先看证据

Soniox STT v6 于 2026 年 11 月 3 日发布，提供实时 `stt-rt-v6` 和异步 `stt-async-v6` 两个版本。关键事实
流媒体 streaming 价格为 $0.12/小时，异步 async 价格为 $0.10/小时，且默认捆绑说话人日记（diarization）和语言识别。关键事实
Agent 文本输入按输入文本计费，实时端收费为每 100 万 tokens 4.00 美元。关键事实
建议 Agent 文本比实际语音播放提前 500 毫秒至 1 秒发送。关键事实
旧版 v5 模型将于 2026 年 12 月 15 日退役并自动路由至 v6。关键事实
官方未公布 v6 的具体准确率跑分，其前代 v5 在 Pipecat 基准上得分为 1.34% semantic WER，P95 延迟为 305 ms。关键事实

核心冲突：Agent 语音干扰与用户短回复丢失

在传统的语音助手（Voice Agent）与用户交互场景中，语音转文本（STT）模型通常只处理用户一方的语音。然而，当Agent需要说出提示语、提问或提供信息时，其自身的声音也可能被STT系统捕获。这带来了两个主要问题：首先，Agent自身语音的漏音或回声可能被误识别为用户输入，尤其是在处理用户简短、迅速的回复时，会导致Agent听错或错过关键信息，例如将“a tow”误记为“a tour”。

其次，Agent播放的音频通过扬声器或笔记本电脑反馈，再次进入麦克风，形成回声。如果STT模型不加区分地将这些回声转录成文本，那么Agent可能会错误地认为用户正在与其进行对话，从而导致Agent打断自己或产生混乱的交互流程。这些问题严重影响了语音助手的流畅性和准确性。

Soniox STT v6 的新机制：Agent Text Input

Soniox STT v6 引入了一项名为“Agent Text Input”的新功能，旨在直接解决上述冲突。通过在请求中设置一个简单的标志 (`"enable_agent_text_input": true`)，开发者可以激活此功能。与仅接收用户语音不同，Agent Text Input 允许开发者在与用户语音相同的 WebSocket 流中，实时地将Agent即将说出或正在说出的文本内容发送给 STT 模型。

这项功能的核心在于“时序”：Agent 发送的文本数据本身不包含时间戳，STT 模型会根据其在音频流中实际到达的位置来判断其时间属性。为了确保准确性，Soniox 建议在 Agent 的文本播放前 500 毫秒到 1 秒之间将其发送，并根据文本到语音（TTS）的时间戳进行节奏控制。当用户试图打断 Agent 的发言时（barge-in），系统需要将已经播放的部分标记为结束，并丢弃 Agent 尚未播放的剩余内容，确保用户声音被优先处理。重要的是，Agent 发送的文本内容不会出现在最终的转录结果中，仅用于内部模型处理。

回声过滤：Agent Text Input 的附带能力

Agent Text Input 的一个关键且强大的附带能力是其内置的“Agent 语音回声过滤”机制。一旦开启了 Agent Text Input，STT v6 模型就能够利用接收到的 Agent 文本信息，更精确地区分出混杂在用户语音中的 Agent 回声。

具体来说，模型会主动识别并过滤掉那些与 Agent 正在说出的内容相匹配的音频片段。这意味着即使存在由设备（如扬声器、笔记本电脑）产生的残留回声，STT 系统也能有效将其从主用户语音流中剥离，避免这些回声被错误地转录成用户发言。这种机制并不是要取代现有的声学回声消除（AEC）技术，而是作为其补充，处理 AEC 无法完全消除的残留部分，从而显著降低 Agent 语音干扰和回声对转录准确性的负面影响。

v6 的其他增强与对实际工作的影响

除了 Agent Text Input 和回声过滤，Soniox STT v6 在其他方面也带来了显著的改进。它显著提升了语音键入的准确性，能够更好地识别数字、货币、单位、日期、ID、专有名词和特定术语。口语化的命令，如“句号”或“换行”，现在会被准确地转录为文字，使得应用程序能够直接应用这些格式化指令。

此外，v6 版本还优化了会议转录和说话人区分（diarization）能力，无论是在实时流还是录制文件中。它还增强了对口音、语码转换（code-switching）和句子内语言切换的鲁棒性。值得注意的是，v6 在格式化上有一个需要注意的改变：它会按照口语的习惯写出“十五美元二十分”这样的表述，而非直接转换为“$15.20”。同样，代码中的连字符也仅在被口语说出时才会被保留。这些变化要求开发者在集成新版本时，对数据处理和格式解析逻辑进行必要的更新与测试。

性能、成本与可用性考量

Soniox STT v6 相较于前代产品在准确性上据称有“显著”提升，但官方尚未公布具体的 v6 版本性能数据。其前代 v5 在 Pipecat STT 基准测试中，语义词错误率（Semantic WER）为 1.34%，在同类产品中表现不俗。v6 的推出定价极具竞争力：流式传输每小时 0.12 美元，异步处理每小时 0.10 美元，且包含说话人区分和语言识别功能。

然而，v6 版本仅作为 Soniox 的专有托管模型通过云 API（WebSocket 流式和 REST 异步）提供服务，不提供自托管或设备端部署选项。Agent Text Input 功能仅限于流式模型 `stt-rt-v6`。开发者在实际应用中，需要权衡 Soniox 的价格优势和易用性，与对模型控制、数据隐私或离线能力的需求。尤其对于需要严格控制数据流或对低延迟有极致要求的场景，其云端托管的模式可能是一个限制因素。