次、为语音 Agent 打造——但它们是不同的端点，具有不同的模型、参数和消息。当请求只说 “Flux” 时，请确认它是关于转写音频还是生成音频。

快速开始

所有 API 请求都需要通过 API key 或 JWT 进行认证：

• API Key：Authorization: Token <API_KEY>
• JWT：Authorization: Bearer <JWT>

基础服务器：

• REST 与 STT/TTS WebSocket：https://api.deepgram.com
• Voice Agent WebSocket 以及 GET /v1/agent/settings/think/models：https://agent.deepgram.com

GET /v1/agent/settings/think/models 也位于 agent. 主机上，而不是 api.：它在 api.deepgram.com 上返回 404，在 agent.deepgram.com 上返回 200。其他所有 REST 都留在 api.deepgram.com 上。

区域端点

要将处理保留在某个地理区域内，请替换主机。相同的 API key、相同的路径、相同的 SDK——只有基础 URL 改变。请求绝不会被路由到区域之外：如果该区域不可用，请求会失败而不会回退。

区域	主机
EU	api.eu.deepgram.com
澳大利亚	api.au.deepgram.com
印度	api.in.deepgram.com

**数据平面是区域性的；Projects 管理 API 不是。**在所有三个区域主机上：

端点	是否区域化
POST /v1/listen、wss://…/v1/listen	是
wss://…/v2/listen	是
POST /v1/speak、wss://…/v1/speak	是
POST /v2/speak、wss://…/v2/speak	是
POST /v1/read	是
wss://…/v1/agent/converse	是
GET /v1/models	是
POST /v1/auth/grant	是
/v1/projects/*（keys、members、usage、billing）	否——404

两条容易让人踩坑的主机规则：

1. **Voice Agent 在区域上迁移到 api. 主机。**不存在 agent.eu.deepgram.com（该名称无法解析）。请使用 wss://api.eu.deepgram.com/v1/agent/converse。GET /v1/agent/settings/think/models 也随之迁移。在全球范围内它仍留在 agent.deepgram.com 上。
2. **将管理调用保留在 api.deepgram.com 上。**把某个客户端的管理调用指向区域主机，/v1/projects 会返回 404，因此如果你的应用既做转写又管理 key，请按调用类型拆分基础 URL。

Whisper 模型在这三个区域中的任何一个都不提供服务——请在那里使用 Nova 或 Flux STT 模型。

关于 Deepgram Dedicated 和可自托管主机，请参阅 自定义端点； 关于完整的按区域功能矩阵和 SDK 代码片段，请参阅 区域端点。

Deepgram 的 API 如何协同工作

                   ┌──────────────────────────────┐
                   │       api.deepgram.com        │
                   └──────────────────────────────┘
                                │
  ┌───────────┬───────────┬─────┴─────┬───────────┬───────────┐
  ▼           ▼           ▼           ▼           ▼           ▼
  /v1/listen  /v2/listen  /v1/speak   /v2/speak   /v1/read    /v1/projects/*
  Nova — STT  Flux — STT  Aura — TTS  Flux — TTS  Text AI     Management
  REST + WSS  WSS only    REST + WSS  REST + WSS  REST only   REST only

                   ┌──────────────────────────────┐
                   │      agent.deepgram.com       │
                   └──────────────────────────────┘
                                │
                                ▼
                   /v1/agent/converse
                   WebSocket only
                   audio ──▶ STT ──▶ LLM ──▶ TTS ──▶ audio
                   (Deepgram orchestrates the full pipeline)

我应该使用哪个 API？

Audio → text (transcription)?
├─ General-purpose transcription (captions, batch, call logs, live streams with custom turn logic)
│  └─ Nova models via /v1/listen
│     ├─ Pre-recorded file    →  REST  POST https://api.deepgram.com/v1/listen?model=nova-3
│     └─ Live stream          →  WSS   wss://api.deepgram.com/v1/listen?model=nova-3
│
└─ Conversational audio / voice-agent-style turn detection
   └─ Flux STT models via /v2/listen
      └─ Live stream          →  WSS   wss://api.deepgram.com/v2/listen?model=flux-general-en

