Wissensdatenbank · Voice & Conversational AI · Speech-to-Text-API

Deepgram – Spracherkennung, Sprachsynthese und Voice Agents aus einer API.

Deepgram ist ein US-amerikanischer Anbieter von Sprach-KI, der vor allem durch schnelle, streamingfähige Spracherkennung bekannt wurde. Heute umfasst das Angebot Speech-to-Text, Text-to-Speech, eine Voice Agent API und Funktionen zur Audio-Analyse – als Cloud-Dienst oder selbst betrieben im eigenen Rechenzentrum. Für den Mittelstand ist Deepgram ein starker Baustein für Telefon-Assistenten, Gesprächsprotokolle und Sprachfunktionen in eigener Software. Entscheidend sind ein ehrlicher Test der deutschen Erkennungsqualität und eine saubere Antwort auf die Frage, wo die Audiodaten verarbeitet werden.

Dieser Artikel wurde mithilfe künstlicher Intelligenz erstellt und redaktionell geprüft.

30 Min. Lesezeit
Aktualisiert · Oktober 2026
Fachartikel · Expertenbeitrag
Deepgram
Deepgram, Inc. · USA (Vertragspartner und Region prüfen)
Typ
Speech-to-Text-, TTS- und Voice-Agent-API
Modelle
Nova (STT), Flux (Gespräch), Aura (TTS) – Stand prüfen
Anbindung
REST, WebSocket-Streaming, SDKs
Betrieb
Cloud, EU-Endpunkt (prüfen), Self-Hosted
Datenhoheit
US-Cloud – Drittlandtransfer; Self-Hosting als Alternative
Hauptwettbewerb
AssemblyAI, Whisper, Azure und Google Speech
INAGRO Eignung Mittelstand mit Entwicklungspartner
★★★★★
Kapitel 01 · Überblick

Was ist Deepgram?

Deepgram ist eine Sprach-KI-Plattform für Entwickler. Im Kern steht eine Programmierschnittstelle, die gesprochene Sprache in Text umwandelt – als Datei-Upload oder als fortlaufender Datenstrom in Echtzeit. Um diesen Kern herum hat der Anbieter Sprachsynthese, eine Schnittstelle für komplette Voice Agents und Analysefunktionen für Gespräche aufgebaut. Deepgram ist damit kein fertiges Anwendungsprodukt, sondern eine Infrastruktur, auf der Softwarehäuser, Contact-Center-Anbieter und Unternehmen eigene Sprachlösungen errichten.

Wer heute einen Telefon-Assistenten, eine automatische Gesprächsdokumentation oder Live-Untertitel baut, braucht an irgendeiner Stelle eine Spracherkennung, im Fachjargon Automatic Speech Recognition (ASR) oder Speech-to-Text (STT). Diese Komponente entscheidet maßgeblich darüber, ob das Gesamtsystem funktioniert: Wird die Kundennummer falsch verstanden, kann auch das beste Sprachmodell dahinter nichts retten. Deepgram hat sich genau auf diese Komponente spezialisiert und gilt im Markt als einer der etablierten Anbieter für Echtzeit-Transkription, insbesondere dort, wo kurze Reaktionszeiten und hohe Gesprächsvolumen zusammenkommen.
Das Unternehmen wurde Mitte der 2010er-Jahre in den USA gegründet und verfolgte von Beginn an einen konsequent auf tiefen neuronalen Netzen basierenden Ansatz: Statt klassische Spracherkennungsketten aus akustischem Modell, Aussprachelexikon und Sprachmodell zusammenzusetzen, trainiert Deepgram durchgängige Modelle, die Audio direkt in Text übersetzen. Dieser Ansatz ist heute Branchenstandard, war aber damals ein Unterscheidungsmerkmal – und prägt bis heute die Positionierung als technologiegetriebener Anbieter mit eigenen Modellen statt als Wiederverkäufer fremder Technik.
Drei Eigenschaften charakterisieren Deepgram aus Sicht eines Entscheiders:
  • Echtzeit als Schwerpunkt – Deepgram ist auf Streaming ausgelegt. Audio wird in kleinen Paketen übertragen, Zwischenergebnisse kommen laufend zurück. Das ist die Voraussetzung für Voice Agents, Live-Untertitel und Agentenassistenz im Contact Center.
  • Mehrere Bausteine aus einer Hand – Neben der Spracherkennung bietet Deepgram Sprachsynthese, eine Voice Agent API und Audio Intelligence. Unternehmen können einzelne Bausteine nutzen oder die komplette Sprachkette bei einem Anbieter beziehen.
  • Wahl des Betriebsmodells – Neben der US-Cloud bietet Deepgram nach unserem Kenntnisstand einen europäischen Endpunkt sowie die Möglichkeit, Modelle selbst zu betreiben. Gerade Letzteres ist für datenschutzsensible Szenarien ein relevanter Unterschied zu reinen Cloud-Anbietern.

Vom Transkriptionsdienst zur Voice-AI-Plattform

Lange war Deepgram vor allem als Spracherkennungs-API bekannt: Audio hinein, Text heraus, schnell und skalierbar. Mit dem Aufkommen großer Sprachmodelle und dem Boom der Voice Agents hat der Anbieter sein Angebot schrittweise erweitert. Zunächst kam mit der Aura-Familie eine eigene Sprachsynthese hinzu, die auf geringe Latenz im Dialog statt auf maximale Ausdrucksstärke ausgerichtet ist. Danach folgte die Voice Agent API, die Spracherkennung, ein wählbares Sprachmodell und Sprachsynthese in einer einzigen Echtzeit-Verbindung bündelt. Zuletzt ergänzte Deepgram Modelle, die speziell auf Gesprächsdynamik ausgelegt sind und erkennen, wann ein Sprecher fertig ist.
Diese Entwicklung ist für die Einordnung wichtig: Deepgram konkurriert heute auf zwei Ebenen. Als Komponentenanbieter steht es im Wettbewerb mit anderen Spracherkennungs- und Synthesediensten. Als Plattform für Voice Agents tritt es zusätzlich gegen Anbieter an, die komplette Gesprächsagenten liefern. Wie bei allen Anbietern in diesem dynamischen Markt gilt: Modellbezeichnungen, Funktionen und Bedingungen ändern sich häufig. Für jede Planung ist der aktuelle Stand in der Dokumentation des Anbieters maßgeblich.

Für wen Deepgram gedacht ist

Deepgram richtet sich an Entwicklerteams. Typische Kunden sind Anbieter von Contact-Center- und Telefonie-Software, Plattformen für Voice Agents, Hersteller von Meeting- und Diktiersoftware, Medienunternehmen mit großen Audioarchiven sowie Unternehmen, die Sprachfunktionen in eigene Prozesse integrieren. Viele Mittelständler begegnen Deepgram zudem indirekt: Zahlreiche Voice-Agent-Plattformen und Frameworks nutzen Deepgram im Hintergrund als Spracherkennung oder bieten es als wählbare Option an.
Für eine Fachabteilung ohne Entwicklungsunterstützung ist die API in Reinform zu technisch. Wer aber eine eigene Lösung mit einem Umsetzungspartner baut oder bewusst entscheiden möchte, welche Spracherkennung in einer Plattform zum Einsatz kommt, sollte Deepgram kennen. Wichtig ist zudem der Anbieterhintergrund: Deepgram ist ein US-Unternehmen. Das hat Folgen für Datenschutz und Vertragsgestaltung, die wir in Kapitel 09 ausführlich behandeln.
INAGRO-Einschätzung

Deepgram ist einer der ausgereiftesten Bausteine für schnelle, streamingfähige Spracherkennung und inzwischen eine ernstzunehmende Plattform für die gesamte Sprachkette. Besonders interessant für den Mittelstand ist die Self-Hosting-Option, die bei strengen Anforderungen an Datenhoheit einen Weg jenseits der US-Cloud eröffnet. Ob Deepgram die richtige Wahl ist, entscheidet sich aber am konkreten Material: an deutschen Telefonaufnahmen, Fachbegriffen und Dialekten aus dem eigenen Alltag.

