第12章 ASR、STT 与 TTS:关键区别与应用场景
AI Engineering & Research 自动语音识别(ASR)与语音转文本(STT):关键区别与使用场景 来自 Deepgram,2026 年 8 月 18 日
第12章 ASR 与 STT 及 TTS:关键区别
在大多数行业语境中,ASR 和 STT 是同义词,但在严格的技术定义下二者存在细微差别。本文探讨 ASR、STT 和 TTS 如何在生产级语音智能体(Voice Agent)流程中协同工作。
ASR 和 TTS 位于语音 AI 流程的两端。自动语音识别(ASR)将语音音频转换为书面文本。语音合成(TTS)则相反,将书面文本转换为语音音频。在行业通用语境下,语音转文本(STT)通常是 ASR 的另一个名称。而在更严格的技术定义中,ASR 指代完整的识别系统,而 STT 特指该系统执行的转录任务或其产生的输出结果。
在生产级语音智能体中,ASR/STT 将语音转换为文本供语言模型处理,而 TTS 将模型的响应渲染为音频。以下是这些术语的重叠之处、差异所在,以及如何在生产中应用它们。
核心要点
在深入技术细节之前,请先了解以下要点: * ASR 将语音音频转换为文本。在大多数行业用法中,STT 指的是同样的技术,尽管有些人将 STT 特指 ASR 的格式化转录输出。 * TTS 运行方向相反,将书面文本转化为合成语音。 * 在语音智能体中,ASR/STT 处理输入端,TTS 处理输出端。 * WER(词错误率)是标准的准确率基准,但只有在相对于特定数据集时才有意义。 * 2026 年各提供商的 API 价格差异数倍,建议在选型前使用自己的音频进行测试。
ASR 和 STT 是一样的吗?
在通用的行业用法中,为了大多数目的,ASR 和 STT 指代相同的技术,可以互换使用。更严格的“系统”与“输出”之分,主要出现在研究论文和系统架构设计中。
这种区别在生产环境中立刻显现。ASR 输出的是 “can you send me the document tomorrow”(原始文本),而 STT 产生的是 “Can you send me the document tomorrow?”(格式化文本)。仅仅那个问号,就足以帮助法院书记员、临床医生和记者恢复说话者的原始意图。
同义词观点(主流用法)
微软 Azure 在其语音转文本文档中,将 STT 等同于自动语音识别。它将该技术定义为将语音音频转换为文本,并将此功能标记为“speech-to-text”。如果你搜索 speech recognition、ASR 或 STT,最终都会指向这项技术。
严格观点(系统与任务)
NIST 的 Rich Transcription 评估将 ASR 工作分为转录任务和独立的元数据提取任务。它视 STT 为更广泛的识别系统中的一个任务。在这种框架下,ASR 指代更广泛的识别系统,而 STT 指代其转录任务或输出。
实用框架:机器输出 vs. 人类输出
Deepgram 提出的“原始与格式化”区分是第三种、产品层面的框架。无论你偏好哪种标签,架构问题始终不变:是机器消费你的转录文本,还是人来阅读它?这个答案,而非术语本身,决定了你如何构建系统。
在此框架下,ASR 将原始音频转换为未加标点的文本,供机器直接处理;而 STT 处理相同的音频,产生带有正确标点、大写和说话人标签的格式化文本。这是 Deepgram 的产品层面定义,而非唯一的行业标准。
什么是自动语音识别(ASR)?