Text → audio (speech synthesis)?
├─ General-purpose TTS (broadest voice catalog, compressed/containerized audio)
│  └─ Aura models via /v1/speak
│     ├─ One-shot             →  REST  POST https://api.deepgram.com/v1/speak?model=aura-2-thalia-en
│     └─ Low-latency stream   →  WSS   wss://api.deepgram.com/v1/speak?model=aura-2-thalia-en
│
└─ Voice-agent TTS (turn-based lifecycle, barge-in, cross-turn consistency)
   └─ Flux TTS models via /v2/speak  — model is REQUIRED, and must be flux-*
      ├─ Pre-render a block   →  REST  POST https://api.deepgram.com/v2/speak?model=flux-alexis-en
      └─ Live conversation    →  WSS   wss://api.deepgram.com/v2/speak?model=flux-alexis-en

Full conversational voice agent (audio in, audio out)?
└─ WSS wss://agent.deepgram.com/v1/agent/converse
   Deepgram handles STT + your configured LLM + TTS internally

Analyze text for insights?
└─ REST POST /v1/read
   (summaries, sentiment, topics, intents)

语音转文本：Nova（/v1/listen）与 Flux STT（/v2/listen）

两个模型系列都在积极维护，且处于行业领先地位。它们解决的是不同的问题——请选择与你的用例相匹配的那个。

	Nova（/v1/listen）	Flux STT（/v2/listen）
端点	/v1/listen	/v2/listen
可用模型	nova-3（还有 nova-3-medical、nova-3-pharma）、nova-2、nova、enhanced、base	flux-general-en、flux-general-multi
最适合	通用转写——字幕、说明文字、通话记录、批处理	对话音频——语音 Agent、交互式助手、轮次交替 UI
输出	连续的转写流	结构化的轮次事件 + 转写（内置轮次状态机）
轮次检测	手动（utterance_end_ms、VAD 事件）	内置（EOT、eager-EOT、turn_index）
传输方式	REST + WebSocket	仅 WebSocket
智能叠加功能	支持——summarize、sentiment、topics、intents、diarize_model、redact 等	不支持——参数集更小、更聚焦；没有 smart_format / diarize_model / punctuate
会话中途重新配置	不支持（需重新连接才能更改）	支持（Configure 消息可实时更新 EOT 阈值、关键词、语言提示和 numerals）

在以下情况选择 Nova（/v1/listen、model=nova-3）：

• 为录制的媒体生成字幕、说明文字或转写
• 对文件进行批处理转写（REST）
• 你需要分析叠加功能（summarize、sentiment、topics、intents、diarize_model、redact）
• 你希望使用 WebSocket 流式传输并搭配自己的轮次检测逻辑

在以下情况选择 Flux STT（/v2/listen、model=flux-general-en）：

• 构建交互式语音 Agent 或助手
• 你希望结束轮次检测由系统自动处理
• 你需要低延迟的轮次信号和打断（barge-in）支持
• 你希望在不重新连接的情况下，在会话中途更新 EOT 阈值、关键词、语言提示或 numerals

正在从 Nova 3 迁移到 Flux STT？请参阅官方 Nova 3 → Flux 迁移指南。

文本转语音：Aura（/v1/speak）与 Flux TTS（/v2/speak）

两个 TTS 系列均在积极维护中。/v2/speak 是一个新端点，而非替代品 —— /v1/speak 保持不变，不存在别名、重定向或弃用。这两个系列互不重叠：Aura 语音仅在 /v1/speak 上提供，Flux TTS 语音仅在 /v2/speak 上提供。