Kapitel 02 · Produktfamilie & Positionierung

Modellfamilien und ihre Rolle im Deepgram-Angebot

Deepgram entwickelt seine Modelle selbst und ordnet sie in Familien, die jeweils eine Aufgabe in der Sprachkette übernehmen. Wer die Rollen kennt, kann gezielt kombinieren – oder bewusst nur einen Baustein einsetzen. Konkrete Modellbezeichnungen, Versionsstände und Sprachabdeckung ändern sich regelmäßig und sind immer beim Anbieter zu prüfen.

Nova-Familie
Speech-to-Text

Die allgemeinen Spracherkennungsmodelle für Echtzeit und Dateien. Neuere Generationen bieten mehrsprachige Erkennung, Begriffslisten zur Laufzeit und Varianten für Fachdomänen. Rückgrat der meisten Deepgram-Projekte.

EingabeAudio (Datei, Stream)
AusgabeText mit Metadaten
StärkeTempo, Skalierung
EinsatzTelefonie, Protokolle
Flux
Gesprächs-STT

Ein auf Dialoge ausgelegtes Erkennungsmodell, das neben dem Text auch erkennt, wann ein Sprecher seinen Beitrag beendet hat. Gedacht für Voice Agents, bei denen das Timing des Sprecherwechsels über das Gesprächserlebnis entscheidet. Sprachabdeckung prüfen.

EingabeAudio-Stream
AusgabeText, Turn-Signale
StärkeSprecherwechsel
EinsatzVoice Agents
Aura-Familie
Text-to-Speech

Sprachsynthese mit Fokus auf geringe Latenz und klare, geschäftstaugliche Stimmen. Weniger auf Hörbuch-Ausdruck als auf Dialogfähigkeit getrimmt. Verfügbare deutsche Stimmen und Aussprachequalität vorab testen.

EingabeText
AusgabeAudio (Stream)
StärkeReaktionszeit
EinsatzDialog, IVR
Voice Agent API
Orchestrierung

Bündelt Spracherkennung, ein wählbares Sprachmodell und Sprachsynthese in einer Echtzeit-Verbindung inklusive Unterbrechungslogik und Funktionsaufrufen. Das Sprachmodell kann von Deepgram bereitgestellt oder selbst angebunden werden.

EingabeAudio
AusgabeAudio, Text, Events
StärkeKomplette Kette
EinsatzTelefon-Assistent

Spracherkennung als Kern: Generationen, Varianten und Domänen

Die Spracherkennung ist das Herzstück von Deepgram, und sie wird in Generationen weiterentwickelt. Jede neue Generation verspricht bessere Genauigkeit, robustere Erkennung bei Störgeräuschen und mehr Sprachen. Neben dem allgemeinen Modell gibt es je nach Stand spezialisierte Varianten, etwa für medizinische Terminologie, Telefonaudio oder Besprechungen. Für Unternehmen bedeutet das: Die Wahl des Modells ist keine Formalität, sondern eine Konfigurationsentscheidung mit spürbarem Einfluss auf die Qualität. Ein Modell, das in englischsprachigen Callcentern brilliert, kann bei deutscher Fachsprache aus dem Maschinenbau durchschnittlich abschneiden – und umgekehrt.
Ein wichtiges Merkmal neuerer Generationen ist die Möglichkeit, dem Modell zur Laufzeit wichtige Begriffe mitzugeben: Produktnamen, Firmennamen, Ortsnamen oder Fachbegriffe, die sonst häufig falsch erkannt würden. Das ersetzt kein Training, hilft aber genau dort, wo Spracherkennungen im Unternehmenskontext typischerweise scheitern. Darüber hinaus bietet Deepgram für größere Kunden die Anpassung von Modellen an eigene Daten an. Ob sich dieser Aufwand lohnt, hängt vom Volumen und vom Abstand zwischen Standardqualität und Anforderung ab – und ist eine Frage für den Vertrieb des Anbieters, nicht für ein Datenblatt.

Positionierung im Markt: Geschwindigkeit, Volumen, Entwicklerfokus

Deepgram positioniert sich als Anbieter für Echtzeit-Anwendungen mit hohen Volumen. Die Botschaft lautet sinngemäß: schnelle Ergebnisse, gute Genauigkeit, wettbewerbsfähige Preise und eine Infrastruktur, die auch große Contact Center trägt. Dazu passt der klare Fokus auf Entwickler mit ausführlicher Dokumentation, SDKs für gängige Programmiersprachen, einer Test-Umgebung im Browser und einem Einstiegsguthaben zum Ausprobieren. Herstellerangaben zu Genauigkeit und Geschwindigkeit sollten dabei – wie bei allen Anbietern – mit Vorsicht gelesen werden. Benchmarks werden meist auf englischsprachigen Datensätzen erstellt und sagen wenig darüber aus, wie gut ein Modell schwäbelnde Kunden am Mobiltelefon versteht.
Im Vergleich zu den großen Cloud-Anbietern ist Deepgram fokussierter: Es gibt keine breite Plattform aus Datenbanken, Rechenzentren und Office-Anwendungen, sondern ein spezialisiertes Sprachangebot. Das hat Vor- und Nachteile. Spezialisierte Anbieter bringen Neuerungen oft schneller und gezielter auf den Markt, während Hyperscaler bei Vertragslandschaft, Regionenauswahl und Einbindung in bestehende Cloud-Verträge punkten. Gegenüber Open-Source-Modellen wie Whisper bietet Deepgram dagegen einen betriebsfertigen, auf Echtzeit optimierten Dienst mit Support – zum Preis einer Abhängigkeit vom Anbieter.
Modellnamen sind Momentaufnahmen

Bezeichnungen wie „Nova“, „Flux“ oder „Aura“ samt Versionsnummern ändern sich, ältere Modelle werden abgekündigt, Sprachen kommen hinzu. Legen Sie sich in Konzepten und Verträgen nicht auf einen Modellnamen fest, sondern auf Qualitätskriterien und einen Testprozess, mit dem neue Modelle geprüft und freigegeben werden. Aktuelle Modelle, Sprachabdeckung und Abkündigungstermine sind beim Anbieter zu prüfen.

Kapitel 03 · Funktionsumfang

Speech-to-Text, Text-to-Speech, Voice Agent API und Audio Intelligence

Deepgram deckt die Sprachkette von der Erkennung über die Analyse bis zur Ausgabe ab. Die Funktionen lassen sich einzeln oder kombiniert nutzen und werden überwiegend über Parameter beim Aufruf gesteuert. Die folgende Übersicht ordnet die wichtigsten Bausteine nach ihrem Nutzen für Unternehmensanwendungen.

Spracherkennung: Batch und Streaming mit reichhaltigem Ergebnis

Die Spracherkennung arbeitet in zwei Modi. Im Batch-Modus wird eine fertige Audiodatei übertragen oder per Link bereitgestellt; das Ergebnis kommt nach kurzer Verarbeitung zurück, auf Wunsch auch asynchron per Rückruf an die eigene Anwendung. Das eignet sich für Gesprächsarchive, Diktate, Podcasts oder die nachträgliche Auswertung aufgezeichneter Telefonate. Im Streaming-Modus wird über eine dauerhafte WebSocket-Verbindung Audio in Echtzeit gesendet. Deepgram liefert vorläufige Zwischenergebnisse, die sich während des Sprechens noch ändern, und endgültige Ergebnisse, sobald ein Abschnitt abgeschlossen ist. Ergänzend gibt es Signale zur Sprachaktivität und zum Äußerungsende, die für Dialogsysteme wichtig sind.
Das Ergebnis ist mehr als reiner Text. Je nach Konfiguration enthält es Zeitstempel pro Wort, Konfidenzwerte, Sprechertrennung (Diarization), automatische Zeichensetzung und Groß- und Kleinschreibung, eine intelligente Formatierung von Zahlen, Datumsangaben, Währungen und Telefonnummern, die Gliederung in Absätze und Äußerungen sowie bei Mehrkanalaufnahmen die Trennung nach Kanal – etwa Kunde auf dem einen, Mitarbeiter auf dem anderen Kanal. Hinzu kommen Spracherkennung zur automatischen Wahl der Sprache, Filter für Kraftausdrücke, Suche nach Begriffen im Audio und die Schwärzung sensibler Angaben wie Kreditkartennummern oder bestimmter personenbezogener Daten. Welche dieser Funktionen für Deutsch in welcher Qualität verfügbar sind, ist im Einzelnen zu prüfen; einige Merkmale werden typischerweise zuerst für Englisch angeboten.

