Soniox 发布了 Soniox STT v6，这是其语音转文本 API 的最新一代。Soniox STT v6 是一个语音转文本模型，它一边听取通话方的语音，一边读取语音智能体所说的内容。它利用这些文本识别简短回复，并剔除智能体自身的声音。本次发布提供流式版本 stt-rt-v6 与文件版本 stt-async-v6，覆盖 60 多种语言。
摘要
- 规模： Soniox STT v6 是专有托管模型，未公布参数规模。
- 运行方式： 仅可通过 Soniox 云端 API 使用（WebSocket 流式与异步 REST）。未披露自托管或端侧部署选项。
- 性能： Soniox 称其精度比 v5 “显著”更高，但目前尚未公布 v6 的具体数字。
- 优势： 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。
- 劣势： v6 没有任何独立测试结果。上一代 v5 在 Pipecat 上的语义 WER 为 1.34%，反而落后于 v4 的 1.25%。
Soniox STT v6 解决了什么问题？
在级联式（cascaded）语音智能体中，STT 通常只“听”到通话方，永远看不到智能体正在回答的问题是什么。
短回复受影响最大。在 Soniox 的文档中，“River Roast” 会被识别成 “River Road”，“a tow” 会被识别成 “a tour”。
第二个问题是回声。智能体的音频会通过免提设备和笔记本扬声器泄漏回来，被当作通话方的语音转写，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参数即可启用："enable_agent_text_input": true。该功能仅在 stt-rt-v6 上可用，异步模型不支持。
在智能体说话期间，你通过与通话方音频相同的 WebSocket 流式发送它的文字。每条消息是一个小型 JSON 帧：{"type": "agent_text", "text": "...", "end_of_segment": true}。
时序很关键。消息本身不带时间戳，模型会根据文本到达音频流的位置来定位。Soniox 建议每一段文字在播放前 500 毫秒到 1 秒发送，并按 TTS 时间戳控制节奏。
遇到打断（barge-in）时，你需要冲刷已播放的部分，发送 end_of_segment: true，并丢弃尚未播放的剩余文本。智能体的文本本身永远不会出现在返回的转写结果中。
智能体语音回声消除如何工作？
开启智能体文本输入后，v6 就知道智能体在说什么。它利用这些信息把残留的智能体音频与通话方语音分离开并过滤掉。
它在播放期间持续收音，因此通话方仍然可以打断。它并不替代声学回声消除（AEC）。它处理的是你现有 AEC 处理后残留的部分，所以 AEC 仍需保持开启。
v6 还有哪些变化？
- 语音输入（voice typing）更准确：数字、货币、单位、日期、ID、人名及专业术语。
- “period”“new line” 这类语音指令会按字面写成单词，由你的应用自行处理。
- 会议转写与说话人分离（实时或录制）均有改进。
- 对重口音、句中语码转换（code-switching）与语种切换的支持更强。
升级前有一处格式变化需要测试。v6 会把 “15 dollars and 20 cents” 按口语原样写出，而不是写成 “$15.20”。代码中的连字符只有在口语中说出时才会出现。
Soniox 在基准测试上的表现如何？
Soniox 尚未公布 v6 的精度或延迟数据。其基准测试页面上报告的仍是 v5 在开源 Pipecat STT benchmark 上的成绩。该基准使用 1,000 个真实场景样本，衡量语义 WER 与最终分段耗时（TTFS）。
在该基准上，stt-rt-v5 的语义 WER 为 1.34%，完全正确转写率 83.3%，TTFS 中位数 260 毫秒，P95 延迟 305 毫秒。Azure 的 WER 均值最低，为 1.21%，但延迟中位数高达 1,016 毫秒。
| 特性 | 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 |
| 流式支持语种 | 60+ | 18 | 60+（Nova 系列） | 90+ |
| 流式价格 / 小时 | $0.12 | $0.45 | $0.46 单声道 / $0.55 多声道 | $0.39 |
| 智能体侧文本上下文 | 支持，带时序的 agent_text | 支持，agent_context | 未披露 | 未披露 |
| 模型级智能体回声过滤 | 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） | 1.44% | 1.71%（nova-3-general） | 3.16% |
| Pipecat 完全正确转写率 | 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 benchmark README。Soniox 的数字为 v5，因为 v6 尚未参加该基准测试。
Soniox 真的是第一家吗？
Soniox 称 v6 是首个“知道你的语音智能体在说什么”的模型。这个说法需要加个限定条件。
AssemblyAI 已于 2026 年 7 月在 Universal-3.5 Pro Realtime 中推出 agent context，同样是向流式 STT 输入智能体的回复内容。
更明确的差异在回声上。Soniox 的文档描述了如何利用这些文本过滤泄漏的智能体音频；AssemblyAI 的 context 文档中没有类似的过滤描述。
部署、价格与迁移
v6 可无缝切换：只需把模型名改为 stt-rt-v6 或 stt-async-v6。
v5 系列模型已弃用，将于 2026 年 12 月 15 日下线。此后，v5 的请求会自动路由到 v6。
计费基于 token。Soniox 列出的价格约为流式 $0.12/小时、异步 $0.10/小时。智能体文本按输入文本 token 计费，实时场景为 $4.00 / 1M token。
关键要点
- Soniox STT v6 通过读取智能体文本来转写通话方的回复。
- 回声过滤在常规 AEC 之上，进一步去除泄漏的智能体语音。
- 流式价格为 $0.12/小时，且包含说话人分离。
- 目前尚无 v6 的基准测试数据；v5 在 Pipecat 上为 1.34%。
- v5 模型将于 2026 年 12 月 15 日退役，请求自动路由至 v6。
本文来自作者投稿，版权归原作者所有。如需转载，请注明出处：https://www.nxrte.com/jishu/72977.html
