Soniox 发布 STT v6：支持传入智能体文本做模型级回声过滤，面向语音Agent场景优化

Soniox 推出新一代语音转文本API Soniox STT v6，分为流式版本 stt-rt-v6 和异步文件版本 stt-async-v6，支持60余种语言，主打为语音智能体场景解决两大长期痛点：短语音识别误判、免提回声泄漏干扰。

• 地址：https://soniox.com/speech-to-text

核心机制与创新特性

• 智能体文本输入 (Agent Text Input)：在流式传输（stt-rt-v6）中，开发者可通过 WebSocket 同步发送智能体正在播放的文本片段（{"type": "agent_text", "text": "..."}）。STT 模型利用该上下文，能够准确识别并忽略智能体发出的简短回复（如避免将 “River Roast” 误识为 “River Road”），确保最终转录稿仅包含来电者（用户）的真实语音。
• 模型级回声过滤 (Model-Level Echo Filtering)：传统声学回声消除 (AEC) 往往难以完全消除通过免提设备或笔记本扬声器泄漏的智能体音频。STT v6 结合智能体文本上下文，在模型层面主动分离并过滤掉这些残留的智能体语音，有效防止智能体因误听自身声音而产生“自我打断”。（注：官方建议仍保持底层 AEC 开启以作双重保障）。
• 综合转录能力增强：
  • 提升了对数字、货币、单位、日期、ID 及专业术语的语音输入识别率。
  • 支持将 “period” 或 “new line” 等口头指令直接转录为文本，便于应用层解析执行。
  • 进一步强化了对混合口音、代码切换（Code-switching）及句内语言切换的鲁棒性，并改进了实时与录制场景下的说话者分离（Diarization）表现。

性能表现与基准对比

目前 Soniox 尚未公布 STT v6 的独立基准测试数据，但其前代版本 stt-rt-v5 在开源 Pipecat STT 基准（1,000 个真实世界样本）中表现优异：

• 语义词错率 (Semantic WER)：1.34%（优于 Deepgram Nova-3 的 1.71% 和 ElevenLabs Scribe v2 的 3.16%）。
• 完美转录率：83.3%。
• 首字延迟 (TTFS)：中位数 260 毫秒，P95 延迟 305 毫秒，在低延迟与高准确率之间取得了良好平衡。

部署、定价与迁移路径

• 无缝迁移：v6 是 v5 的直接替代品，开发者只需将 API 请求中的模型名称更改为 stt-rt-v6（流式）或 stt-async-v6（异步文件）。v5 模型将于 2026 年 12 月 15 日正式退役，此后所有 v5 请求将自动路由至 v6。
• 透明定价：
  • 流式转录：$0.12 / 小时（已包含说话者分离与语言识别功能）。
  • 异步转录：$0.10 / 小时。
  • 智能体文本输入：作为额外输入 token 计费，实时流式传输价格为 $4.00 / 100 万 tokens。
• 运行环境：目前仅通过 Soniox 云端 API 提供（支持 WebSocket 与 REST），暂未披露自托管或设备端部署选项。