Sprachsynthese und Voice Agent API

Mit der Sprachsynthese wandelt Deepgram Text in gesprochene Sprache um. Die Ausgabe kann gestreamt werden, sodass die ersten Silben bereits abgespielt werden, während der Rest noch erzeugt wird – ein entscheidender Faktor für flüssige Dialoge. Die Stimmen sind auf Verständlichkeit und professionellen Klang ausgelegt. Wer dagegen eine geklonte Markenstimme oder sehr ausdrucksstarke, emotionale Sprechweisen benötigt, findet bei spezialisierten Syntheseanbietern teils mehr Spielraum. Für Deutsch gilt besonders: Auswahl an Stimmen, Aussprache von Abkürzungen, Zahlen und Eigennamen sowie die Natürlichkeit der Satzmelodie sind vorab mit eigenen Texten zu testen.
Die Voice Agent API setzt eine Ebene höher an. Statt Erkennung, Sprachmodell und Synthese selbst zu verdrahten, öffnet die Anwendung eine einzige Echtzeit-Verbindung und konfiguriert darin den Agenten: welche Spracherkennung, welches Sprachmodell mit welchen Anweisungen, welche Stimme und welche Funktionen aufgerufen werden dürfen. Deepgram übernimmt die Orchestrierung einschließlich Sprecherwechsel und Unterbrechungen. Das Sprachmodell kann aus einer Auswahl verschiedener Anbieter stammen oder als eigener Endpunkt eingebunden werden – ein wichtiger Hebel für Datenschutz und Kostensteuerung. Welche Modelle und Regionen dabei konkret zur Wahl stehen, ist beim Anbieter zu prüfen.

Audio Intelligence: Verstehen statt nur Mitschreiben

Unter dem Begriff Audio Intelligence fasst Deepgram Analysefunktionen zusammen, die auf dem Transkript aufsetzen. Dazu gehören automatische Zusammenfassungen, die Erkennung von Themen, Absichten (Intents) und Stimmungen sowie die Extraktion von Entitäten. Damit lassen sich aus Gesprächen strukturierte Informationen gewinnen: Worum ging es, war der Kunde verärgert, wurde eine Kündigung angedroht, welche Produkte wurden erwähnt? Im Contact Center ist das die Grundlage für Gesprächsanalysen, Qualitätsmanagement und die automatische Pflege von CRM-Einträgen.
Für den deutschsprachigen Einsatz ist hier besondere Vorsicht geboten. Analysefunktionen dieser Art wurden in der Vergangenheit häufig zuerst oder ausschließlich für Englisch angeboten. Viele Projekte kombinieren daher Deepgram als Spracherkennung mit einem eigenen Sprachmodell für Zusammenfassung und Auswertung, das auf deutsche Texte und die eigenen Kategorien abgestimmt ist. Das bietet zudem mehr Kontrolle darüber, welche Analysen überhaupt stattfinden – ein Punkt, der bei Stimmungsauswertungen von Mitarbeitergesprächen auch mitbestimmungsrechtlich relevant ist.
Funktionsliste je Sprache prüfen

Die Funktionsübersicht eines Anbieters gilt selten für alle Sprachen gleichermaßen. Erstellen Sie eine Matrix aus benötigten Funktionen und Sprachen – etwa Sprechertrennung, Formatierung, Schwärzung und Zusammenfassung für Deutsch – und prüfen Sie jede Zelle in der Dokumentation und im Test. So vermeiden Sie Überraschungen nach der Vertragsunterzeichnung.

Kapitel 04 · KI- & Automatisierungsfunktionen

Gesprächssteuerung, Funktionsaufrufe und Anpassung an die eigene Sprache

Spracherkennung allein automatisiert noch keinen Prozess. Wertvoll wird Deepgram erst, wenn Erkennung, Sprachmodell und eigene Systeme so zusammenspielen, dass Gespräche gesteuert, Daten erfasst und Aktionen ausgelöst werden. Dafür stellt der Anbieter mehrere Mechanismen bereit – von Turn-Signalen bis zu Funktionsaufrufen im Voice Agent.

Turn-Taking und Unterbrechungen: das Timing im Griff

Der häufigste Grund, warum Voice Agents unnatürlich wirken, ist schlechtes Timing. Der Assistent fällt dem Anrufer ins Wort, wenn dieser nur nach der richtigen Hausnummer sucht, oder er wartet zu lange und erzeugt peinliche Pausen. Klassische Systeme entscheiden über das Gesprächsende anhand von Stille: Spricht niemand für eine bestimmte Zeit, gilt der Beitrag als beendet. Das ist robust, aber grob. Deepgram bietet hierfür mehrere Werkzeuge – von konfigurierbaren Signalen zum Äußerungsende in der Spracherkennung bis zu Modellen, die das Gesprächsende aus Inhalt und Sprechweise ableiten. Ein Satz wie „Meine Postleitzahl ist drei zwei …“ signalisiert, dass noch etwas folgt, auch wenn kurz Stille herrscht.
Ebenso wichtig ist der Umgang mit Unterbrechungen. Beginnt der Anrufer zu sprechen, während der Agent noch redet, muss die Ausgabe gestoppt und der neue Beitrag verarbeitet werden. In der Voice Agent API ist dieses Verhalten Teil der Orchestrierung; in selbst gebauten Ketten muss die Anwendung es umsetzen. Am Telefon kommen Echo, Freisprecheinrichtungen und Hintergrundlärm hinzu, die ungewollte Unterbrechungen auslösen können. Schwellenwerte, Wartezeiten und Empfindlichkeit sollten daher mit echten Telefonverbindungen und typischen Störgeräuschen abgestimmt werden – die Standardeinstellungen sind ein guter Start, aber selten das Optimum.

Funktionsaufrufe und Anbindung eigener Sprachmodelle

In der Voice Agent API können dem Agenten Funktionen beschrieben werden, die er im Gespräch nutzen darf: Lieferstatus abfragen, Termin buchen, Rückruf anlegen, Ticket eröffnen. Erkennt das Sprachmodell, dass eine Funktion benötigt wird, sendet die Plattform einen strukturierten Aufruf an die Anwendung, die ihn in den eigenen Systemen ausführt und das Ergebnis zurückgibt. Die Kontrolle bleibt damit beim Unternehmen: Das Modell greift nie direkt auf ERP oder CRM zu. Bewährt haben sich wenige, klar beschriebene Funktionen, eine serverseitige Prüfung aller Parameter und eine Bestätigung im Gespräch vor jeder schreibenden Aktion.
Ein strategisch wichtiges Merkmal ist die Möglichkeit, das Sprachmodell frei zu wählen. Deepgram stellt einige Modelle bereit, erlaubt aber auch die Anbindung eigener oder fremder Endpunkte. Damit lässt sich etwa ein Sprachmodell in einer EU-Region eines Cloud-Anbieters oder ein selbst betriebenes Modell in die Kette einbauen. Für Unternehmen, die bei der Spracherkennung auf Deepgram setzen, beim inhaltlichen Verständnis aber eine bestimmte Datenregion oder einen bestehenden Rahmenvertrag nutzen möchten, ist das ein erheblicher Vorteil gegenüber geschlossenen Systemen. Wer die volle Kontrolle über jede Stufe behalten möchte, baut die Kette alternativ selbst – mit Deepgram als einzelnem Baustein.

