Soniox STT v6 добавя контекст от агента и филтриране на ехо

Soniox представи Soniox STT v6 — хостван в облака API за преобразуване на реч в текст, предназначен за гласови агенти. Версията се предлага като stt-rt-v6 за поточно предаване и stt-async-v6 за файлове и поддържа над 60 езика. Soniox определя модела като значително по-точен от v5, но все още не е публикувала независими резултати за v6 или броя на параметрите.

Основната промяна позволява на системата да подава текста, произнасян от агента, заедно със звука от обаждащия се. Функцията се включва с enable_agent_text_input при stt-rt-v6, като кратки JSON съобщения agent_text се изпращат през същия WebSocket. Моделът използва този контекст за разпознаване на кратки отговори и за отделяне на остатъчния глас на агента. Слушането продължава и по време на възпроизвеждане, така че прекъсванията са възможни. Според Soniox функцията допълва, а не заменя акустичното потискане на ехото.

v6 включва и подобрения при числа, валути, дати, идентификатори, имена, специализирани термини, акценти, смяна на езици и диаризация. Поточното използване струва около $0.12 на час, а асинхронната обработка — $0.10, като диаризацията и езиковата идентификация са включени. v6 още няма резултати от Pipecat; предшественикът v5 е отчел 1.34% semantic WER и 260 ms медианно TTFS. Моделите v5 трябва да бъдат премахнати на December 15, 2026, след което заявките ще се насочват автоматично към v6.