ASR 系统将音频波形转换为词序列。与人类可读性相比,它们更优先考虑下游处理的速度和准确性。现代联合训练系统使用在大型语音数据集上训练的单神经网络。
ASR 工作原理:声学模型、语言模型与解码器
系统首先从每个音频波形中提取声学特征。接下来发生什么取决于架构的代际。
遗留系统将任务拆分给专用组件。声学模型将声音特征映射为音素,发音词典将音素映射为单词,语言模型预测可能的词序列,解码器然后在三者中搜索得分最高的转录文本。
现代系统整合了这一流程。现代 ASR 越来越多地使用单模型架构,训练其将音频或声学特征直接映射为文本。这些模型在一个神经网络中结合了声学建模、发音建模和语言建模。
CTC 和 RNN-T 是三大主流方法中的两种,第三种是注意力机制编码器-解码器模型。RNN-T 广泛用于生产级流式传输。
遗留 ASR vs. 现代 ASR
代际转变改变了对 2026 年评估的系统预期:
* 架构:遗留 ASR(GMM-HMM)使用独立的声学模型、发音词典和语言模型;现代神经网络(Seq2Seq/Transformer)使用单个联合优化的神经网络,结合声学、发音和语言建模。 * 训练:遗留系统的组件独立构建和调优;现代系统直接从声学特征到文本进行映射,联合训练去除了手工构建的词典。 * 主流方法:遗留系统以 GMM-HMM 及后来的 DNN-HMM 混合为主;现代系统采用 CTC、RNN-T、注意力机制编码器-解码器,其中 RNN-T 广泛用于生产级流式处理。 * 2026 年状态:遗留架构较旧,仅用于阅读旧文档;现代系统在生成系统中越来越常见,Transformer 和 Conformer 变体在当前系统中很普遍。
流式 vs. 批量转录
时序要求决定了生产模式的选择:流式和批量。流式 ASR 在说话者还在讲话时就会发出部分转录文本,这使得语音智能体和实时字幕能在语句中间做出响应。批量 ASR 在事后处理录音文件,此时完整录音可用于处理。
ASR 的挑战与局限
生产环境中的音频往往让那些在基准测试图表中表现优异的模型“翻车”。常见挑战包括: * 背景噪声:HVAC 嗡嗡声、街道噪音和等待音乐会降低识别率。 * 语音重叠:多说话人会议和插话会混淆词边界。 * 口音和方言:如果训练数据中缺乏特定说话人群的代表性,准确率会波动。 * 领域词汇:药物名称、SKU 和专业术语通常不在通用训练语料库中。 * 语言切换:在一句话中混合多种语言的说话者会让单语模型出错。 * 基准到生产的漂移:在受控基准数据集上测得的结果可能无法直接迁移到生产音频中。
每个问题都有缓解措施:噪声多样化的训练数据、定制模型、运行时词汇提示,以及对安全敏感输出进行人工 QA。但没有一种方法能彻底消除问题。
语言覆盖率至少在快速扩大。Meta 的 Omnilingual ASR 套件(2025 年 11 月)支持 1,600 多种语言。其中约 500 种语言此前没有 ASR 支持。
什么是语音转文本(STT)?
STT 将原始音频转换为人们可读、可搜索、可归档的格式化输出。“Speech-to-text”常用作 ASR 的产品名称。在本指南中,STT 指代流程中经过格式化、可供人类阅读的最终端。
STT 工作原理
处理流水线在 ASR 产生的词序列之上增加了标点模型和大小写算法。它还可以添加说话人分离和自定义词汇。这些层将可用的转录文本与普通未解析的文本流区分开来。
生产环境中的 STT 应用
格式化转录文本作为输出层,适用于任何需要人类阅读、搜索或归档对话的场景。常见部署包括: * 需要格式化转录的法律证词 * 带有说话人识别的联系中心通话日志,用于培训和合规审计 * 带有适当标点的无障碍字幕,以提高可读性
什么是语音合成(TTS)?
TTS 的运行方向与 ASR 相反,将书面文本转换为语音音频。NVIDIA 术语表将 TTS 定义为“通过计算机生成的语音将文本转换为可听语音的过程”。它将 TTS 定位为始于 ASR 的对话流程的输出阶段。
TTS 工作原理
常见的架构将该任务分为两部分,这是 TTS 架构中常用的模式。前端分析和归一化输入文本,在将文本转换为语音表示之前展开数字和缩写。后端的神经模型然后根据这些表示生成音频波形。
许多现代 TTS 系统还可以将文本分析、语音表示和波形生成融合到单个统一的神经模型中。TTS 的质量通过生成语音的自然度和清晰度来评估,而不是通过 WER。
生产环境中的 TTS 应用
