Soniox STT v6 为语音智能体新增文本输入与回声过滤

Soniox 发布 STT v6，新增智能体文本输入与回声过滤

据 MarkTechPost 报道，Soniox 已发布语音转文字 API 的新一代版本 Soniox STT v6，以 stt-rt-v6（流式）和 stt-async-v6（文件）两种形式提供，覆盖 60 多种语言。该版本的核心变化是让模型在听取来电者语音的同时，读取语音智能体正在说出的文本，用于识别简短回答并过滤智能体自身的声音。

背景与影响

在级联式语音智能体中，语音转文字通常只听到来电者一侧，看不到智能体正在回答的问题，短回答因此容易出错。Soniox 文档举例称，“River Roast”会被识别成“River Road”。另一问题是回声：智能体音频经扬声器或笔记本泄漏回来，被当作来电者语音转写，导致智能体打断自己。

启用方式是在启动请求中加入 "enable_agent_text_input": true，仅适用于流式模型。智能体说话时，其文本以 JSON 帧在同一 WebSocket 上传输；Soniox 建议每段文本在播放前 500 毫秒至 1 秒发送。智能体文本不会出现在返回的转写结果中。回声过滤依赖该文本区分残留的智能体音频与来电者语音，但官方说明它不能替代声学回声消除，现有 AEC 仍需保留。

v6 还改进了数字、货币、单位、日期与专有名词的书写，以及会议转写、说话人分离、口音和句内语言切换。需要注意一处格式变化：v6 会按口语写出“15 dollars and 20 cents”，而非“$15.20”，升级前应先行测试。

限制与来源

Soniox 称 v6 准确率较 v5“显著”提升，但尚未公布 v6 的准确率或延迟数据；其基准页面仍为 v5 在 Pipecat 开源基准上的结果（语义 WER 1.34%、完全正确转写 83.3%、中位 TTFS 260 毫秒），这些数字不代表 v6。Soniox 称 v6 是首个“知道语音智能体在说什么”的模型，但 AssemblyAI 已于 2026 年 7 月在 Universal-3.5 Pro Realtime 中提供 agent context；差别主要在于回声过滤。v5 模型已弃用，将于 2026 年 12 月 15 日移除，此后请求自动路由至 v6。价格按 token 计费，官方列出流式约每小时 0.12 美元、异步约每小时 0.10 美元，具体以官网当前信息为准。本文信息来自 MarkTechPost 报道及 Soniox 公开文档，尚未获独立验证。