	Aura（/v1/speak）	Flux TTS（/v2/speak）
端点	/v1/speak	/v2/speak
模型	aura-2-*（en、es、de、nl、fr、it、ja）、aura-*	flux-{voice}-{language}，例如 flux-alexis-en —— 发布时仅支持英语
model 参数	可选（默认为 aura-asteria-en）	必填；传入 aura-* 字符串会被拒绝
最适用于	最广泛的语音目录、多语言、压缩音频、一次性合成	语音 Agent —— 流式 LLM 输出、打断、多轮对话
心智模型	文本缓冲区 → 音频流	流式优先、基于轮次的对话
轮次生命周期	无	每轮：SpeechStarted → 音频 → Flushed → SpeechMetadata（服务端分配的 speech_id）
跨轮次上下文	无（重新连接即重置）	韵律自动跨轮次保持 —— 无需 API 交互
传输方式	REST + WebSocket	REST（批处理）+ WebSocket（流式）
流式编码	linear16、mulaw、alaw	linear16、mulaw、alaw —— 仅原始音频
批处理编码	mp3、opus、flac、aac、linear16、mulaw、alaw + container / bit_rate	相同 —— 但仅限批处理；WebSocket 会拒绝这些编码
中断	Clear 丢弃缓冲区，无反馈	Interrupt → SpeechInterrupted，附带 text_spoken / text_remaining
流中途重新配置	否（连接时固定）	是 —— Configure 仅更新 speed
speed	0.7 至 1.5，仅 Aura-2、英语和西班牙语	0.5 至 1.5，以 0.05 为步长；当文本带有停顿标记时上限为 1.15（超过则报 PAUSE_SPEED_CAP_EXCEEDED）；发音规则见内联控制
expressivity	不支持	-2…2，默认 0（beta；连接期间固定）
内联控制	发音 \{"word":"...","pronounce":"<IPA>"\}（Aura-2 正式可用，英语和西班牙语，输入最多 2000 个字符，可与 speed 组合使用）；无停顿控制	发音（抢先体验，两种传输方式均支持）仅在 speed 恰好为 1.0 时可用：批处理报 CONTROL_COMBINATION_INVALID，WebSocket 报 DATA-0002；停顿 \{pause:500ms\} 仅限批处理，500 至 3000 ms，以 100 ms 为步长，每个请求最多 8 个
Voice Agent provider.version	v1（指定提供方时的默认值）	v2（必填）

在以下情况选择 Aura（/v1/speak）：

• 你需要英语之外的语言，或特定的 Aura 语音
• 你需要在 Voice Agent 中使用压缩输出（mp3、opus、flac、aac），而 Flux TTS 会返回 INVALID_SETTINGS；在批处理 REST 上，两个系列均支持这些编码
• 你已经在使用 Aura，且 Flux TTS 中没有任何功能吸引你迁移 —— v1 保持不变

在以下情况选择 Flux TTS（/v2/speak）：

• 构建语音 Agent、电话助手或客服机器人
• 你正在将 LLM token 实时流式传输到扬声器，并希望获得最低的首音频延迟
• 用户可能在响应中途打断，而你需要知道他们实际听到了什么
• 你希望语气跨轮次保持，而无需自行管理状态
• 你正在使用 Flux TTS 语音预渲染固定音频（IVR 提示词、通知）—— 请使用批处理 REST 传输