合成语音作为输出层,适用于软件发声的任何场景。常见部署包括: * 有声书朗读 * 逐步导航指令 * 屏幕阅读器 * 虚拟助手响应 * 电话系统中的 IVR 提示
语音智能体是极具挑战性的场景:TTS 层必须正确朗读数字并应对中断,同时必须跨轮次保持声音一致性。通用 TTS 往往在处理字母数字混合朗读时出现故障。
Deepgram 的对话原生 TTS 模型 Flux TTS 支持 Deepgram 的 Numerals 功能。该功能可以逐个数字并带有适当间距地渲染账户号码和其他字母数字混合内容。它专为结构化输入设计,并在跨轮次时保持持久状态。韵律(Prosody)会延续,而不是在每个响应时重新初始化。
ASR 与 STT:核心差异一览
方向和输出格式区分了这三种技术。ASR 和 STT 都是从语音到文本,而 TTS 是从文本到语音。在本指南的产品框架中,只有 STT 的输出是专为人类眼睛设计的。关键指标和故障模式总结如下:
| 技术 | 方向 | 输入 | 输出 | 关键指标 | 常见故障模式 | | :--- | :--- | :--- | :--- | :--- | :--- | | ASR | 语音到文本 | 原始音频流或文件 | 供机器消费的非格式化词序列 | 词错误率 (WER) | 在口音和背景噪声下准确率下降 | | STT | 语音到文本 | 原始音频或 ASR 输出 | 带标点、大写和说话人标签的转录文本 | 可读性和格式化准确性 | 格式化错误降低可读性 | | TTS | 文本到语音 | 文本(如 LLM 响应或脚本) | 合成语音音频 | 语音质量 | 不自然的合成 |
处理深度解释了这种划分。ASR 在解码器识别出词序列并交给下游系统后就停止。STT 在其上叠加格式化层。在生产环境中,联系中心基于原始 ASR 输出来路由电话,客户永远看不到这些输出。媒体团队发布 STT 转录文本,可读性是产品的核心。
ASR 和 TTS 有何不同
ASR 和 TTS 位于同一流程的两侧。ASR 获取语音音频并将其转换为机器或人可处理的文本。TTS 获取文本并将其转换为一位来电者或听者能听到的语音音频。在语音智能体中,ASR 处理系统听到的内容,TTS 处理系统回复的内容。
常用相关术语
语音识别和声纹识别描述不同的任务。转录和口述也是如此。区分它们可防止架构和安全错误。
语音识别 vs. 声纹识别
语音识别从音频中提取单词,并基于客户意图驱动交互式语音应答(IVR)路由。当客户说“我需要查询我的余额”时,语音识别转录该陈述,下游 NLP 识别意图并触发账户查询工作流。
声纹识别通过生物特征分析识别说话者,构建声纹指纹用于认证。银行可以使用这些声纹指纹在无需 PIN 码或安全问题的情况下验证客户身份。
联系中心可以使用语音识别进行通话路由和坐席辅助。金融服务机构可能会在其上层叠加声纹识别以防止欺诈。混淆两者会导致团队追逐永远不会部署的说话人识别功能,或者忽略安全要求,直到审计失败迫使其进行昂贵的后期整改。
STT vs. 转录
STT(或 ASR)位于此工作流的引擎层。转录是输出。转录文本是从音频中产生的文本文档,可以来自自动化模型或人工转录员。混合工作流也是另一种选择,由编辑清理机器输出。
自动化 STT 实时或近实时运行,使其成为实时字幕和会议笔记的默认选择。人工和混合工作流为法律证词和医疗记录增加了审查力度,因为在这些场景中责任是关键。广播媒体也使用这种审查。原始 ASR 转录加上针对性的人工审查是常见的中间路径。
口述 vs. 转录
口述捕捉的是为记录目的而设计的有意语音。医生在口述患者笔记时使用完整的句子并为标点停顿。他们还结构化内容以适应下游工作流。说话者控制节奏、清晰度以及格式化提示。
转录处理自然对话。通话、访谈和会议中人们互相打断、使用填充词且不通知标点,这种不可预测性需要更重的后处理和定制模型。
Deepgram 的 Nova-3 Medical 专为口述临床笔记设计,并在大型临床语料库上训练。自由流动的患者-提供者对话仍受益于定制模型和转录后的人工 QA,这有助于捕捉罕见药物名称、语音重叠和背景噪声。
实际使用案例
向机器发送原始 ASR,向读者提供格式化 STT。当软件发声时使用 TTS。以下每个行业都在此基础上添加了自身的要求。
无障碍
实时字幕必须既快速又格式化。原始 ASR 输出迫使聋人或听力受损观众自行推断标点和时机。字幕平台在流式 ASR 之上叠加大小写和说话人标签,以及时间提示。结果读起来像字幕,而不是小写单词流。