Begriffslisten, Modellanpassung und Qualitätssteuerung

Unternehmenssprache ist voller Begriffe, die in allgemeinen Trainingsdaten selten vorkommen: Artikelnummern, Produktnamen, Kundennamen, Abkürzungen aus der Branche. Deepgram bietet dafür die Möglichkeit, wichtige Begriffe zur Laufzeit mitzugeben, damit das Modell sie bevorzugt erkennt. Richtig eingesetzt, verbessert das die Erkennung genau der Wörter, auf die es ankommt. Falsch eingesetzt – etwa mit sehr langen Listen oder allgemeinen Wörtern – kann es zu Fehlerkennungen an anderer Stelle führen. Die Liste gehört daher gepflegt und getestet, nicht einmalig befüllt.
Für größere Volumen bietet der Anbieter darüber hinaus die Anpassung von Modellen an eigene Audiodaten an. Das kann bei sehr spezieller Fachsprache, besonderen Akustikbedingungen oder starkem Dialektanteil sinnvoll sein. Voraussetzung sind ausreichend viele, rechtssicher nutzbare und sauber transkribierte Beispielaufnahmen – im Mittelstand oft der eigentliche Engpass. Ergänzend gehört zu jeder Automatisierung eine Qualitätssteuerung: Konfidenzwerte nutzen, um unsichere Erkennungen nachzufragen, kritische Angaben wie Nummern und Namen im Gespräch bestätigen lassen und Fehler aus dem Betrieb systematisch in Begriffslisten und Tests zurückführen.
Empfehlung aus der Praxis

Investieren Sie früh in eine gepflegte Begriffsliste mit den zwanzig bis fünfzig Wörtern, an denen Ihr Prozess hängt – Produktlinien, Standorte, Fachbegriffe. Der Effekt auf die wahrgenommene Qualität ist oft größer als ein Modellwechsel, und der Aufwand bleibt überschaubar.

Kapitel 05 · Integrationen & Ökosystem

APIs, SDKs, Telefonie und das Voice-Ökosystem

Deepgram ist als Baustein konzipiert und entsprechend gut in das Ökosystem der Sprachanwendungen eingebunden. Viele Frameworks, Telefonie-Anbieter und Voice-Agent-Plattformen unterstützen Deepgram direkt. Für Unternehmen bedeutet das kurze Wege bei der Integration – und die Freiheit, den Anbieter später auszutauschen.

Anbindung Typischer Einsatz Aufwand Hinweis
REST-API (Batch) Aufgezeichnete Gespräche, Diktate, Archive Gering Asynchrone Rückrufe für große Dateien nutzen
WebSocket-Streaming Live-Transkription, Voice Agents, Agentenassistenz Mittel Audioformat, Pufferung und Verbindungsabbrüche sauber behandeln
SDKs Integration in Python, JavaScript, Go, .NET und weitere Gering bis mittel Unterstützte Sprachen und Versionen beim Anbieter prüfen
Twilio & CPaaS Telefonnummern, Media Streams, Weiterleitung Mittel Weiterer Auftragsverarbeiter im Datenfluss
LiveKit, Pipecat, Vocode Orchestrierung, Multi-Anbieter-Pipelines Mittel bis hoch Deepgram als austauschbarer STT- oder TTS-Baustein
Voice-Agent-Plattformen Vapi, Retell AI und ähnliche als Hosting-Schicht Gering Deepgram oft als wählbare Spracherkennung integriert

Schnittstellen und SDKs für Entwickler

Die Grundlage bilden zwei Schnittstellenarten: eine REST-Schnittstelle für Dateien und einzelne Anfragen und eine WebSocket-Schnittstelle für Echtzeit-Streams in beide Richtungen. Für gängige Programmiersprachen stellt Deepgram offizielle SDKs bereit, die Authentifizierung, Verbindungsaufbau und die Verarbeitung der Ergebnisse vereinfachen. Ergänzend gibt es eine Konsole zur Verwaltung von Projekten, Schlüsseln und Nutzung sowie eine Spielwiese im Browser, in der sich Modelle und Parameter mit eigenen Dateien ausprobieren lassen – ideal für eine erste Qualitätseinschätzung ohne Programmierung.
Für die Produktion sind einige Details wichtig. API-Schlüssel gehören auf den Server, nicht in Browser oder App; für clientseitige Verbindungen sollten kurzlebige Zugangsdaten genutzt werden. Bei Streaming-Verbindungen müssen Audioformat und Abtastrate zur Quelle passen – Telefonaudio liegt typischerweise in reduzierter Qualität und anderen Kodierungen vor als Mikrofonaufnahmen. Und Verbindungsabbrüche, Zeitüberschreitungen und Wiederaufnahmen müssen sauber behandelt werden, damit kein Gesprächsabschnitt verloren geht.

Telefonie: Twilio, SIP und Contact-Center-Software

Für Telefonanwendungen wird Deepgram meist nicht direkt mit dem Telefonnetz verbunden, sondern über einen Telefonie-Anbieter. Ein verbreitetes Muster: Twilio Voice nimmt den Anruf entgegen und streamt das Audio per WebSocket an die eigene Anwendung, die es an Deepgram weiterleitet und die Antworten zurückspielt. Alternativ übernimmt eine Contact-Center-Plattform die Anrufsteuerung und bindet Deepgram als Spracherkennung für Agentenassistenz oder Gesprächsanalyse ein. Welche Contact-Center-Lösungen eine fertige Integration anbieten, ist beim jeweiligen Hersteller zu prüfen.
Für mittelständische Unternehmen liegt die eigentliche Herausforderung oft bei der bestehenden Telefonanlage: Wie gelangen Anrufe zum Voice Agent, wie werden sie mit Kontext an Mitarbeitende zurückgegeben, und wer verarbeitet dabei welche Daten? Jeder zusätzliche Dienstleister in der Kette ist ein weiterer Auftragsverarbeiter mit eigener Standort- und Vertragsfrage. Eine saubere Dokumentation des Datenflusses von der Rufnummer bis zum Transkript gehört daher in jedes Projekt.

Frameworks und Plattformen: Deepgram als austauschbarer Baustein

Echtzeit-Frameworks wie LiveKit und Pipecat unterstützen Deepgram als Spracherkennung und teils als Sprachsynthese. Sie übernehmen Medientransport, Sprechererkennung, Unterbrechungslogik und die Verbindung zum Sprachmodell. Der Vorteil liegt in der Austauschbarkeit: Wer heute mit Deepgram startet, kann einzelne Stufen später durch andere Anbieter oder selbst betriebene Modelle ersetzen, ohne die Anwendung neu zu bauen. Für Unternehmen, die Abhängigkeiten begrenzen möchten, ist eine solche Orchestrierungsschicht oft die strategisch sinnvollere Architektur als die direkte Bindung an eine einzelne Voice-Agent-API.
Auch viele gehostete Voice-Agent-Plattformen nutzen Deepgram im Hintergrund oder bieten es als wählbare Option an. Für Unternehmen, die eine solche Plattform einsetzen, lohnt der Blick in die Konfiguration: Welche Spracherkennung ist aktiv, in welcher Region läuft sie, und ist der Anbieter als Unterauftragsverarbeiter gelistet? Häufig lässt sich die Spracherkennung gezielt wählen – und damit Qualität und Datenfluss beeinflussen.
Kapitel 06 · Abgrenzung

Deepgram im Vergleich zu Alternativen

Der Markt für Spracherkennung und Voice AI ist dicht besetzt. Deepgram konkurriert mit spezialisierten Sprach-KI-Anbietern, mit Open-Source-Modellen, mit den Sprachdiensten der großen Cloud-Plattformen und mit Speech-to-Speech-Modellen. Die folgende Einordnung ist herstellerneutral und qualitativ – sie ersetzt keinen Vergleichstest mit eigenen Aufnahmen.

