Soniox نسخه ششم API تبدیل گفتار به نوشتار خود را با نام Soniox STT v6 منتشر کرد. این نسخه دو قابلیت جدید برای ایجنت‌های صوتی دارد: خواندن متن ایجنت هم‌زمان با شنیدن صدای کاربر، و استفاده از آن متن برای حذف صدای نشت‌کرده‌ی ایجنت از ترنسکریپشن. مدل در دو نسخه‌ی stt-rt-v6 برای استریمینگ و stt-async-v6 برای فایل‌ها، در بیش از ۶۰ زبان در دسترس است.

مشکل اصلی: پاسخ‌های کوتاه و اکوی ایجنت#

در معماری ایجنت‌های صوتی، موتور STT معمولاً فقط صدای کاربر را می‌شنود و سؤالی را که ایجنت پرسیده هرگز نمی‌بیند. نتیجه‌اش این است که پاسخ‌های کوتاه کاربر (مثلاً «River Roast» که به «River Road» تبدیل می‌شود) دقت ترنسکریپشن را پایین می‌آورد. مشکل دوم، اکوی صوتی است: صدای ایجنت از بلندگو یا لپ‌تاپ برمی‌گردد، به‌عنوان صدای کاربر ترنسکریپت می‌شود و ایجنت خودش را قطع می‌کند.

نحوه‌ی کار ورودی متنی ایجنت#

قابلیت با یک فلگ در درخواست شروع فعال می‌شود: "enable_agent_text_input": true. این فلگ فقط روی stt-rt-v6 کار می‌کند، نه روی نسخه‌ی async. کلمات ایجنت در قالب پیام‌های JSON روی همان WebSocket صدای کاربر ارسال می‌شوند. Soniox توصیه می‌کند هر قطعه متن، ۵۰۰ میلی‌ثانیه تا ۱ ثانیه قبل از پخش صدا ارسال شود. در حالت barge-in، آنچه پخش شده flush می‌شود و بخش پخش‌نشده حذف می‌گردد.

فیلتر اکو، مکمل AEC آکوستیک است نه جایگزین آن. Soniox می‌گوید این قابلیت آنچه AEC موجود باقی می‌گذارد را حذف می‌کند، پس AEC باید روشن بماند.

قیمت و محدودیت‌ها#

قیمت استریمینگ ساعتی ۰٫۱۲ دلار و async ساعتی ۰٫۱۰ دلار است. Diarization و شناسایی زبان بدون هزینه‌ی اضافه در قیمت گنجانده شده‌اند. متن ایجنت به‌عنوان توکن ورودی محاسبه می‌شود: ۴٫۰۰ دلار به ازای هر ۱ میلیون توکن در حالت real-time.

محدودیت‌های مهم: مدل فقط روی Soniox cloud اجرا می‌شود و گزینه‌ی self-hosted یا on-device ندارد. هیچ عدد بنچمارکی برای v6 منتشر نشده است. نسخه‌ی قبلی (v5) روی بنچمارک Pipecat نمره‌ی ۱٫۳۴٪ semantic WER گرفته بود که از v4 (۱٫۲۵٪) بدتر است. مدل‌های v5 در ۱۵ دسامبر ۲۰۲۶ حذف می‌شوند و درخواست‌ها به‌صورت خودکار به v6 روت می‌شوند.

خوانش تحریریه#

Soniox ادعا می‌کند اولین مدلی است که متن ایجنت را می‌شناسد. این ادعا نیاز به قید دارد: AssemblyAI در ژوئیه ۲۰۲۶ قابلیت agent_context را در Universal-3.5 Pro Realtime اضافه کرد. تفاوت اصلی در فیلتر اکو است — Soniox مستندات روشی برای استفاده از متن ایجنت جهت حذف صدای نشت‌کرده دارد، در حالی که AssemblyAI چنین فیلتری را توصیف نمی‌کند.

برای کسی که همین حالا ایجنت صوتی می‌سازد، این خبر یک چیز را عوض می‌کند: اگر مشکل اکوی ایجنت دارید و AEC کافی نیست، v6 یک لایه‌ی نرم‌افزاری اضافه می‌کند. اما اگر فقط دقت ترنسکریپشن برایتان مهم است، فعلاً عددی برای مقایسه ندارید. مدل‌های proprietary با قیمت رقابتی، گزینه‌ی خوبی‌اند تا زمانی که بنچمارک مستقل v6 منتشر شود. تا آن موقع، ارتقا از v5 یک gamble است.

منبع: MarkTechPost