Soniox STT v6 ajoute la saisie de texte par l'agent et le filtrage d'écho pour les agents vocaux
Soniox a lancé Soniox STT v6, la dernière génération de son API de reconnaissance vocale, déclinée en stt-rt-v6 pour le streaming et stt-async-v6 pour les fichiers, dans plus de 60 langues. Sa nouveauté principale est l'« agent text input ». Un agent vocal peut envoyer au modèle, sur la même WebSocket que l'audio de l'appelant, le texte qu'il est en train de prononcer. L'option s'active avec le paramètre "enableagenttextinput": true et n'existe que sur le modèle temps réel. Chaque message est une trame JSON de type agenttext, avec un champ endofsegment. Les trames n'ont pas d'horodatage, le modèle les place donc là où elles arrivent dans le flux audio. Soniox conseille de les envoyer 500 ms à 1 seconde avant la lecture, en suivant les timestamps du moteur de synthèse vocale. En cas d'interruption par l'utilisateur, il faut transmettre ce qui a été joué, clore le segment et abandonner le reste. Le texte de l'agent n'apparaît jamais dans la transcription renvoyée. La version v6 améliore aussi la dictée (nombres, devises, dates, identifiants), la diarisation, les accents et les changements de langue dans une même phrase.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
L'enjeu concret concerne les agents vocaux en cascade, où la reconnaissance vocale n'entend d'ordinaire que l'appelant et ignore la question posée. Les réponses courtes en pâtissent le plus. Dans la documentation de Soniox, « River Roast » devient « River Road » et « a tow » devient « a tour ». Avec le texte de l'agent, le modèle lève ces ambiguïtés. Il filtre aussi l'écho : l'audio de l'agent, qui revient par les haut-parleurs ou les ordinateurs portables, est transcrit comme de la parole d'utilisateur et pousse l'agent à s'interrompre lui-même. Le modèle sépare cet audio résiduel de la voix de l'appelant, qui peut donc toujours couper la parole. Ce filtrage ne remplace pas l'annulation d'écho acoustique, qu'il faut conserver. Un point d'attention avant migration : v6 écrit « 15 dollars and 20 cents » tel que prononcé, et non « $15.20 », et les tirets dans les codes n'apparaissent que s'ils sont dits.
Soniox n'a publié aucun chiffre de précision ou de latence pour la v6 et se contente de la dire « nettement » plus précise que la v5. Sur le benchmark open source Pipecat (1 000 échantillons réels), la v5 temps réel affiche 1,34 % de taux d'erreur sémantique, 83,3 % de transcriptions parfaites et 260 ms de latence médiane. Elle se place derrière la v4 (1,25 %) et derrière Azure (1,21 %, mais avec 1 016 ms de latence médiane). L'argument le plus solide est le prix : 0,12 dollar l'heure en streaming et 0,10 en asynchrone, diarisation et identification de la langue comprises. AssemblyAI Universal-3.5 Pro Realtime facture 0,45 dollar (1,44 % d'erreur sur Pipecat), Deepgram Nova-3 0,46 à 0,55 dollar (1,71 %) et ElevenLabs Scribe v2 Realtime 0,39 dollar (3,16 %). AssemblyAI propose un contexte côté agent via agent_context, mais Soniox est le seul à annoncer un filtrage d'écho au niveau du modèle. Le modèle reste propriétaire, accessible uniquement par le cloud de Soniox, sans option d'hébergement local, et aucun résultat indépendant n'existe encore pour la v6.
Pas d'impact direct sur la France/UE