Aspekt Deepgram AssemblyAI Whisper (selbst betrieben) Azure / Google Speech Speech-to-Speech-APIs
Grundansatz Spezialisierte Sprach-API mit eigener Kette Spezialisierte Sprach-API mit Analysefokus Offenes Modell, eigener Betrieb Sprachdienst innerhalb einer Cloud-Plattform Ein Modell für Hören und Sprechen
Echtzeit-Fokus Sehr hoch Hoch Mit Zusatzaufwand Hoch Sehr hoch
Kontrolle über Text Hoch Hoch Sehr hoch Hoch Mittel
EU-Betrieb / Self-Hosting EU-Endpunkt und Self-Hosting prüfen Prüfen Vollständig eigen EU-Regionen, teils Container Prüfen
Benötigte Skills Entwicklung Entwicklung Entwicklung & GPU-Betrieb Entwicklung & Cloud Entwicklung
Sweet Spot Echtzeit-Telefonie, hohe Volumen, Voice Agents Transkription mit Analyse und Sprachmodell-Funktionen Maximale Datenhoheit, Batch-Verarbeitung Bestehende Cloud-Verträge, breite Sprachabdeckung Natürliche Dialoge ohne Zwischentext

Deepgram vs. AssemblyAI und Whisper

AssemblyAI ist der naheliegendste Vergleichskandidat: ebenfalls ein spezialisierter US-Anbieter mit eigenen Spracherkennungsmodellen, Streaming, Sprechertrennung und umfangreichen Analysefunktionen. Die Unterschiede liegen im Detail – in der Erkennungsqualität für bestimmte Sprachen und Akustikbedingungen, im Funktionsumfang je Sprache, in den Betriebsoptionen und in den Konditionen. Traditionell betont Deepgram stärker Echtzeit und Voice Agents, AssemblyAI stärker die Analyse und Weiterverarbeitung von Transkripten. Beide entwickeln sich jedoch schnell in Richtung des jeweils anderen. Ein direkter Vergleich mit identischen deutschen Testaufnahmen ist der einzige seriöse Weg zur Entscheidung.
Whisper ist ein offenes Spracherkennungsmodell, das sich vollständig selbst betreiben lässt. Sein großer Vorteil ist die Datenhoheit: Kein Audio verlässt die eigene Infrastruktur, es fallen keine Nutzungsgebühren an, und die Mehrsprachigkeit ist breit. Dafür ist das ursprüngliche Modell nicht für Echtzeit-Streaming konzipiert; geeignete Varianten und Beschleunigungen existieren, erfordern aber Engineering und GPU-Betrieb. Deepgram bietet dagegen einen betriebsfertigen, auf Streaming optimierten Dienst mit Support und Zusatzfunktionen – und mit dem eigenen Self-Hosting einen Mittelweg, bei dem die Infrastruktur beim Kunden liegt, die Modelle aber vom Anbieter stammen.

Deepgram vs. Azure Speech, Google Speech und Speech-to-Speech

Die Sprachdienste der großen Cloud-Anbieter – etwa Azure AI Speech von Microsoft oder Speech-to-Text von Google Cloud – punkten mit breiter Sprachabdeckung, der Wahl europäischer Regionen und der Einbettung in bestehende Cloud-Verträge. Für Unternehmen, die bereits stark auf eine dieser Plattformen setzen, ist das ein gewichtiges Argument: Vertragswerk, Datenschutzbewertung und Abrechnung sind oft schon vorhanden. Teilweise bieten auch diese Anbieter Container für den Betrieb in eigener Umgebung an. Deepgram punktet demgegenüber mit Spezialisierung, Tempo bei Neuerungen und einem klaren Fokus auf Echtzeit-Anwendungen. Welche Lösung bei deutscher Sprache im eigenen Szenario besser abschneidet, lässt sich nicht pauschal sagen.
Eine grundsätzlich andere Architektur verfolgen Speech-to-Speech-Modelle wie die OpenAI Realtime API. Sie verarbeiten Audio direkt, ohne den Umweg über ein Transkript, und reagieren dadurch besonders natürlich. Die verkettete Architektur, in der Deepgram typischerweise eine Rolle spielt, bietet dagegen mehr Kontrolle: Jede Antwort liegt zuerst als Text vor, jede Stufe lässt sich einzeln wählen, prüfen und datenschutzfreundlich gestalten. Eine ausführliche Gegenüberstellung bietet unser Artikel zu STT, TTS und Voice Agents.
Wann Deepgram gewinnt – und wann nicht
Deepgram gewinnt, wenn Echtzeit-Spracherkennung in Telefonie und Voice Agents im Vordergrund steht, hohe Volumen anfallen, ein Entwicklungsteam oder Partner vorhanden ist und die Self-Hosting-Option die Datenschutzfrage lösen kann. Es verliert gegen Whisper, wenn maximale Datenhoheit ohne Lizenzbeziehung gefragt ist und Echtzeit keine Rolle spielt, gegen Azure oder Google, wenn bestehende Cloud-Verträge und Regionen den Ausschlag geben, und gegen Speech-to-Speech, wenn Natürlichkeit wichtiger ist als Kontrolle über den Text.
Kapitel 07 · Einführung & Betrieb

Cloud, EU-Endpunkt oder Self-Hosted – und stabiler Betrieb

Ein erster Test mit Deepgram ist in einer Stunde erledigt. Der Weg zu einer Lösung, die täglich tausende Minuten zuverlässig verarbeitet, ist länger. Er beginnt mit der Wahl des Betriebsmodells, führt über systematische Qualitätsmessung und endet bei Monitoring, Kostensteuerung und Rückfallebenen.

01
Use Case und Qualitätskriterien
Welche Gespräche sollen erkannt werden, über welchen Kanal, mit welchem Volumen? Wir definieren, welche Fehler kritisch sind – etwa bei Nummern, Namen oder Fachbegriffen – und welche Qualität für den Prozess ausreicht.
02
Betriebsmodell und Datenschutz
US-Cloud, europäischer Endpunkt oder Self-Hosting? Welche Daten dürfen wohin, welche Verträge sind nötig? Diese Entscheidung bestimmt Architektur, Kosten und Zeitplan und gehört vor den ersten Pilot.
03
Testkorpus mit eigenen Aufnahmen
Eine Sammlung realistischer, rechtssicher nutzbarer Aufnahmen mit korrekter Referenz-Mitschrift: Telefonqualität, Dialekte, Störgeräusche, Fachvokabular. Gemessen wird gegen diese Referenz – nicht gegen Herstellerangaben.
04
Konfiguration und Vergleich
Modellwahl, Begriffslisten, Formatierung und Turn-Einstellungen werden optimiert und, wo sinnvoll, mit Alternativen verglichen. Jede Änderung wird gegen den Testkorpus geprüft.
05
Pilot mit begrenztem Volumen
Start in einem Teilbereich mit enger Auswertung. Fehler aus dem Echtbetrieb fließen in Begriffslisten und Testfälle zurück. Übergaben an Mitarbeitende und Rückfallebenen werden geprobt.
06
Skalierung und Betrieb
Ausbau auf weitere Prozesse, Monitoring von Qualität, Latenz, Kosten und Verfügbarkeit, ein Prozess für Modellwechsel und eine klare Verantwortlichkeit für die Sprachlösung im Unternehmen.

Cloud-Betrieb: schnell starten, Region bewusst wählen

Der Cloud-Dienst ist der schnellste Einstieg: Konto anlegen, Schlüssel erzeugen, Audio senden. Deepgram übernimmt Skalierung, Modellaktualisierungen und Verfügbarkeit. Standardmäßig wird dabei in US-Rechenzentren verarbeitet. Nach unserem Kenntnisstand bietet Deepgram inzwischen zusätzlich einen europäischen Endpunkt, über den Anfragen in der EU verarbeitet werden. Welche Modelle und Funktionen dort verfügbar sind, ob alle Daten einschließlich Protokollen und Metadaten in der EU verbleiben und welche Bedingungen gelten, ist beim Anbieter zu prüfen und vertraglich festzuhalten. Ebenso wichtig ist die Frage, ob und wie Kundendaten zur Verbesserung der Modelle verwendet werden und wie sich das per Vertrag oder Einstellung ausschließen lässt.
Für den produktiven Betrieb sind Projektstruktur und Schlüsselverwaltung sorgfältig aufzusetzen: getrennte Projekte für Entwicklung und Produktion, Schlüssel mit minimalen Rechten, regelmäßige Rotation und Nutzungsgrenzen, damit Fehlkonfigurationen nicht unbemerkt Kosten verursachen. Die Nutzung sollte pro Anwendung und Prozess ausgewertet werden, um Kosten zuordnen und Auffälligkeiten erkennen zu können.

