2026 年 11 月 3 日，Soniox 官方博客发布 STT v6，MarkTechPost 当天跟进报道。这是该公司首个能识别自家语音智能体在说什么、并自动把智能体自身播放内容从识别结果中过滤掉的语音识别模型。
智能体文本输入与回声消除
v6 的两项新能力都围绕语音智能体的实际部署痛点。Agent text input 让模型从对话双方获取识别上下文，从而更好理解用户的回应。Agent voice echo cancellation 解决的是智能体自己打断自己的问题：语音智能体在播放时如果把自己播出的内容也当成待识别输入，就可能自问自答、响应自己的话，甚至陷入破坏对话的反馈循环。v6 会把智能体播放与用户说话区分开并自动滤除前者。
这两项能力覆盖所有受支持语言，全部跑在同一个统一的语音 AI 模型上。
60 多种语言的识别精度提升
Soniox 称 v6 在 60 多种语言上都有显著精度提升，在 v5 的母语者识别精度基础上，进一步改善了口音、多语种对话以及同一句内切换语言的处理。升级项还覆盖说话人分离、口语语言识别与端点检测，并强化了对上下文提示的利用。
厂商给出的口径是 v6 面向的场景包括语音输入、会议转写、多语种识别与实时翻译，其中会议转写与说话人分离被单独强调，因为既要听清说了什么，也要听清是谁在说。对照来看，英伟达 Nemotron 3.5 Transcribe：4.71% 词错率与 40 语种 走的是同一条赛道的另一条路径。
语音智能体的落地节奏也在提速，百川 Orilo 语音智能体：打断重开口 1.08 秒 展示了交互延迟这一侧的指标进展。前端识别与后端交互的延迟，正在同时被压进更低的区间。
延伸阅读
- 英伟达 Nemotron 3.5 Transcribe 开源：40 语种转写1 周前
- Block 发布纯语音模型 Dessa：单台 GB200 训练，M4 Max 本地跑2 周前
- IBM 开源 Granite Speech 5.0：错误率 5.68%2 周前
- 讯飞发布 Spark-ASR-2.0：9 月 24 日起上线输入法，同步开放 API1 月前
AI 自学笔记 每天更新 AI 前沿动态，订阅 RSS，或按 Ctrl/⌘+D 收藏本站，明天见。
继续读
同一批更新里这几篇值得一看：
- Meta Muse 视频聊天开放美区：2 款实时模型驱动 Jolly 头像2026-11-06
- Granola 上线语音听写：不限字数免费，估值 15 亿美元2026-10-30
- Deepgram 收购 Daily：Pipecat 语音框架保持开源2026-10-30
想快速查定义？对应的词条在这里：
- AI Agent词条 · AI 自学笔记