Soniox STT v6 legge il testo dell'agente e filtra l'eco della voce

Soniox ha rilasciato STT v6, un motore di speech-to-text che accetta il testo dell’agente in streaming e filtra l’eco della sua voce durante le chiamate. Il modello arriva in due varianti, stt-rt-v6 per lo streaming e stt-async-v6 per i file, con supporto per oltre 60 lingue. È un servizio proprietario erogato via API cloud Soniox, con WebSocket per il realtime e REST per l’async¹.

Arriva l’agent text input. Si attiva con il flag "enable_agent_text_input": true nella richiesta di avvio e funziona solo su stt-rt-v6. Durante la riproduzione, l’agente invia i propri testi sullo stesso WebSocket dell’audio del chiamante. Ogni invio è un frame JSON del tipo {"type": "agent_text", "text": "...", "end_of_segment": true}. I messaggi non portano timestamp, quindi contano i tempi di consegna: Soniox consiglia di spedirli 500 millisecondi, 1 secondo prima della riproduzione, sincronizzandosi ai timestamp del TTS. In caso di barge-in, si chiude il segmento con end_of_segment: true e si scarta la parte non ancora suonata. Il testo dell’agente non finisce nella trascrizione restituita¹.

La funzione affronta due problemi tipici dei voice agent a cascata: le risposte brevi del chiamante, che lo STT confonde quando non “vede” la domanda a cui risponde, e l’eco della voce dell’agente, che filtra nei microfoni di telefoni e laptop e interrompe la conversazione. Con l’agent text input attivo, v6 usa le parole inviate per riconoscere meglio le repliche brevi e per separare l’audio residuo dell’agente dalla voce del chiamante. Continua ad ascoltare durante la riproduzione, così il chiamante può intervenire. Non sostituisce l’acoustic echo cancellation, che va mantenuta attiva sul sistema¹.

Soniox segnala miglioramenti nella “voice typing”: numeri, valute, unità, date, ID, nomi e termini specialistici. Le istruzioni parlate, come “punto” o “a capo”, vengono rese come parole, così l’applicazione a valle può interpretarle. V6 migliora anche la diarizzazione e la trascrizione di riunioni, in diretta o da registrato, e gestisce meglio accenti forti, code-switching e cambi lingua nella stessa frase. Cambia un formato: le somme di denaro vengono scritte come pronunciate, per esempio “15 dollars and 20 cents”, non “$15.20”. I trattini nei codici compaiono solo se pronunciati¹.

Per l’adozione basta cambiare il nome modello in stt-rt-v6 o stt-async-v6. I modelli v5 sono deprecati e saranno rimossi il 15 dicembre 2026. Dopo quella data, le richieste a v5 verranno instradate automaticamente verso v6. I prezzi sono circa 0,12 dollari l’ora per lo streaming e 0,10 dollari l’ora per l’async, con diarizzazione e identificazione della lingua incluse. La fatturazione è a token. Il testo dell’agente si paga come token di input, a 4,00 dollari per milione sul realtime¹.

Non ci sono numeri pubblici di accuratezza o latenza per v6. La pagina benchmark riporta ancora v5 sul Pipecat STT benchmark: 1,34% di semantic WER, 83,3% di trascrizioni perfette e 260 millisecondi di TTFS mediana, con P95 a 305 millisecondi. Sulla stessa suite, Azure segna il WER medio più basso, 1,21%, ma con 1.016 millisecondi di latenza mediana. Soniox afferma miglioramenti “significativi” su v6, ma mancano risultati indipendenti¹.

Soniox descrive v6 come il primo modello che “sa” cosa dice l’agente. AssemblyAI ha introdotto agent context in Universal-3.5 Pro Realtime a luglio 2026, inviando le risposte dell’agente allo STT in streaming. La differenza indicata è il filtraggio dell’eco residuo basato su quel testo, che nei materiali di AssemblyAI non è descritto¹.

C’è una modifica di formattazione da testare prima dell’upgrade, e i modelli v5 saranno rimossi il 15 dicembre 2026, con instradamento automatico verso v6 dopo quella data¹.