语音识别公司 Soniox 发布 STT v6，引入代理文本输入与回声过滤功能
Soniox 推出 STT v6，通过读取语音代理的输出文本来提高用户短回复的识别准确率并过滤代理自身回声，但尚无独立基准测试数据。
美国语音识别技术公司 Soniox 于 2026 年 11 月 3 日发布了其最新一代语音转文字（STT）API——Soniox STT v6。该模型专为语音代理（Voice Agents）设计，核心创新在于“代理文本输入”（Agent Text Input）和“代理语音回声消除”两项功能。
在传统的级联语音代理架构中，STT 模型通常只能听到用户的音频，而无法获知代理刚刚说了什么。这导致模型难以准确识别依赖上下文的简短回复（如地名、数字或确认词）。Soniox STT v6 允许开发者将代理发送给 TTS 引擎的文本实时流式传输给 STT 模型，使其具备对话双方的上下文感知能力，从而更准确地转录用户的回应。
此外，v6 利用这一文本上下文来区分代理播放的声音和用户的声音，自动过滤掉从扬声器泄漏回麦克风的代理语音。这一机制旨在解决语音代理因听到自己的声音而自我打断的问题。不过，Soniox 官方文档指出，该功能并不取代传统的声学回声消除（AEC），而是处理 AEC 未能完全消除的残留部分，因此建议两者同时启用。
定价方面，Soniox STT v6 的实时流式服务约为每小时 0.12 美元，异步文件转录为每小时 0.10 美元，且包含说话人分离（Diarization）和语言识别功能。旧版 v5 模型将于 2026 年 12 月 15 日停用。
需要注意的是，Soniox 声称 v6 比 v5 “显著”更准确，但目前尚未公布任何独立的第三方基准测试结果。其官网展示的仍是 v5 在开源 Pipecat STT 基准测试中的数据（语义字错率 1.34%），而 v6 的实际性能表现仍有待开发者验证。