Self-Hosting: Datenhoheit gegen Betriebsaufwand

Die Self-Hosted-Variante ist eines der markantesten Merkmale von Deepgram. Dabei werden die Modelle als Container in der eigenen Umgebung betrieben – im eigenen Rechenzentrum, bei einem europäischen Hoster oder in einer Virtual Private Cloud in einer EU-Region. Audio und Transkripte verlassen die kontrollierte Umgebung nicht. Für Unternehmen mit hohen Anforderungen an Vertraulichkeit, etwa im Gesundheitswesen, bei Versicherungen, Behörden oder in der Industrie mit sensiblen Konstruktionsdaten, kann das die entscheidende Option sein. Nach unserem Kenntnisstand ist Self-Hosting an Enterprise-Verträge gebunden; Konditionen, Lizenzmodell und gegebenenfalls erforderliche Verbindungen zum Anbieter, etwa für Lizenzprüfung oder Nutzungsmeldung, sind im Detail zu klären.
Der Preis für die Datenhoheit ist Betriebsaufwand. Benötigt werden GPU-Server mit passender Ausstattung, Container-Orchestrierung, Monitoring, Skalierung bei Lastspitzen, Sicherheitsupdates und ein Prozess, um neue Modellversionen einzuspielen. Für ein mittelständisches Unternehmen ohne eigenes Plattform-Team ist das selten sinnvoll in Eigenregie; realistisch ist der Betrieb durch einen spezialisierten Dienstleister oder in einer verwalteten Umgebung eines europäischen Cloud-Anbieters. Vor der Entscheidung sollte ein ehrlicher Vergleich der Gesamtkosten stehen: Lizenz, Hardware, Betrieb und Personal gegenüber der Cloud-Nutzung.

Qualität messen, Kosten steuern, Ausfälle abfangen

Spracherkennung wird üblicherweise an der Wortfehlerrate gemessen, also dem Anteil falsch, fehlend oder zusätzlich erkannter Wörter gegenüber einer Referenz. Für Unternehmensprozesse ist diese Kennzahl aber nur ein Teil der Wahrheit: Ein falsch erkanntes Füllwort ist egal, eine falsch erkannte Ziffer in der Auftragsnummer ist fatal. Sinnvoll ist daher, neben der allgemeinen Fehlerrate gezielt die Erkennung prozesskritischer Angaben zu messen – Nummern, Namen, Produktbezeichnungen, Datumsangaben. Bei Voice Agents kommen Reaktionszeit, Unterbrechungsverhalten und Lösungsquote hinzu.
Im laufenden Betrieb gehören Monitoring von Qualität, Latenz und Kosten pro Gespräch zum Pflichtprogramm. Cloud-Dienste können langsamer werden oder ausfallen; ein Voice Agent braucht daher definierte Rückfallebenen – etwa die Weiterleitung an Mitarbeitende oder das Umschalten auf einen alternativen Anbieter über eine Orchestrierungsschicht. Gesprächsprotokolle und Transkripte sind für die Qualitätssicherung unverzichtbar, aber datenschutzrechtlich sensibel. Speicherdauer, Zugriffsrechte und Pseudonymisierung sind von Anfang an festzulegen.
Realistische Zeitplanung

Eine belastbare Qualitätsbewertung mit eigenem Testkorpus ist in wenigen Wochen machbar. Ein produktiver Voice Agent oder eine integrierte Gesprächsdokumentation braucht mit Telefonie, Schnittstellen, Datenschutz-Dokumentation und Pilot typischerweise mehrere Monate. Kommt Self-Hosting hinzu, sind Beschaffung und Aufbau der GPU-Infrastruktur zusätzlich einzuplanen.

Kapitel 08 · Einsatz im Mittelstand

Deepgram im DACH-Mittelstand

Sprache ist im Mittelstand allgegenwärtig: am Telefon, im Außendienst, in Besprechungen, in der Werkstatt. Spracherkennung kann hier Dokumentationsaufwand senken, Erreichbarkeit verbessern und Wissen nutzbar machen. Die folgenden Szenarien zeigen, wo Deepgram als Baustein realistisch Wert stiften kann.

Telefon-Assistent für Erstannahme

Ein Voice Agent nimmt Anrufe an, klärt das Anliegen, erfasst Kundennummer und Rückrufwunsch und übergibt mit Zusammenfassung an die zuständige Person – mit Deepgram als Spracherkennung oder über die Voice Agent API.

Weniger verpasste Anrufe
Gesprächsdokumentation im Service

Servicegespräche werden transkribiert, zusammengefasst und als Notiz im CRM abgelegt. Mitarbeitende prüfen und ergänzen statt mitzutippen – mit klaren Regeln zu Information und Speicherfristen.

Weniger Nacharbeit
Agentenassistenz in Echtzeit

Während des Gesprächs erkennt das System Stichworte und blendet passende Wissensartikel, Produktdaten oder Hinweise ein. Neue Mitarbeitende werden so schneller sicher im Kundendialog.

Schneller eingearbeitet
Sprachfunktionen im eigenen Produkt

Softwarehäuser ergänzen ihre Branchenlösung um Diktat, Sprachsteuerung oder Live-Untertitel – etwa für Außendienst, Pflege, Lager oder Fertigung, wo die Hände nicht frei sind.

Produktdifferenzierung
Außendienst- und Werkstattberichte

Techniker sprechen ihren Einsatzbericht nach dem Termin ins Smartphone. Die Spracherkennung liefert den Text, ein Sprachmodell strukturiert ihn in die Felder des Auftragssystems.

Berichte am selben Tag
Vertrauliche Transkription on-premises

Für sensible Gespräche – etwa in Medizin, Recht oder Entwicklung – läuft die Spracherkennung selbst betrieben in der eigenen Umgebung. Audio und Texte verlassen das Unternehmen nicht.

Datenhoheit gewahrt

Deutschqualität: beim Anbieter testen, nicht glauben

Für den DACH-Mittelstand ist die wichtigste Frage zugleich die am schwersten pauschal zu beantwortende: Wie gut versteht Deepgram Deutsch – und zwar unser Deutsch? Deepgram unterstützt Deutsch in seinen aktuellen Modellen, und die Qualität hat sich über die Generationen nach allgemeiner Wahrnehmung deutlich verbessert. Wie bei fast allen Anbietern liegt der Entwicklungsschwerpunkt aber auf Englisch; neue Funktionen und die besten Ergebnisse erscheinen dort oft zuerst. Für Deutsch kommen besondere Herausforderungen hinzu: zusammengesetzte Wörter, Dialekte und regionale Färbungen von Bairisch bis Plattdeutsch, Schweizerdeutsch, englische Fachbegriffe im deutschen Satz und die Wiedergabe von Zahlen und Adressen.
Eine belastbare Aussage liefert nur ein eigener Test. Empfehlenswert ist ein Korpus aus fünfzig bis zweihundert realistischen Aufnahmen – Telefonate in typischer Qualität, verschiedene Sprecherinnen und Sprecher, Hintergrundgeräusche, Fachvokabular – mit einer sorgfältig erstellten Referenz-Mitschrift. Diese Aufnahmen werden bei Deepgram und bei ein bis zwei Alternativen verarbeitet und gezielt auf prozesskritische Angaben ausgewertet. Für Telefonanwendungen sollten Mobilfunk, Freisprechen und schlechte Verbindungen ausdrücklich dabei sein. Und natürlich muss bereits für den Test geklärt sein, dass die verwendeten Aufnahmen datenschutzkonform genutzt werden dürfen – im Zweifel mit nachgesprochenen oder synthetisch erzeugten Testgesprächen. Die Deutschqualität der Sprachsynthese und die Verfügbarkeit von Analysefunktionen für Deutsch sind gesondert zu prüfen.