正在从 Aura 迁移？请参阅官方从 Aura 迁移到 Flux TTS指南和批处理与流式。

API 域

域	REST	WebSocket	参考
Listen v1 — STT，Nova 模型	POST /v1/listen	wss://api.deepgram.com/v1/listen	listen.md
Listen v2 — STT，Flux STT（对话式）	—	wss://api.deepgram.com/v2/listen	listen.md
Speak v1 — TTS，Aura 模型	POST /v1/speak	wss://api.deepgram.com/v1/speak	speak.md
Speak v2 — TTS，Flux TTS（轮次式）	POST /v2/speak	wss://api.deepgram.com/v2/speak	speak.md
Voice Agent	GET agent.deepgram.com/v1/agent/settings/think/models；可复用的 agent 配置位于 /v1/projects/{project_id}/agents（GET、POST）和 /v1/projects/{project_id}/agents/{agent_id}（GET、PUT、DELETE）；agent 变量位于 /v1/projects/{project_id}/agent-variables（GET、POST）和 /v1/projects/{project_id}/agent-variables/{variable_id}（GET、PATCH、DELETE）	wss://agent.deepgram.com/v1/agent/converse	agent.md
Read（Intelligence）	POST /v1/read	—	read.md
Models	GET /v1/models、GET /v1/models/{model_id}、GET /v1/projects/{project_id}/models、GET /v1/projects/{project_id}/models/{model_id}；在任一列表调用中加上 include_outdated=true 还会返回非最新版本的模型	无	models.md
Projects	/v1/projects/*	—	projects.md
Auth	POST /v1/auth/grant	—	auth.md
Self-Hosted	/v1/projects/*/self-hosted/*	—	self-hosted.md

常见错误及避免方法

所有 API

1. 功能开关是查询参数，但 Voice Agent 和 v2 的会话中途更新除外。 对于 /v1/listen、/v2/listen、/v1/speak 和 /v2/speak，初始选项放在 URL 上。对于 Listen，请求体携带音频（REST）或音频帧（WebSocket）；对于 Speak，请求体携带文本（REST JSON 的 text 字段或 WebSocket 的 Speak 消息）。例外情况：/v1/agent/converse 完全没有 URL 查询参数（所有配置都放在 Settings 消息中）；/v2/listen 支持在连接后发送 Configure 消息，以便在会话中途更新 EOT 阈值、关键词、语言提示和 numerals；/v2/speak 支持发送 Configure 消息，仅更新 speed。另请注意，/v2/listen 的参数集比 /v1/listen 小得多：smart_format、diarize_model 和 punctuate 等开关不可用。

2. 速率限制是并发连接数，而不是总请求数。 429 意味着同时打开的连接过多，而不是请求量过高。说话人分离和其他计算密集型功能会进一步减少你的并发配额。限制按项目应用，而不是按 API key 应用，并且因区域而异；API Rate Limits 页面提供了各区域的并发数表格。

STT WebSocket (/v1/listen)

3. 以文本帧而非二进制帧发送 KeepAlive。 连接在 10 秒无音频后关闭。静默期间每 3–5 秒以文本（JSON）帧发送 {"type":"KeepAlive"}。以二进制帧发送会导致转写延迟——音频管道会阻塞——而不是静默无操作。

4. 绝不要发送空字节负载。 向 /v1/listen 发送零长度二进制帧会被视为关闭——它会终止连接。发送前务必检查音频包是否有长度。

5. encoding 必须与实际音频格式匹配。 如果 encoding=linear16 但你发送的是 opus，你会得到 DATA-0000 错误或乱码输出。发送容器化格式（mp3、wav、ogg）时完全省略 encoding——Deepgram 会自动检测它们。

6. 重连时时间戳会重置。 每个新的 WebSocket 连接都会将时间戳重新从 00:00:00 开始。对于实时应用，请在重连之间维护时间戳偏移，否则你会悄无声息地破坏转写时间线。

TTS WebSocket (/v1/speak)

7. 不要发送空文本。 text 字段为空的 Speak 消息会返回 400 错误。发送前务必验证输入。

8. 字符速率限制（DATA-0001）意味着放慢速度，而不是重试。 如果你遇到此问题，请降低提交文本块的速度——不要立即重试，否则会使问题加剧。

Flux TTS（/v2/speak）

9. model 为必填项，且必须是 flux-* 音色。 与 /v1/speak 不同，这里没有默认值——不带 model 的连接或请求会被拒绝。Aura 字符串在 /v2/speak 上会被拒绝，而 Flux 音色不由 /v1/speak 提供；这两个系列从不混用。模型字符串格式为 flux-{voice}-{language}，例如 flux-alexis-en。没有版本段——各代模型在稳定的名称背后滚动更新，与 Flux STT 相同。