联系中心
在企业规模下,没有主管能手动监控企业联系中心每天处理的数万通电话。原始 ASR 将每次对话流式传输到分析管道。NLP 模型随后实时标记流失风险和合规违规,并识别升级销售机会。
通话后报告需要可读的转录文本用于培训和监管审计。相同的音频在通话完成后通过 STT 格式化。
医疗
临床医生使用领域特定术语,这会打破通用 API;“metoprolol tartrate 25 milligrams BID”并非标准英语。医疗语音模型在专业词汇上训练,并将格式化文本直接放入 EHR(电子健康记录)。语音识别可以缩短文档时间,但临床输出是安全敏感的。在笔记到达患者记录之前,将定制模型与人工审查相结合。
媒体和播客
从事媒体和播客的记者将音频视为可搜索档案和字幕的原材料,也为书面专题提供素材。初步 ASR 转录在录音后几分钟内标记访谈亮点。人工审查和编辑将文本提升至出版标准。
一旦两小时的辩论被逐字索引,观众可以直接跳转到特定引言,而不是在视频中拖拽。
开发者产品
如果你正在为任务应用或机器人构建语音命令,当你需要意图短语而非完整转录时,请使用原始 ASR。IoT 控制器也是如此。智能家居应用关心的是用户是否说了“调暗厨房灯光 50%”,而不是短语是否有正确的标点。
文本直接输入意图解析器,跳过格式化开销,随着使用量的增加,计算成本保持较低。同样的产品也越来越需要返回路径。听到命令的设备通过 TTS 大声确认。
安全和生物特征
欺诈团队使用声纹指纹在坐席接听电话前将语音与注册档案匹配。声纹验证运行在认证层,通常完全跳过 STT 处理以减少数据暴露。验证可以操作简短语音样本,具体取决于各供应商的测试。验证后的音频可以流入分析流。声纹识别识别是谁在说话;ASR 转录说的是什么。
何时使用 ASR 而不是 STT
将输出格式与消费者匹配。然后在评估成本约束之前应用延迟和隐私要求。参考以下标准: * 机器实时消费输出(语音命令、通话路由、坐席辅助):流式传输原始 ASR。 * 人们阅读、搜索或归档输出(合规、法律、培训):使用格式化 STT。 * 系统回复语音:添加 TTS 作为输出层。 * 每个单词都关乎责任:在自动化输出之上叠加人工审查。 * 录音不能离开你的基础设施:评估自托管部署,并将数据保留策略与性能规格同等重视。 * 成本随量扩展:基于用量的云定价可在无需采购延迟的情况下吸收流量峰值。在持续高量下,拥有专用基础设施可能更具成本竞争力。
如何衡量 ASR 准确率:词错误率(WER)
WER 是标准准确率指标,只有在相对于其测量的数据集时才有意义。NIST 将 WER 定义为替换、删除和插入数除以参考转录中的总词数。越低越好。
数据集依赖性正是同一模型发布的数字差异如此之大的原因。清晰的有声书语音产生的 WER 远低于财报电话或多说话人会议。Open ASR Leaderboard 在八个数据集上对 WER 进行宏观平均。该表格使用了其 2026 年 3 月 27 日的快照,因此填充的结果共享同一快照和方法论。
| 模型 | LibriSpeech Clean WER | Real-World WER | 备注 | | :--- | :--- | :--- | :--- | | Cohere Transcribe | N/A | 5.42% | Leaderboard 八个数据集平均值 | | IBM Granite 4.0 1B Speech | N/A | 5.52% | 相同快照和方法论 | | OpenAI Whisper Large v3 | N/A | 7.44% | 相同快照 |
Deepgram 未列在该排行榜上,因此请使用独立的 Deepgram 数据。Nova-3 在 462.8× 速度因子下测得 5.2% 的 AA-WER(非流式)。Artificial Analysis 将其排名为追踪的 55 个模型中第二快。对于流式传输,Artificial Analysis 测得 Nova-3 的 WER 为 6.7%。
它测得 Deepgram Flux(专为语音智能体构建的对话式语音转文本模型)为追踪中最快。Flux 的最终转录时间为 0.020 秒,在该套件上的 WER 为 7.36%。不要将供应商数字和独立数字并排堆叠。它们使用不同的数据集和方法论,这是数据集依赖性教训的缩影。
ASR/STT API 价格对比(2026)
