一句话看懂：Soniox 发布语音转文字 API 第六代模型 STT v6，新增“Agent 文本输入”和模型级回声过滤，让语音 Agent 把正在说的话同步传给转写模型，以改善短回答识别并压掉自身回声。
事件核心：发生了什么
据 MarkTechPost Research 2026 年 11 月 3 日报道，Soniox 推出 STT v6，分流式接口 stt-rt-v6 和文件接口 stt-async-v6，覆盖 60 多种语言。核心变化是开发者可在流式请求中打开 enable_agent_text_input，在 Agent 播报时通过同一 WebSocket 逐段推送 JSON 格式的 agent_text，模型据此识别“River Roast”这类短回答，并过滤扬声器泄露的 Agent 语音。该文本输入仅限 stt-rt-v6，且不回写入转写结果。价格保持流式 0.12 美元/小时、异步 0.10 美元/小时，说话人分离与语种识别打包在内。
为什么重要
语音 Agent 的典型链路里，STT 只听见用户，看不到 Agent 正在回答什么，短词和专有名词最容易出错；回声则让 Agent 误把自己的声音当用户输入而打断自己。把 Agent 文本作为时序上下文喂进转写模型，是一条比单纯堆声学模型更取巧的工程路线。它也和 AssemblyAI 今年 7 月在 Universal-3.5 Pro Realtime 中提供的 agent_context 形成直接对照，说明语音栈竞争正从字准率转向“Agent 感知”。不过 Soniox 所称“首个知道 Agent 在说什么的模型”需要加限定：AssemblyAI 更早提供了文本上下文，Soniox 更明确的差异在回声过滤。
对用户/开发者/创作者的影响
对做电话客服、语音助手和实时字幕的开发者，v6 值得先测两类问题：短回答与数字、货币、单位、日期、ID 的格式化。注意 v6 会把“15 dollars and 20 cents”按口语写出，而非“$15.20”，代码中的连字符也只在口述时出现，升级前需检查下游解析。文本消息不带时间戳，Soniox 建议按 TTS 时间在播放前 500 毫秒到 1 秒发送，这对播放链路有改造要求。回声过滤也不替代声学回声消除，现有 AEC 仍要保留。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，Soniox 尚未公布 v6 的准确率和延迟数据，基准页仍是 v5 的 Pipecat 结果（1.34% 语义 WER、260 毫秒中位 TTFS），公开数据出来前不宜把 v6 写成领先。第二，看 AssemblyAI、Deepgram 等是否跟进模型级回声过滤。第三，关注异步接口何时支持 Agent 文本输入，以及 Agent 文本与打断处理的边界体验。
