Soniox STT v6 получил контекст агента и фильтрацию эха

Soniox выпустила Soniox STT v6 — облачный API распознавания речи для голосовых агентов. Версия доступна как stt-rt-v6 для потоковой обработки и stt-async-v6 для файлов, поддерживая более 60 языков. Компания называет новую модель значительно более точной по сравнению с v5, однако пока не представила независимые показатели точности v6 или данные о числе параметров.

Ключевое нововведение позволяет передавать текст, который произносит агент, одновременно с аудио звонящего. В stt-rt-v6 это включается параметром enable_agent_text_input, а небольшие JSON-сообщения agent_text поступают через тот же WebSocket. Модель использует контекст для распознавания коротких ответов и отделения оставшегося голоса агента от речи собеседника. Она продолжает слушать во время воспроизведения, поэтому перебивание сохраняется. По описанию Soniox, функция дополняет акустическое эхоподавление, а не заменяет его.

В v6 также заявлены улучшения для чисел, валют, дат, идентификаторов, имён, специальных терминов, акцентов, переключения языков и диаризации. Потоковая обработка стоит около $0.12 в час, асинхронная — $0.10; диаризация и определение языка включены. Результатов тестирования v6 в Pipecat пока нет: модель v5 показала semantic WER 1.34% и медианное TTFS 260 мс. Модели v5 планируется отключить December 15, 2026, после чего запросы будут автоматически направляться к v6.