发布的按量付费费率在各提供商之间相差数倍,因此在选择前请对你的实际月使用量进行建模。以下竞争对手费率为 2026 年 8 月发布的公开价格;请查阅定价页面获取当前 Deepgram 费率。
| 提供商 | 批量价格 | 流式价格 | 备注 | | :--- | :--- | :--- | :--- | | Deepgram Nova-3 | 见定价页面 | 见定价页面 | Deepgram 定价页面上的单语和多语按量付费费率 | | Deepgram Flux (STT) | N/A | 见定价页面 | 专为语音智能体构建的对话式 STT;当前费率见 deepgram.com/pricing | | OpenAI Whisper API | $0.006/分钟 | N/A | 批量转录;参见 OpenAI 定价 | | OpenAI gpt-live-transcribe | N/A | $0.017/分钟 | 流式模型;当前费率见 developers.openai.com/api/docs/pricing | | Google Cloud Chirp 3 | $0.003/分钟 | $0.016/分钟 | Google Cloud 定价页面上的公开费率;批量使用动态批量识别费率 | | AssemblyAI Universal-3.5 Pro | $0.21/小时 | $0.45/小时 | AssemblyAI 定价上的公开每小时费率 |
开源 vs. 商业 ASR:权衡
选择部署模式时请记住,开源模型现在在排行榜上的 WER 表现与商业 API 处于同一水平,但你需要自己承担生产管道工作。在生产规模下运行 Whisper、Parakeet 或 Granite 意味着拥有 GPU 基础设施和扩展。这也意味着拥有监控和升级。
评估每个开源检查点是否具备生产层功能,如说话人分离、PII 编辑、标点恢复、流式支持和合规工具。覆盖范围因项目而异。
在自托管部署中,你需要构建日志记录和跟踪,以及质量监控和告警。商业 API 可能会捆绑仪表盘或运营遥测,尽管功能因提供商而异。对于定制,开源部署可以提供跨管道的模型定制和控制。商业 API 通常暴露运行时词汇或关键词功能。功能因项目和提供商而异。
商业 API 对这些层、SLA 和支持按分钟收费。你的盈亏平衡点取决于使用量和你团队对基础设施的接受度。还取决于合规要求是否允许音频离开你的环境。
向供应商追问的问题
在承诺之前,用你的实际音频测试多个供应商,并直接获得以下问题的答案: * 在你的特定音频文件上,而非营销基准上,词错误率是多少? * 他们存储转录文本多久,存在哪里? * 你能在不重新训练的情况下注入自定义词汇吗? * 在 10 倍峰值流量下,延迟会发生什么?
用实际生产数据回答这些问题,可以防止日后昂贵的重新平台化。
ASR、STT 和 TTS 如何在语音智能体流程中协同工作
完整的对话交换将语音转换为文本供语言模型处理,然后将模型的决定再次转换为语音。在此流程中,ASR 和 TTS 分列 LLM 两侧,各自处理对话的一个方向。ASR 处理输入,TTS 处理输出。 * ASR/STT(听):流式 ASR 将来电者音频转换为文本,并在来电者仍在说话时发出部分转录。 * LLM(决策):语言模型获取转录文本并生成响应。 * TTS(说):TTS 引擎将该响应渲染为音频。
延迟在 ASR、LLM 和 TTS 中累积,因此每个阶段的预算都很重要。流式转录可以在来电者完成之前将部分结果反馈给下游。几秒钟的停顿会使语音交互感觉无响应。
ASR/STT 的划分在流程内部依然存在。原始 ASR 在通话期间提供实时意图处理。STT 将相同音频转换为格式化转录,供审计人员和 QA 团队在事后搜索和审查。
Deepgram 的 Voice Agent API 在单个流式连接上运行此循环。你发送原始音频,获得实时语音交互加上格式化转录。你无需自己协调单独的 ASR、LLM 和 TTS 服务。捆绑定价避免了单独的 LLM 转售成本,并且提供 BYO LLM 和 BYO TTS 选项。
Deepgram 在生产环境中的优势
对于生产级语音系统,Deepgram 的 API 支持运行时定制和灵活部署,以及项目级并发控制。这些功能有助于在流量峰值期间维持准确率和延迟。它们还支持通过交叉干扰和地区口音实现的并发处理。
无需重新训练的运行时定制
