Deepgram Speech to Text
Deepgram Speech to Text convierte en texto archivos de audio ya grabados con los modelos Nova de Deepgram. El texto sale con puntuación y formato (números, horas y fechas en cifras) y, si no le indicas el idioma, Deepgram lo detecta. Devuelve un Data por cada archivo, con la transcripción en el campo text.
Necesitas una credencial Deepgram API con la clave de tu cuenta de Deepgram. Consulta Credenciales. El audio se envía a Deepgram para transcribirlo.
No es el nodo de voz para llamadas: para escuchar a quien llama en una llamada en directo, el Agente de Voz usa el nodo Deepgram STT. Este componente espera a tener el archivo completo.
Cuándo usarlo
- Transcribir grabaciones largas de llamadas o reuniones: admite archivos muy grandes.
- Pasar a texto notas de voz en un idioma que no conoces de antemano.
- Transcribir consultas médicas con vocabulario especializado, con el modelo
nova-3-medical. - Dar a un agente la capacidad de transcribir un audio cuando lo necesite, usando el componente como herramienta.
- Transcribir de una vez una lista de audios con Batch Mode.
Configuración
| Campo | Qué hace |
|---|---|
| API Key (obligatorio) | Tu clave de Deepgram. La clave se rellena sola al elegir tu credencial de Deepgram. |
| Audio (obligatorio) | El archivo de audio (o de vídeo) que quieres transcribir: WAV, MP3, OGG, M4A, WEBM… Conéctalo al componente que trae el archivo, por ejemplo un webhook, un chat con adjuntos o el almacenamiento. Admite varios archivos. |
| Language | Opcional. El idioma del audio, por ejemplo es o en. Escribe multi si en el audio se mezclan idiomas. Vacío por defecto: Deepgram detecta el idioma principal. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| Model | El modelo de Deepgram. Por defecto, nova-3, el más preciso. nova-3-medical está pensado para vocabulario médico. También están nova-2, nova-2-phonecall y nova-2-meeting; estos dos últimos solo funcionan en inglés. |
Resultado
La salida Data entrega un registro por archivo:
{ "text": "Hola, buenos días. Su cita está confirmada para el martes a las 10 y media.", "language": "es", "file_name": "llamada.mp3", "provider": "Deepgram", "model": "nova-3", "duration": 5.1}duration es la duración del audio en segundos. Con Language en multi, language queda vacío.
Cada archivo puede ocupar hasta 2 GB.
Ejemplo
Un equipo de atención al cliente graba sus llamadas. Cada noche, el flujo recoge las grabaciones del día del almacenamiento, las pasa a Deepgram Speech to Text con Batch Mode y un agente resume cada transcripción y marca las que piden una devolución.
Componentes relacionados
- Voz a texto y texto a voz: todos los componentes para transcribir audio y para generarlo.
- Deepgram Text to Speech: lo contrario, convierte un texto en audio con la misma credencial.
- Groq Whisper Speech to Text, Gemini Speech to Text y Whisper Local: otras formas de transcribir audio.
Consejos
- Deepgram escribe los números y las horas en cifras: «a las diez y media» sale como «a las 10 y media» o «a las 10:30». Tenlo en cuenta si otro componente busca palabras concretas en el texto.
- Medido en nuestro entorno de pruebas el 3 de noviembre de 2026: la frase «Hola, buenos días. Su cita está confirmada para el martes a las diez y media.» se transcribió en 0,4 s, palabra por palabra.