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:
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.