10. Flush 结束本轮对话——它不是 v1 风格的缓冲区刷新。 没有 Finalize；它已并入 Flush。音频会在你 flush 之前自行开始流式传输，所以不要等着才发送文本。请使用本轮的 SpeechMetadata（而非 Flushed）作为轮次结束信号——它在轮次的所有音频发送完毕后到达，并携带计费和计时计数，因此你可以省去客户端的字符数或时长跟踪。服务器会分配本轮的 speech_id；切勿自行发送。

11. 流式传输仅支持原始音频，并会拒绝任何它无法识别的参数。 WebSocket 发出的是非容器化音频，因此 encoding 仅限于 linear16（默认）、mulaw 或 alaw。压缩和容器化编码（mp3、opus、flac、aac）以及 container、bit_rate、callback、callback_method 和 priority 参数仅限批处理——将它们发送到 socket 会导致连接失败，任何未知或拼写错误的参数也是如此。需要压缩输出时，请使用批处理 REST 传输。

12. 在两次独立生成之间插入空白，因为服务器不会这么做。 文本规范化在合成前运行，但连续的 Speak 消息会按原样拼接。先发送 "Hello world." 再发送 "How are you?" 会被处理为 "Hello world.How are you?"，从而产生句子边界伪影。当你把一条回复、一个工具调用结果和另一条回复拼接在一起时，请添加一个空格（或非空白语言对应的正确分隔符）。请发送纯文本：SSML 不会被解释，Flux TTS 唯一支持的标记是其自有的转义内联控制。发音覆盖 \{"word":"...","pronounce":"<IPA>"\} 在两种传输上均受支持（Early Access），但仅在 speed 为 1.0 时有效，而暂停标记 \{pause:500ms\} 仅限批处理。在 socket 上使用暂停标记，或在 speed 不为 1.0 的 socket 上使用发音控制，会导致连接失败并返回 DATA-0002。在批处理 POST /v2/speak 上，同样的违规行为会返回 400，其 err_code 会指明所违反的规则：CONTROL_COMBINATION_INVALID（发音与暂停同时使用，或与不为 1.0 的 speed 同时使用）、PAUSE_SPEED_CAP_EXCEEDED（暂停标记与高于 1.15 的 speed 同时使用）、BREAK_OUT_OF_RANGE（暂停超出 500 至 3000 ms）、BREAK_INCREMENT_INVALID（暂停未落在 100 ms 的网格上）、BREAKS_LIMIT_EXCEEDED（超过 8 个暂停标记，或两个暂停标记之间没有文本），以及 BREAK_SYNTAX_INVALID（标记格式错误，例如不带反斜杠的简单标记或转义的结构化标记）。恰好为 1.0 的 speed 从不算作速度控制，因此不会触发上述任何一项。参见 Speed, Pause, Pronunciation。

Voice Agent (/v1/agent/converse)

13. 在任何音频之前先发送 Settings 消息。 Agent 在收到并确认 Settings 配置之前会忽略一切内容。消息顺序是严格要求的。

14. agent.speak.provider.version 选择 TTS 系列——而省略 agent.speak 现在会让你得到 Flux TTS。 将 version 设为 v2 使用 Flux TTS，或设为 v1 使用 Aura；当你指定了 provider 但省略 version 时，它默认为 v1。但如果你完全省略 agent.speak，Agent 会默认使用 Flux TTS 及 flux-kit-en 语音。要切换系列，需同时更改 version 和 model——v1 下使用 flux-* 模型，或 v2 下使用 aura-* 模型，都是无效的：

    { "agent": { "speak": { "provider": { "type": "deepgram", "version": "v2", "model": "flux-alexis-en" } } } }
    

