语音Agent的自说自话，Soniox STT v6 拿它当过滤信号

语音Agent有个尴尬问题：它一边说话，一边听。STT很容易把扬声器里自己的声音收进来，来电者只回一句“好”或者“嗯”，识别结果却被Agent的长句搅乱。

Soniox在11月3日发布STT v6，给这个问题加了一个新输入：Agent正在说的文本。按原文说法，STT v6会读取语音Agent说的话，同时听来电者。它用这段文本识别短回复，并丢掉Agent自己的声音。这里的逻辑不复杂，模型多了一个上下文信号，知道哪些词是自己刚说过的，哪些来自用户。

发布形态有两个：stt-rt-v6用于流式，stt-async-v6用于异步。做实时语音Agent的开发者会关注前者，录音、后处理或离线转写会看后者。原文没有给延迟、准确率、价格这些数字，先别替它下结论。API怎么传Agent文本、回声过滤开不开、在不同声学环境下效果如何，都得看文档和实测。

对普通用户，这类改进的目标很具体：语音助手少复读、少抢话，听到“可以”“行”“等一下”这种短回复时别装没听见。对开发者，它多了一个可用的上下文信号，也把回声处理从纯音频后处理往模型输入层挪了一步。