Soniox lanza la versión stt v6, que introduce la entrada de texto del agente y el filtrado de eco para la IA de voz

Soniox ha lanzado Soniox STT v6, la última versión de su API de conversión de voz a texto, que procesa el audio de los agentes de voz. Esta nueva versión, disponible como stt-rt-v6 para la transmisión y stt-async-v6 para archivos en más de 60 idiomas, permite que el modelo procese el propio habla del agente. Esta capacidad permite que el sistema filtre el audio, como los ecos de los teléfonos, que anteriormente causaban errores de transcripción. Para habilitar la entrada de texto del agente, es necesario establecer la bandera 'enable_agent_text_input': true en la solicitud de inicio, y solo está disponible para el modelo en tiempo real stt-rt-v6. Cuando está activo, el modelo utiliza el texto del agente transmitido para separar su propia voz del habla del interlocutor. Una nota para los usuarios que actualizan es que la versión 6 convierte el habla en texto (por ejemplo, '15 dólares y 20 centavos') en lugar de símbolos numéricos. Aunque Soniox no ha publicado los resultados de las pruebas de la versión 6, la empresa señala que su modelo de la versión 5 logró un WER semántico del 1,34 % en el benchmark Pipecat STT, con un TTFS medio de 260 ms. Soniox afirma que AssemblyAI envió el contexto del agente en Universal-3.5 Pro Realtime en julio de 2026, pero Soniox enfatiza que su versión 6 ofrece específicamente el filtrado del audio del agente. Los modelos más antiguos de la versión 5 están programados para ser descontinuados el 15 de diciembre de 2026.