Wer zu Deepgram passt – und ein typischer Einstiegspfad

Deepgram passt zu Mittelständlern und Softwarehäusern, die einen klar umrissenen Sprach-Anwendungsfall mit nennenswertem Volumen haben, über eigene Entwicklung oder einen erfahrenen Partner verfügen und Wert auf Echtzeitfähigkeit legen. Besonders interessant ist der Anbieter für Unternehmen, die eine verkettete Architektur mit frei wählbaren Bausteinen bevorzugen, und für solche, deren Datenschutzanforderungen nur mit Self-Hosting oder europäischer Verarbeitung erfüllbar sind. Weniger gut passt Deepgram, wenn ein fertiger Telefon-Assistent ohne Eigenentwicklung gesucht wird – dann sind Plattformen die bessere Wahl – oder wenn nur gelegentlich Dateien transkribiert werden und ein einfaches Werkzeug genügt.
Bewährt hat sich ein Einstieg mit einem einzelnen Prozess und begrenztem Risiko, etwa der Transkription interner Besprechungen oder der Dokumentation von Servicegesprächen nach vorheriger Information. Erst wenn die Erkennungsqualität im eigenen Material überzeugt und der Datenschutz dokumentiert ist, folgt der Schritt zum Voice Agent am Telefon. Wer die Grundlagen vertiefen möchte, findet sie in unserem Überblicksartikel zu Voice AI; für besonders schnelle Sprachsynthese lohnt der Blick auf Cartesia.
Kapitel 09 · Kosten & DSGVO

Kosten, DSGVO und Datenhoheit

Deepgram wird in der Cloud nutzungsabhängig abgerechnet, im Self-Hosting über individuelle Verträge. Gleichzeitig ist Deepgram ein US-Anbieter, was die datenschutzrechtliche Bewertung prägt. Konkrete Preise nennen wir bewusst nicht; sie ändern sich und sind beim Anbieter zu prüfen.

Cloud-Nutzung
Variabel / beim Anbieter prüfen
Nutzungsabhängig, je nach Modell und Funktion
  • Abrechnung typischerweise nach Audiodauer bzw. Textmenge. Zusatzfunktionen, Modellwahl und Echtzeit gegenüber Batch können den Preis beeinflussen. Einstiegsguthaben und Mengenrabatte prüfen.
Self-Hosting
Individuell / Enterprise-Vertrag
Lizenz plus eigene Infrastruktur
  • Neben der Lizenz fallen GPU-Server, Betrieb, Monitoring und Updates an. Lohnt sich meist erst bei hohem Volumen oder zwingenden Datenschutzanforderungen.
Telefonie & Sprachmodell
€–€€ / minutenabhängig
Rufnummern, Gesprächsminuten, LLM-Nutzung
  • Bei Voice Agents kommen Telefonie und das Sprachmodell hinzu – je nach Konfiguration über Deepgram oder separat abgerechnet.
Team & Betrieb
€€€ / laufend
Entwicklung, Tests, Qualitätssicherung
  • Häufig der größte Block: Integration, Testkorpus, Begriffspflege und Monitoring sind laufende Aufgaben, keine Einmalprojekte.

Kosten verstehen und steuern

In der Cloud rechnet Deepgram nutzungsabhängig ab – bei der Spracherkennung typischerweise nach verarbeiteter Audiodauer, bei der Sprachsynthese nach Textmenge, bei der Voice Agent API nach Gesprächszeit, gegebenenfalls zuzüglich des Sprachmodells. Modellwahl, Zusatzfunktionen und die Frage, ob in Echtzeit oder im Batch verarbeitet wird, können den Preis beeinflussen. Für größere Volumen gibt es Vertragsmodelle mit Zusagen und Rabatten. Die konkreten Konditionen sind beim Anbieter zu prüfen und sollten mit dem erwarteten Volumen verhandelt werden.
Für die Wirtschaftlichkeit empfiehlt sich eine Rechnung pro Prozessschritt statt pro Minute: Was kostet eine vollständig dokumentierte Servicegesprächsnotiz oder ein vom Voice Agent erledigter Anruf inklusive Spracherkennung, Sprachmodell, Telefonie und anteiligem Betrieb – und was kostet derselbe Vorgang heute? Bei Mehrkanalaufnahmen ist zu beachten, wie Kanäle abgerechnet werden. Und beim Self-Hosting gehört ein ehrlicher Vergleich der Gesamtkosten über mehrere Jahre in die Entscheidung, inklusive Hardware-Erneuerung und Personal.
Datenschutz-Stack im Detail

Bei Deepgram werden Stimmen und Gesprächsinhalte verarbeitet. Stimmen sind personenbezogene Daten, Gesprächsinhalte häufig ebenfalls – teils sogar besonders schützenswerte. Folgende Punkte sind für die Bewertung besonders relevant:

Serverstandort
Standardmäßig Verarbeitung in den USA – Drittlandtransfer ausdrücklich bewerten
EU-Optionen
Europäischer Endpunkt laut Anbieter – Umfang, Modelle und Metadaten prüfen
Self-Hosting
Verarbeitung in eigener oder EU-Infrastruktur – Lizenz- und Telemetrieflüsse klären
Datenverwendung
Speicherung, Nutzung zur Modellverbesserung und Opt-out vertraglich regeln
AVV
Mit Deepgram, Telefonie-Anbieter, LLM-Anbieter und Plattformen abschließen
Aufzeichnung
Information, ggf. Einwilligung, Speicherfristen für Audio und Transkripte

Drittlandtransfer, CLOUD Act und europäische Optionen

Deepgram ist ein US-Unternehmen. Im Standardfall werden Audio und Transkripte in Rechenzentren in den USA verarbeitet. Damit liegt ein Drittlandtransfer vor, der eine tragfähige Grundlage benötigt – etwa einen Angemessenheitsbeschluss wie das EU-US Data Privacy Framework, sofern der Anbieter zertifiziert ist, oder Standardvertragsklauseln mit ergänzender Risikobewertung. Ob und für welche Dienste Deepgram zertifiziert ist und welche Unterauftragsverarbeiter eingebunden sind, ist aktuell beim Anbieter zu prüfen. Die rechtliche Lage zum transatlantischen Datentransfer sollte zudem laufend beobachtet werden.
Hinzu kommt der US CLOUD Act: US-Behörden können unter bestimmten Voraussetzungen von US-Unternehmen die Herausgabe von Daten verlangen, auch wenn diese außerhalb der USA gespeichert sind. Ein europäischer Endpunkt verbessert die Lage beim Ort der Verarbeitung, beseitigt diesen Zugriffsweg aber nicht grundsätzlich, solange ein US-Unternehmen die Infrastruktur betreibt. Die DSGVO-konformere Option ist daher bei hohen Schutzanforderungen das Self-Hosting in eigener oder europäischer Infrastruktur, bei dem der Anbieter keinen Zugriff auf Audio und Transkripte hat. Auch hier ist zu klären, welche Daten – etwa für Lizenzprüfung, Nutzungsabrechnung oder Telemetrie – an Deepgram fließen. Wo Self-Hosting nicht in Frage kommt, ist der europäische Endpunkt mit klaren Vereinbarungen zu Speicherung und Modelltraining in der Regel der bessere Weg als die US-Standardverarbeitung.

