Soniox STT v6 为语音智能体新增“智能体文本输入”与回声过滤功能
内容提要
Soniox 发布语音转文本 API Soniox STT v6，包含流式 stt-rt-v6 和异步 stt-async-v6，支持 60 多种语言。核心创新是智能体文本输入：将智能体回复文字同步送入模型，提升短回复识别并过滤泄漏的智能体回声，但不替代声学回声消除。语音输入、会议转写等也有改进。流式价格 $0.12/小时，含说话人分离。v6 尚无独立基准数据，v5 将于 2026 年 12 月 15 日退役。
延伸解读
智能体文本输入：时序与打断处理是关键
该功能要求智能体在播放语音前 500 毫秒到 1 秒发送对应文本，模型依据文本到达音频流的位置定位，而非依赖时间戳。遇到用户打断时，需冲刷已播放部分、发送 end_of_segment 并丢弃未播放文本。这意味着集成方必须精确控制 TTS 节奏与消息发送时机，否则可能影响识别效果。
回声过滤是补充而非替代 AEC
v6 利用智能体文本信息，将残留的智能体音频与通话方语音分离并过滤，但它处理的是现有声学回声消除（AEC）处理后的残余部分。因此部署时 AEC 仍需保持开启，不能因启用该功能而关闭或弱化 AEC。这一设计定位有助于避免对功能能力的误判。
价格优势明显，但 v6 性能尚待验证
流式价格 $0.12/小时且包含说话人分离，低于表中 AssemblyAI、Deepgram 和 ElevenLabs 的流式报价。然而 v6 尚无独立基准数据，Soniox 基准页仍显示 v5 在 Pipecat 上的语义 WER 为 1.34%，且落后于 v4 的 1.25%。升级前应自行测试实际场景表现。
升级注意格式变化与迁移时间点
v6 会将“15 dollars and 20 cents”按口语原样写出，而非格式化为“$15.20”，代码中的连字符也仅在口语说出时出现。依赖结构化数字或符号输出的应用需提前测试。v5 将于 2026 年 12 月 15 日退役，此后请求自动路由至 v6，迁移只需更改模型名。
Q&A
Soniox STT v6 的智能体文本输入功能怎么开启？
在启动请求中设置参数 "enable_agent_text_input": true 即可启用。该功能仅在流式模型 stt-rt-v6 上可用，异步模型不支持。
智能体文本输入能替代回声消除吗？
不能。它处理的是现有声学回声消除（AEC）处理后残留的智能体音频，因此 AEC 仍需保持开启。
Soniox STT v6 的价格是多少？
流式 $0.12/小时，异步 $0.10/小时，均包含说话人分离与语种识别。智能体文本按输入文本 token 计费，实时场景为 $4.00 / 1M token。
v6 有独立的基准测试成绩吗？
没有。Soniox 尚未公布 v6 的精度或延迟数据，其基准测试页面报告的仍是 v5 在 Pipecat STT benchmark 上的成绩：语义 WER 1.34%，完全正确转写率 83.3%，TTFS 中位数 260 毫秒。
从 v5 升级到 v6 需要注意什么？
只需将模型名改为 stt-rt-v6 或 stt-async-v6 即可无缝切换。但需测试一处格式变化：v6 会把 "15 dollars and 20 cents" 按口语原样写出，而不是写成 "$15.20"。v5 将于 2026 年 12 月 15 日退役，之后请求自动路由至 v6。
Soniox 是第一个支持智能体上下文输入的 STT 吗？
不是。AssemblyAI 已于 2026 年 7 月在 Universal-3.5 Pro Realtime 中推出 agent context。更明确的差异在于回声过滤：Soniox 文档描述了利用文本过滤泄漏的智能体音频，而 AssemblyAI 的文档中没有类似描述。
