Soniox STT v6发布：为语音Agent加入文本输入与回声过滤

语音Agent的交互体验长期受困于两个细节问题：用户简短回复识别不准，以及Agent自身的语音被麦克风重新采集造成回声干扰。Soniox 推出的 STT v6 试图从模型层面解决这两类问题。

双向感知：让STT"知道"Agent在说什么

Soniox STT v6 的核心设计思路是让语音识别模型同时接收两路信息：一路是caller的语音，另一路是语音Agent正在说出的文本。模型在读取Agent文本的同时聆听通话方，用这份文本作为上下文来辅助识别。

这种"双向感知"机制带来的第一个直接收益，是短回复的识别准确率。语音Agent场景中，用户经常只回应"嗯""对""不是"这类极短内容，传统STT缺乏上下文时容易误判。当模型知道Agent刚刚问了什么，短回复的语义指向就变得明确。

在语音识别研究中，把外部文本作为条件输入引导解码并非全新概念，相关思路包括上下文偏置（contextual biasing） 与基于提示的浅层融合：前者常用于把联系人名、专有名词等热词注入解码图以提升识别率，后者把前文文本编码为向量参与声学模型打分。Soniox 的特殊之处在于，注入的不是历史转写或热词表，而是对话另一方的"未来话语"——Agent 尚未被听到的回复内容。这构成了一种跨通道的条件化：识别 caller 语音时，模型同时拥有一个强预测性的对话先验。理论上它既能消解短回复的语义歧义，也可能带来过度依赖的风险，例如当 Agent 文本与用户实际话语不符时（用户反驳、打岔），模型需具备抑制该先验的能力。

回声过滤：从识别层面剔除Agent自身语音

Soniox STT v6 的另一项能力是利用Agent文本输入来丢弃Agent自己的声音。在免提、扬声器外放等场景下，麦克风会同时采集到用户语音和Agent播放的语音，形成回声。

传统方案多依赖独立的回声消除（AEC）模块，Soniox 的做法是把这一判断交给STT模型本身——模型已知Agent的文本内容，因而能够识别并过滤掉对应的音频成分。这种将回声处理内嵌到识别环节的思路，减少了语音Agent链路中对额外音频预处理组件的依赖。

AEC（Acoustic Echo Cancellation，回声消除） 是语音通信中的经典信号处理模块，其原理是先用自适应滤波器估计扬声器到麦克风的声学回声路径，再从麦克风采集的信号中减去预测出的回声成分，必要时辅以非线性残余抑制。传统 AEC 工作在音频波形或频谱层面，不关心语音内容是什么，因此面对双讲（用户与 Agent 同时说话）、非线性失真、房间混响变化等情况时容易出现残留回声或误伤用户语音。Soniox 的做法相当于引入了一条"语义先验"通道：模型已知 Agent 说出的文本，可以在识别阶段直接判断某段音频是否对应这段已知文本，从而在文本输出层面将其剔除。二者并不完全互斥——AEC 处理的是信号层，模型侧过滤处理的是识别层，实际部署中仍可能需要基础 AEC 来保证模型输入不被回声淹没。

两种接口形态：流式与异步

据 Soniox 公布的信息，STT v6 以两个模型标识发布：面向实时场景的 stt-rt-v6 用于流式识别，stt-async-v6 则对应异步处理。语音Agent属于典型的实时交互场景，流式版本是其主力形态；异步版本则适用于对实时性要求不高的转写类任务。

这种双接口划分延续了Soniox API的一贯结构，开发者可以按场景选择，而不必为不同延迟需求维护两套技术栈。

流式识别（streaming STT） 指音频分块持续送入模型、识别结果增量返回的工作方式，通常要求端到端延迟控制在数百毫秒以内，并支持"部分结果"随上下文滚动修正。异步识别（asynchronous/batch STT） 则是先完整上传音频、再一次性返回带时间戳与标点的完整转写，模型可以访问全局上下文，因此准确率与格式化质量通常更高，但延迟以秒甚至分钟计。对语音Agent而言，流式是刚需，因为系统必须在用户停顿的间隙快速判断其意图；而在通话结束后生成纪要、质检转写等场景，异步版本更经济。值得注意的是，流式场景下的回声过滤比异步更难——模型需要在音频尚未完整到达时做出判断，且不能因过滤而引入额外延迟。

对语音Agent开发者的意义

语音Agent的工程质量往往卡在"最后一公里"：大模型能力足够，但语音层的短回复误识别和回声干扰会显著拉低整体体验。Soniox STT v6 把这两个问题收拢到STT模型内部处理，对开发者而言意味着更少的胶水代码和更简的音频处理链路。

说一下，目前公开信息集中在能力描述层面，关于回声过滤在复杂声学环境下的实际表现、短回复识别的具体提升幅度，尚缺乏可对照的评测数据。这类能力是否能在真实通话场景中稳定兑现，仍待开发者实测验证。

对于正在构建或优化语音Agent的团队，Soniox STT v6 提供的"Agent文本输入"接口值得关注——它代表了一种把对话上下文前置到识别层的产品思路，而不只是把STT当作一个独立的转写黑盒。