Deepgram

সংক্ষিপ্ত পরিচিতি

Deepgram developer-দের voice AI infrastructure দেয়: speech-to-text, text-to-speech এবং Voice Agent API, যার মাধ্যমে real time-এ শোনা ও উত্তর দেওয়া assistant তৈরি করা যায়। এটি call centre, voice agent, meeting tool এবং media transcription-এর মতো product-এর জন্য তৈরি।

প্রধান বৈশিষ্ট্য

• Speech-to-text: streaming ও pre-recorded audio-এর জন্য monolingual এবং multilingual Nova-3 model, এবং real-time dialogue-এর জন্য তৈরি conversational model Flux। Whisper Large-ও পাওয়া যায়।
• Text-to-speech: Aura-2, Aura-1 ও Flux TTS voice; Deepgram 45টির বেশি language এবং 100টির বেশি voice profile তালিকাভুক্ত করে।
• Voice Agent API: listening, language model ও speech-কে একটি agent-এ একত্র করে। নিজের LLM বা TTS আনা এবং function call করার option রয়েছে, যেমন appointment বুক করা।
• Enterprise: enterprise plan-এ custom data ও deployment requirement।

মূল্য

নতুন account-এ $200 free credit পাওয়া যায়; কোনো minimum বা expiry নেই এবং credit card প্রয়োজন হয় না। Pay-as-you-go-এর উদাহরণ:

• Speech-to-text: Nova-3 Monolingual streaming-এর জন্য প্রতি মিনিটে $0.0077 বা pre-recorded-এর জন্য প্রতি মিনিটে $0.0043; Flux STT English প্রতি মিনিটে $0.0077।
• Text-to-speech: Aura-2 প্রতি 1,000 character-এ $0.030; Aura-1 $0.0150।
• Voice Agent API: standard configuration-এর জন্য প্রতি মিনিটে $0.075।

Growth plan, যা বছরে prepaid credit হিসেবে $4,000 থেকে শুরু, এই rate সর্বোচ্চ 20% কমায়; Enterprise custom।

কার জন্য

যেসব developer ও product team transcription, call analytics, voice bot এবং real-time assistant-এর মতো voice feature তৈরি করে তাদের জন্য।

শুরু করার পদ্ধতি

Free credit পেতে sign up করুন, একটি API key তৈরি করুন এবং নিজের audio-তে accuracy তুলনা করতে pre-recorded endpoint-এ একটি ছোট recording পাঠান। এরপর model বেছে নেওয়ার আগে live microphone দিয়ে streaming পরীক্ষা করুন।

যা মনে রাখা দরকার

Model, streaming বনাম pre-recorded audio এবং plan অনুযায়ী price বদলে যায়, তাই আপনার প্রকৃত minute দিয়ে হিসাব করুন। নিজের data-তে accent, name এবং domain term পরীক্ষা করুন।

অনুরূপ টুল

ElevenLabs, AssemblyAI, OpenAI Whisper, Speechmatics, Rev।