Soniox wydał STT v6, najnowszą generację swojego API zamieniającego mowę na tekst, z dwoma znaczącymi ulepszeniami dla agentów głosowych. Nowa wersja wprowadza obsługę wejścia tekstowego agenta - flaga "enable_agent_text_input": true w żądaniu startowym - oraz automatyczne filtrowanie echa, które eliminuje problem samodetekcji głosu agenta podczas rozmów przez głośniki i laptopy. Te funkcje dostępne są w wersji streaming (stt-rt-v6) dla ponad 60 języków.
Problemy, które rozwiązuje v6, dotyczą fundamentalnych wad kaskadowych agentów głosowych. Tradycyjne modele STT słyszą tylko rozmówcę i nigdy nie widzą pytania, które agent odpowiada - skutkiem tego są błędy transkrypcji krótkich odpowiedzi, na przykład "River Roast" zamiast "River Road" czy "a tow" zamiast "a tour". Drugi problem to echo - dźwięk agenta przecieka z powrotem przez urządzenia i jest transkrybowany jako głos użytkownika, powodując samoprzerwania. Połączenie tych usterek wymaga zarówno wprowadzenia kontekstu tekstowego, jak i inteligentnego filtrowania.
Cena Soniox STT v6 wynosi 0,12 USD za godzinę streamingu i 0,10 USD za godzinę dla przetwarzania asynchronicznego, z wbudowaną diaryzacją i automatyczną identyfikacją języka. Chociaż producent twierdzi o "znacznie" wyższej dokładności w stosunku do v5, nie opublikował jeszcze konkretnych wyników testów dla v6. Poprzednia wersja osiągnęła 1,34% semantic WER na benchmarku Pipecat, gorsze niż v4 z 1,25%.