Решение проблемы «разговора с самим собой»
Главное нововведение Soniox STT v6 — интеграция agent text input и фильтрации эха. В каскадных голосовых агентах (voice agents) система часто слышит только пользователя, игнорируя вопрос, который только что задал сам агент. Это приводит к ошибкам: например, «River Roast» трансформируется в «River Road». Кроме того, звук динамика попадает в микрофон, вызывая прерывания и ложные срабатывания.
Новая модель решает это двумя способами:
- Agent Text Input: Вы передаете текст, который произносит агент, через флаг
enable_agent_text_input: trueв потоке WebSocket. Модель использует этот контекст для точного распознавания коротких ответов пользователя. - Echo Filtering: Зная, что именно говорит агент, STT v6 вычитает его голос из аудиопотока, оставляя только речь звонящего. Это дополнение к стандартному AEC (Acoustic Echo Cancellation), а не замена ему.
Ценообразование и доступность
Soniox позиционирует v6 как самое доступное решение на рынке. Модель доступна только через облачный API (WebSocket для стриминга и REST для файлов), варианты self-hosted нет. Цены включают диаризацию и определение языка:
- Стриминг: $0.12/час
- Асинхронная обработка: $0.10/час
- Токены агента: $4.00 за 1 млн токенов входного текста.
Сравнение с конкурентами
Хотя Soniox заявляет о «значительном» улучшении точности, официальные цифры для v6 не опубликованы. Для сравнения приведены данные Pipecat benchmark для предыдущей версии v5 и актуальных моделей конкурентов:
| Параметр | Soniox stt-rt-v6 (v5 data) | AssemblyAI Universal-3.5 Pro | Deepgram Nova-3 | ElevenLabs Scribe v2 |
|---|---|---|---|---|
| Цена (стриминг) | $0.12/час | $0.45/час | $0.46/час | $0.39/час |
| Agent Context | Да (timed agent_text) | Да (agent_context) | Не раскрыто | Не раскрыто |
| Фильтр эха агента | Да | Нет | Нет | Нет |
| Semantic WER (Pipecat) | 1.34% | 1.44% | 1.71% | 3.16% |
| Идеальные транскрипты | 83.3% | 84.7% | 76.5% | 81.3% |
| Медианный TTFS | 260 мс | 282 мс | 247 мс | 281 мс |
Важные изменения и миграция
При переходе на v6 разработчикам нужно учесть форматирование: модель теперь пишет «15 dollars and 20 cents» так, как это произносится, а не как «$15.20». Гиперсвязи в кодах сохраняются только если они произнесены вслух. Также улучшено распознавание специфических терминов, дат и переключения языков.
Модели v5 будут деактивированы 15 декабря 2026 года. После этой даты запросы к старым моделям автоматически будут перенаправляться на v6. Для включения новой функциональности достаточно изменить имя модели на stt-rt-v6 или stt-async-v6 и настроить передачу JSON-фреймов с текстом агента.
Источник: MarkTechPost ↗