Soniox 於 2026 年 11 月 3 日宣佈推出最新一代語音轉文字（Speech-to-Text，STT）API：Soniox STT v6。呢個版本專為 voice agent（語音代理）而設：模型喺聽 caller 説話嘅同時，會同步讀取 voice agent 自己發出嘅對白，利用嗰段文字來識別 caller 嘅短答覆，同時把 agent 自己嘅聲音過濾掉。

兩個端點同步上線

呢次發布提供兩個端點：

  • stt-rt-v6：串流（streaming）模式，用於即時語音辨識；
  • stt-async-v6：非同步（asynchronous）模式。

做得到同做唔到

呢個更新嘅賣點係解決 voice agent 一直好頭疼嘅一個問題：agent 自己講嘅嘢會唔會同時被 STT 捕捉到，變成「自己聽到自己」嘅迴音（echo）？STT v6 透過引入 agent 嘅對白作為輸入，讓模型能夠區分邊個聲音係 caller、邊個係 agent，從而把 agent 自己嘅聲剔除。

實際準確率、延遲同處理速度，要等開發者實際接 API 先見真章。

阿調搞兩下

講真，呢個更新好實際。以往做 voice agent 最難搞嘅就係迴音消除（echo cancellation），而 STT v6 嘅做法係喺語音轉文字階段就分辨出「呢個係 agent 自己講嘅嘢」，唔好再靠傳統音頻層嘅迴音消除。對做即時語音互動嘅團隊嚟講，呢個係正正解決痛點嘅功能，值得留意。但正如所有產品發布咁，官方嘅功能描述同實際生產環境表現係兩回事，接 API 前最好自己跑嚇測試。

阿調｜深度調教