Soniox 发布 STT v6：新增 Agent 文本输入与回声过滤
Soniox 发布语音转文本 API Soniox STT v6，提供 stt-rt-v6 流式与 stt-async-v6 文件两种模型，覆盖 60+ 语言。
MarkTechPost· Michal Sutter·2026-11-04 04:18· 2 小时前AI 评分51
Soniox STT v6 为语音智能体新增智能体文本输入与回声过滤功能
AI 导读
Soniox 发布语音转文本 API Soniox STT v6，提供 stt-rt-v6 流式与 stt-async-v6 文件两种模型，支持 60+ 语言。
正文 · 原文
Soniox 发布了 Soniox STT v6，这是其语音转文本 API 的最新一代产品。Soniox STT v6 是一款语音转文本模型，它在聆听来电者的同时读取语音智能体所说的话。它利用该文本识别简短回复，并剔除智能体自身的声音。该版本以 stt-rt-v6 用于流式、stt-async-v6 用于文件的形式发布，覆盖 60+ 种语言。
TL;DR
- 规模：Soniox STT v6 是专有托管模型，未公布参数数量。
- 运行于：仅 Soniox 云 API（WebSocket 流式与异步 REST）。未披露自托管或端侧选项。
- 性能：Soniox 称其准确率比 v5“显著”更高，但尚未公布 v6 的数据。
- 最佳：价格。流式 $0.12/小时，异步 $0.10/小时，并包含说话人分离与语种识别。
- 最差：零独立的 v6 结果。其前代 v5 在 Pipecat 上的语义 WER 为 1.34%，落后于 v4 的 1.25%。
Soniox STT v6 解决了什么问题？
在级联式语音智能体中，STT 通常只听到来电者。它从不知道正在回答的问题是什么。
简短回答受影响最大。在 Soniox 的文档中，“River Roast”变成“River Road”，“a tow”变成“a tour”。
第二个问题是回声。智能体音频通过免提电话和笔记本电脑泄漏回来，被转写为用户语音，导致智能体打断自己。
智能体文本输入如何工作？
在启动请求中用一个标志即可启用："enable_agent_text_input": true。它仅在 stt-rt-v6 上可用，异步模型不支持。
当智能体说话时，你在与来电者音频相同的 WebSocket 上流式传输其文字。每条消息是一个小型 JSON 帧：{"type": "agent_text", "text": "...", "end_of_segment": true}。
时序很重要。消息不携带时间戳，因此模型将文本放置在音频流中到达的位置。Soniox 建议在播放前 500 毫秒到 1 秒发送每一段，并按 TTS 时间戳控制节奏。
遇到打断时，你清空已播放的内容，发送 end_of_segment: true，并丢弃未播放的剩余部分。智能体的文本永远不会出现在返回的转写中。
智能体语音回声消除如何工作？
开启智能体文本输入后，v6 知道智能体在说什么。它利用这一点将残留的智能体音频与来电者语音分开并过滤掉。
它在播放期间持续聆听，因此来电者仍可打断。它不替代声学回声消除。它处理你现有 AEC 遗留的问题，所以请保持 AEC 开启。
v6 还有哪些变化？
- 更好的语音输入：数字、货币、单位、日期、ID、名称和专业术语。
- “period”或“new line”等语音命令会以文字形式写出，由你的应用来应用它们。
- 改进的会议转写和说话人分离，支持实时或录制。
- 更强的口音、语码转换以及句子内的语言切换。
升级前有一个格式变化需要测试。v6 将“15 dollars and 20 cents”按口语写出，而不是“$15.20”。代码中的连字符仅在口语说出时出现。
Soniox 在基准测试上表现如何？
Soniox 尚未公布 v6 的准确率或延迟数据。其基准测试页面在开源 Pipecat STT 基准测试上仍报告的是 v5 的数据。该测试使用 1,000 个真实场景样本，衡量语义 WER 以及最终分段耗时（TTFS）。
在该测试中，stt-rt-v5 的语义 WER 为 1.34%，完美转写率为 83.3%，TTFS 中位数为 260 ms。其 P95 延迟为 305 ms。Azure 的 WER 均值最低，为 1.21%，但延迟中位数为 1,016 ms。
| 功能 | Soniox stt-rt-v6 | AssemblyAI Universal-3.5 Pro Realtime | Deepgram Nova-3 | ElevenLabs Scribe v2 Realtime |
|---|---|---|---|---|
| 模型规模 | 未披露 | 未披露 | 未披露 | 未披露 |
| 流式语言 | 60+ | 18 | 60+（Nova 模型） | 90+ |
| 流式价格 / 小时 | $0.12 | $0.45 | $0.46 单声道，$0.55 多声道 | $0.39 |
| Agent 侧文本上下文 | 支持，带时间戳 agent_text | 支持，agent_context | 未披露 | 未披露 |
| 模型级 Agent 回声过滤 | 支持 | 未披露 | 未披露 | 未披露 |
| 说话人分离费用 | 已包含 | 未披露 | +$0.0020/分钟 | 未披露 |
| Pipecat 语义 WER 均值 | 1.34%（v5；v6 未测试） | 1.44% | 1.71%（nova-3-general） | 3.16% |
| Pipecat 完美转写率 | 83.3%（v5） | 84.7% | 76.5% | 81.3% |
| Pipecat TTFS 中位数 | 260 ms（v5） | 282 ms | 247 ms | 281 ms |
Pipecat 数据来自 Pipecat STT 基准测试 README。Soniox 的数据为 v5，因为 v6 尚未进行基准测试。
Soniox 真的是第一家吗？
Soniox 称 v6 是首个能知道你语音 Agent 在说什么的模型。这一说法需要加个限定条件。
AssemblyAI 已于 2026 年 7 月在 Universal-3.5 Pro Realtime 中提供 Agent 上下文。它同样会将 Agent 的回复输入流式 STT。
更明显的区别在于回声。Soniox 的文档描述了利用该文本过滤泄漏的 Agent 音频。AssemblyAI 的上下文文档未描述此类过滤。
部署、定价与迁移
v6 可直接替换：将模型名称改为 stt-rt-v6 或 stt-async-v6 即可。
v5 模型已弃用，将于 2026 年 12 月 15 日移除。此后，v5 请求将自动路由至 v6。
定价基于 token。Soniox 列出流式约 $0.12/小时、异步 $0.10/小时。Agent 文本按输入文本 token 计费，实时价格为每 1M $4.00。
关键要点
- Soniox STT v6 读取 Agent 的文本以转写来电者的回复。
- 回声过滤在常规 AEC 之外，还能去除泄漏的 Agent 声音。
- 流式费用为 $0.12/小时，包含说话人分离。
- 目前尚无 v6 基准测试数据；v5 在 Pipecat 上得分为 1.34%。
- v5 模型将于 2026 年 12 月 15 日退役，并自动路由至 v6。
查看Soniox STT v6 公告、Agent 文本输入文档以及 v6 更新日志。另外，欢迎在 Twitter 上关注我们，别忘了加入我们的 150k+ ML SubReddit 并订阅我们的新闻简报。等等！你在用 Telegram 吗？现在你也可以在 Telegram 上加入我们了。
需要与我们合作推广你的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会等？联系我们
文章 Soniox STT v6 为语音 Agent 新增 Agent 文本输入与回声过滤 首次发布于 MarkTechPost。
来源：MarkTechPost · marktechpost.com
来源：RadarAI · aihot.news