Aufzeichnung, Einwilligung und EU AI Act

Unabhängig vom Anbieter gelten die Grundpflichten der DSGVO: Rechtsgrundlage, transparente Information der Betroffenen, Datenminimierung, Löschkonzept sowie technische und organisatorische Maßnahmen. Bei Telefongesprächen ist besonders sensibel, ob Audio aufgezeichnet und gespeichert wird. Die reine Echtzeitverarbeitung ist anders zu bewerten als eine dauerhafte Aufzeichnung; für Aufzeichnungen kann eine Einwilligung erforderlich sein, und die Vertraulichkeit des gesprochenen Wortes ist zu beachten. Werden sensible Daten verarbeitet oder Gespräche systematisch ausgewertet – etwa mit Stimmungsanalysen –, kann eine Datenschutz-Folgenabschätzung notwendig sein. Betreffen Auswertungen Mitarbeitende, ist in Unternehmen mit Betriebsrat die Mitbestimmung zu beachten.
Der EU AI Act sieht für KI-Systeme, die direkt mit Menschen interagieren, Transparenzpflichten vor: Wer mit einem Voice Agent spricht, muss erkennen können, dass es sich um eine KI handelt. Synthetisch erzeugte Sprache kann zudem Kennzeichnungspflichten auslösen. Reine Transkriptionslösungen sind meist weniger betroffen, Emotionserkennung am Arbeitsplatz dagegen ist besonders kritisch zu prüfen. Die Einstufung hängt vom konkreten Einsatzzweck ab und ist im Einzelfall zu bewerten.
Keine Rechtsberatung

Die Hinweise in diesem Kapitel sind eine allgemeine fachliche Einordnung aus IT- und Projektsicht und keine Rechtsberatung. Die Bewertung des konkreten Einsatzes – insbesondere zu Drittlandtransfer, CLOUD Act, europäischem Endpunkt, Self-Hosting, Sprachaufzeichnung, Einwilligung und den Pflichten aus dem EU AI Act – sollte mit dem eigenen Datenschutzbeauftragten oder fachkundiger rechtlicher Begleitung erfolgen. Die Verantwortung im Sinne der DSGVO bleibt beim einsetzenden Unternehmen.

Kapitel 10 · Häufige Fragen

Häufig gestellte Fragen zu Deepgram

Die wichtigsten Antworten für Entscheider, Projektverantwortliche und IT-Teams im Überblick.

Was ist Deepgram?
Deepgram ist ein US-amerikanischer Anbieter von Sprach-KI für Entwickler. Kern des Angebots ist eine Spracherkennungs-API, die Audio in Echtzeit oder aus Dateien in Text umwandelt. Hinzu kommen Sprachsynthese, eine Voice Agent API für komplette Sprachassistenten und Analysefunktionen für Gespräche. Deepgram ist ein Baustein für eigene Lösungen, kein fertiges Endanwenderprodukt.
Wie gut versteht Deepgram Deutsch?
Deepgram unterstützt Deutsch in seinen aktuellen Modellen. Wie gut die Erkennung im eigenen Szenario ist, hängt stark von Audioqualität, Dialekten, Fachvokabular und Gesprächsart ab. Herstellerbenchmarks beziehen sich meist auf Englisch. Belastbar ist nur ein eigener Test mit realistischen, datenschutzkonform nutzbaren Aufnahmen und einer Referenz-Mitschrift – beim Anbieter testen, idealerweise im Vergleich mit Alternativen.
Kann ich Deepgram selbst betreiben?
Ja. Deepgram bietet eine Self-Hosted-Variante, bei der die Modelle als Container in eigener Infrastruktur oder in einer privaten Cloud-Umgebung laufen. Audio und Transkripte verlassen dann die kontrollierte Umgebung nicht. Nach unserem Kenntnisstand ist das an Enterprise-Verträge gebunden und erfordert GPU-Infrastruktur sowie Betriebs-Know-how. Lizenzmodell und mögliche Datenflüsse zum Anbieter sind im Detail zu klären.
Gibt es eine EU-Region bei Deepgram?
Nach unserem Kenntnisstand bietet Deepgram einen europäischen Endpunkt an, über den Anfragen in der EU verarbeitet werden. Welche Modelle und Funktionen dort verfügbar sind, ob auch Protokolle und Metadaten in der EU verbleiben und welche Vertragsbedingungen gelten, ist beim Anbieter zu prüfen. Da Deepgram ein US-Unternehmen bleibt, ist auch der CLOUD Act in die Bewertung einzubeziehen.
Was kostet Deepgram?
In der Cloud wird nutzungsabhängig abgerechnet, bei der Spracherkennung typischerweise nach Audiodauer, abhängig von Modell, Funktionen und Verarbeitungsart. Self-Hosting läuft über individuelle Enterprise-Verträge. Hinzu kommen Telefonie, gegebenenfalls ein Sprachmodell, Infrastruktur sowie Entwicklung und Betrieb. Aktuelle Preise sind beim Anbieter zu prüfen; belastbare Kosten je Vorgang liefert erst ein Pilot.
Ist Deepgram DSGVO-konform nutzbar?
Das hängt von der Ausgestaltung ab. Bei der US-Standardverarbeitung liegt ein Drittlandtransfer vor, der eine tragfähige Grundlage und eine Risikobewertung benötigt. Der europäische Endpunkt und insbesondere Self-Hosting in eigener oder europäischer Infrastruktur sind die datenschutzfreundlicheren Optionen. Zu klären sind AVV, Unterauftragsverarbeiter, Speicherung und Nutzung zur Modellverbesserung. Dies ist eine fachliche Einordnung und keine Rechtsberatung.
Was ist der Unterschied zwischen Deepgram und Whisper?
Whisper ist ein offenes Modell, das vollständig selbst betrieben wird – ohne Nutzungsgebühren und ohne Datenfluss zu einem Anbieter, aber mit eigenem Engineering- und GPU-Aufwand und ohne native Echtzeit-Optimierung. Deepgram ist ein betriebsfertiger, auf Streaming ausgelegter Dienst mit Zusatzfunktionen und Support, wahlweise in der Cloud oder selbst betrieben. Welche Option passt, hängt von Echtzeitbedarf, Volumen und Datenschutzanforderungen ab.
Deepgram oder AssemblyAI – was passt besser?
Beide sind spezialisierte US-Anbieter mit eigenen Spracherkennungsmodellen, Streaming und Analysefunktionen. Deepgram setzt traditionell stärker auf Echtzeit und Voice Agents, AssemblyAI stärker auf Analyse und Weiterverarbeitung von Transkripten. Unterschiede in der deutschen Erkennungsqualität, im Funktionsumfang je Sprache, bei Betriebsoptionen und Konditionen lassen sich nur durch einen direkten Vergleich mit eigenen Aufnahmen klären.
Kann ich mit Deepgram einen kompletten Telefon-Assistenten bauen?
Ja, über die Voice Agent API, die Spracherkennung, ein wählbares Sprachmodell und Sprachsynthese in einer Echtzeit-Verbindung bündelt, oder als Baustein in Frameworks wie LiveKit oder Pipecat. Für die Telefonanbindung wird meist ein Anbieter wie Twilio genutzt. Gesprächslogik, Funktionen für CRM und ERP, Tests und Datenschutz-Konzept bleiben Aufgabe des Unternehmens oder seines Umsetzungspartners.
Was verlangt der EU AI Act beim Einsatz von Deepgram?
Für Voice Agents, die direkt mit Menschen sprechen, gelten Transparenzpflichten: Anrufer müssen erkennen können, dass sie mit einer KI sprechen. Synthetische Stimmen können Kennzeichnungsfragen aufwerfen. Reine Transkription ist meist weniger betroffen, Emotions- oder Stimmungsanalysen am Arbeitsplatz sind dagegen besonders sorgfältig zu prüfen. Die Einstufung hängt vom Einsatzzweck ab und ist im Einzelfall zu bewerten.

Voice AI souverän einsetzen

Brauchen Sie eine tragfähige Strategie für Sprach-KI?

Wir prüfen herstellerunabhängig, ob Deepgram zu Ihren Anforderungen passt: Use-Case-Auswahl, Qualitätstest mit eigenen deutschen Aufnahmen, Architektur, Telefonie-Anbindung, Betriebsmodell zwischen US-Cloud, europäischem Endpunkt und Self-Hosting sowie Datenschutz mit Blick auf Drittlandtransfer und CLOUD Act – pragmatisch auf den Mittelstand zugeschnitten und mit ehrlichem Blick auf AssemblyAI, Whisper und die Sprachdienste großer Cloud-Anbieter als Alternativen.

Seit 2006 am Markt

Erfahrung aus über 100 Digitalprojekten

DSGVO & Souveränität

Datenschutz von Anfang an mitgedacht

Rückmeldung in 24 h

Schnell, direkt, unverbindlich