15. GET /v1/agent/settings/think/models 位于 agent.deepgram.com，而不是 api.deepgram.com。 GET /v1/agent/settings/think/models，即你可以在 agent.think.provider 中指定的 LLM 列表，在 api.deepgram.com 上返回 404，在 agent.deepgram.com 上返回 200。相同的密钥，相同的路径；只有主机不同，因此一个硬编码了单一 base URL 的客户端会静默地收到 404，看起来像是缺少某个功能。三个区域性的 api.* 主机也提供该接口。

Flux STT 模型 (/v2/listen)

16. 使用 /v2/listen 和 flux-general-* 模型。 提供两个模型：flux-general-en（英语）和 flux-general-multi（多语言，也是唯一接受 language_hint / language_hints 的模型）。/v1/listen 不支持 Flux STT，且仅 model=flux 不是有效值。对于容器化音频，不要包含 language 或 encoding 参数。

17. 使用 Configure 在会话中途更新 EOT 阈值、关键术语、语言提示和 numerals。 与 /v1/listen 不同，Flux STT 支持连接后进行实时重新配置，因此无需重新连接即可更改轮次检测灵敏度、添加新的关键术语、重新偏置语言检测（仅 language_hints、flux-general-multi），或为 PIN 码或订单号开启 numerals：

    { "type": "Configure", "thresholds": { "eot_threshold": 0.8, "eot_timeout_ms": 3000 }, "keyterms": ["Deepgram"] }
    

    服务器会以 ConfigureSuccess 响应，它会回显完整的活动配置（包括 numerals），而不仅仅是你发送的字段；或者以 ConfigureFailure 响应，其中携带 code 和 description 来标识被拒绝的配置。省略的阈值字段保持其当前值。

18. 在轮次之外调用 ForceEndTurn 是一个 Warning，而不是错误，且套接字保持打开。 在没有进行中的轮次时发送 {"type":"ForceEndTurn"} 会返回 {"type":"Warning","code":"FORCE_END_TURN_NO_ACTIVE_TURN","description":"Received ForceEndTurn while no turn was active; the request was ignored."}，连接会继续。不要将其视为致命错误或重新连接。references/listen.md 展示了消息结构（ListenV2Warning：code、description、request_id、sequence_id）；其中的 code 是自由字符串，因此像 FORCE_END_TURN_NO_ACTIVE_TURN 这样的各个代码来自 Force End Turn 文档。当 ForceEndTurn 确实在轮次中途生效时，产生的 TurnInfo 会带有 event: "EndOfTurn" 及 trigger: "manual"。trigger 为 model | manual | timeout，它出现在 EndOfTurn 上而不出现在其他任何地方，并且它是一个开放枚举，因此要容忍你不认识的值。

Nova 说话人分离（/v1/listen）

19. 使用 diarize_model，切勿将其与 diarize 一同发送。 diarize 已弃用。diarize_model 既可启用说话人分离，又能选择版本，因此无需再传 diarize=true——同时发送两者会导致请求失败：400 "diarize_model cannot be used together with diarize or diarize_version."。批处理场景的取值为 latest、v1 和 v2（latest 当前即 v2），流式场景的取值为 latest 或 v1。启用说话人分离后，metadata.diarize_info 会报告实际运行的是哪个模型（{"model_uuid": …, "arch": "v2"}），这是判断 latest 解析结果的唯一方式。

文本与音频智能（/v1/read、/v1/listen）

20. /v1/read 上 language 为必填项，且会先于其他所有内容进行校验。 没有默认值：省略它会返回 400 INVALID_QUERY_PARAMETER，消息为 "Failed to deserialize query parameters: missing field language"，这会掩盖请求中的所有其他问题。仅支持英语：language=multi 会被拒绝，en-US 会被接受但回显为 en。还有两种 /v1/read 的形态值得了解：JSON 正文需传入 text 或 url 中的恰好一个（两者都传或都不传会给出 PAYLOAD_ERROR，且 url 必须指向纯文本文档，因为音频会给出 REMOTE_CONTENT_ERROR），并且它仅支持 POST（GET 和 WebSocket 升级均返回 405）。/v1/read 上的 summarize 除 true 外还接受 v2。结果路径因端点而异：/v1/read 返回 results.summary.text，/v1/listen 返回 results.summary.short，因此同时处理两者的代码必须分支处理。（sentiment 在两个端点上均映射到 results.sentiments。）

