Soniox lançou o Soniox STT v6, a geração mais recente de sua API de speech‑to‑text. O modelo Soniox STT v6 lê o que um agente de voz diz enquanto escuta o chamador, usando esse texto para reconhecer respostas curtas e eliminar a própria voz do agente. O lançamento está disponível como stt-rt-v6 para streaming e stt-async-v6 para arquivos, em mais de 60 idiomas. TL;DR Tamanho: Soniox STT v6 é um modelo proprietário hospedado; o número de parâmetros não foi divulgado. Executa‑se: apenas na API cloud da Soniox (streaming via WebSocket e async via REST). Não há opção de auto‑hospedagem ou on‑device divulgada. Desempenho: a Soniox afirma que o v6 é "significativamente" mais preciso que o v5, mas ainda não publicou métricas para o v6. Melhor: preço. US$0,12/hora para streaming e US$0,10/hora para async, com diarização e identificação de idioma incluídas. Pior: ausência de resultados independentes para o v6. Seu predecessor v5 registrou 1,34 % de WER semântico no Pipecat, atrás dos 1,25 % do v4. Que problema o Soniox STT v6 resolve? Em um agente de voz em cascata, o STT normalmente escuta apenas o chamador e nunca vê a pergunta que está sendo respondida. Respostas curtas são as mais afetadas. Nos documentos da Soniox, "River Roast" torna‑se "River Road" e "a tow" vira "a tour". O segundo problema é o eco. O áudio do agente vaza de alto‑falantes e laptops, sendo transcrito como fala do usuário, fazendo o agente se interromper. Como funciona a entrada de texto do agente? Você a habilita com um sinalizador na solicitação de início: "enable_agent_text_input": true. Está disponível apenas no stt-rt-v6, não no modelo async. Enquanto o agente fala, você transmite suas palavras no mesmo WebSocket do áudio do chamador. Cada mensagem é um pequeno frame JSON: {"type": "agent_text", "text": "...", "end_of_segment": true}. O timing importa. As mensagens não carregam timestamps, então o modelo posiciona o texto onde ele chega no fluxo de áudio. A Soniox recomenda enviar cada fragmento de 500 ms a 1 s antes da reprodução, sincronizado com timestamps do TTS. Em caso de barge‑in, você limpa o que já foi reproduzido e envia end_of_segment.
Fonte: MarkTechPost
Publicado em 2026-11-03