品牌名称和处方代码是通用模型容易出错的地方。产品 SKU 会造成同样的问题。Keyterm Prompting 允许你在请求时传递多达 100 个领域特定术语,无需重新训练周期。Nova-3 还能转录英语和西班牙语。法语、德语、印地语和其他语言也得到支持。请检查目标地区的当前语言列表。
扩展、部署和合规
Deepgram 在项目级别限制并发请求,而不是给定时间段内的总请求数。限制附着在你的项目上,而非单个 API 密钥。请确认你所在层级的当前速率限制。
平台可以在云端运行,或在你自己的硬件上自托管(针对符合条件的产品)。受监管团队可以将语音数据保留在其合规边界内,但应确认其部署目标的模型可用性。Deepgram 的实时转录为 Abby Connect 的 AI 接待员服务提供支持,并支持 Red Box 注重合规的联系中心转录。
开始使用 Deepgram
ASR 和 STT 覆盖语音 AI 的输入半边;TTS 覆盖输出半边。将原始流式 ASR 连接到任何机器消费的内容,将格式化 STT 连接到任何人阅读的内容。在系统回复语音的任何地方使用 TTS。Deepgram 提供语音转文本和语音合成 API,并在其上提供 Voice Agent API 供部署对话系统的团队使用。
准备好评估用于生产部署的 ASR 和 STT 了吗?创建一个免费账户,使用你的 $200 免费额度在 production audio 上测试 Deepgram 的 Nova-3 模型,探索 Voice Agent API 功能,并将实时延迟与当前解决方案进行比较。
FAQ
* STT 是 ASR 的一种类型吗? 在日常行业用法中,这两个术语是可以互换的。在严格的学术用法中,ASR 是完整的识别系统,STT 是其中的转录任务。 * ASR 和 TTS 之间的区别是什么? 它们是相反的过程。ASR 将语音音频转换为文本;TTS 将文本转换为语音音频。在语音智能体中,ASR 处理输入,TTS 处理输出。 * 什么是词错误率(WER)? WER 是转录准确率的标准指标:替换加删除加插入,除以参考转录中的单词数。越低越好,且分数高度依赖测试数据集。 * ASR 和声纹识别的区别是什么? ASR 转录所说的词。声纹识别通过将生物声纹特征与注册档案匹配来识别是谁在说话。 * ASR 和 NLP 的区别是什么? ASR 在流程的输入阶段将音频转换为文本。NLP(自然语言处理)解释或生成该文本的含义。在语音流程中,ASR 生成 NLP 系统随后分析的单词。 * ASR 和转录的区别是什么? ASR 是语音转换工作流中的引擎。转录是输出:文本文档本身。它可以来自 ASR 或人工转录员。混合工作流也可以产生它。 * 流式和批量转录的区别是什么? 流式转录在音频仍在传入时返回部分结果,适用于实时应用。批量转录在事后处理完整录音,此时完整录音可用于处理。 * ASR 支持说话人分离和单词级时间戳吗? 因提供商而异。Deepgram 提供说话人分离作为语音转文本功能。请检查各提供商的当前文档以了解单词级时间戳和分离支持。 * ASR、STT 和 TTS 的区别是什么? 在实践中,ASR 和 STT 都将语音转换为文本,尽管标签可以区分识别系统与其转录任务或输出。TTS 运行在相反的方向,将书面文本转换为合成语音。 * ASR、STT 和 TTS 如何在语音智能体中协同工作? 在对话系统中,来电者语音通过 ASR 或 STT 变为文本。LLM 解释该文本并生成响应。TTS 将响应转换回音频。流式转录可以在整个回合完成之前返回部分结果。 * 何时应使用 ASR、STT 或 TTS? 对于实时机器处理,选择原始 ASR。当人们需要阅读、搜索或归档转录文本时,使用格式化 STT。当系统需要发声时,使用 TTS。当转录错误可能带来法律、临床或合规风险时,添加人工审查。
相关文章 查看所有 Francisco Sousa Machado GTM Lead - España 让西班牙联系中心为 Ley 10/2025 做好准备,使用 Nova-3 公告 Abe Pursell SVP, Global Business Development and Partnerships Deepgram Marketplace:语音 AI 的开放生态系统 公告 Ed Anuff CPO 保持对话连贯性的语音智能体 公告 Deepgram Deepgram 收购 Daily(Pipecat 的制造者),以提供首个完整、生产就绪的对话式语音 AI 开放堆栈 公告