21. 在 Nova 流式套接字上，只有 detect_entities 可用——另外四项以三种不同方式失败。 支持 detect_entities=true，它会把 entities 放在每条 Results 消息的顶层，与 channel 并列，而不是放在 channel.alternatives[0] 内。另外四项仅适用于预录音频：summarize 会在握手阶段失败并返回 400 "Summarization is not available for streaming."；topics 和 intents 会在握手阶段失败并返回 403 UNAUTHORIZED_FEATURES_REQUESTED，这看起来像是密钥权限问题，即便同一密钥的预录音频 topics/intents 调用返回 200；sentiment 则是陷阱——握手成功，从不发送错误，但结果中根本不会出现 sentiment。

身份验证

22. JWT TTL 仅适用于初始握手。 Token 默认 30 秒。一旦 WebSocket 连接建立，Token 过期不会关闭连接——Token 仅在升级请求时需要。

SDK 专属技能

本 api 技能涵盖各 SDK 完全一致的产品契约（端点、查询参数、消息结构）。如需符合语言习惯的代码——导入、异步模式、构建器 API、常见错误——请安装 SDK 专属技能。每个 Deepgram SDK 都会发布 7 个产品技能，命名为 deepgram-{lang}-{product}（例如 deepgram-python-speech-to-text、deepgram-js-voice-agent）。当你安装来自多个 SDK 的技能时，deepgram-{lang}- 前缀可避免冲突。

# Install all skills from a specific SDK
npx skills add deepgram/deepgram-python-sdk     # Python
npx skills add deepgram/deepgram-js-sdk         # JavaScript / TypeScript
npx skills add deepgram/deepgram-java-sdk       # Java
npx skills add deepgram/deepgram-go-sdk         # Go
npx skills add deepgram/deepgram-rust-sdk       # Rust
npx skills add deepgram/deepgram-dotnet-sdk     # C# / .NET

# Or install a specific product skill from one SDK (note the deepgram-{lang}- prefix)
npx skills add deepgram/deepgram-python-sdk --skill deepgram-python-speech-to-text
npx skills add deepgram/deepgram-js-sdk     --skill deepgram-js-voice-agent

Swift 和 Kotlin SDK 技能未列出，因为这些仓库不公开，npx skills add 无法访问。如需浏览器相关工作，请打开 browser-agent 技能：它涵盖 npm 上发布的四个 Browser Agent SDK 包（@deepgram/agents、@deepgram/react、@deepgram/ui、@deepgram/agents-widget）。

相关 Deepgram 技能

技能	用途
recipes	每种语言每个功能的最小可运行代码片段
examples	与第三方平台（Twilio、LiveKit 等）的完整集成示例
starters	可运行的入门应用（框架 × 功能矩阵）
docs	浏览 Deepgram 文档
audio-intelligence	/v1/listen 上的 summarize、sentiment、topics、intents 和 detect_entities 参数
text-intelligence	用于处理已有文本的 POST /v1/read
browser-agent	用于在浏览器中运行 Agent 的 Browser Agent SDK 包
cli	用于 shell 和 CI 工作的 deepctl
self-hosted	在你自己的 GPU 上运行 Deepgram
setup-mcp	安装 Deepgram MCP 服务

文档

• API 参考
• 语音转文本入门
• 文本转语音文档（Aura）
• Flux TTS 概览
• Voice Agent 文档
• Voice Agent TTS 模型
• 音频智能
• 自托管部署
• 区域端点
• 自定义端点
• API 速率限制：每个 API 的分区域并发表；限制按项目生效，而非按 API 密钥
• 处理并发速率限制