语音 Agent 的一个老问题是：它分不清自己说的话和用户说的话。Soniox 的 STT v6 试图从识别层解决它。
发生了什么
Soniox 发布了新一代语音转文字 API——Soniox STT v6，分为面向实时场景的 stt-rt-v6 和异步版本 stt-async-v6。
这一版最核心的变化是引入了「Agent 文本输入」：开发者可以把语音 Agent 即将或已经说出的内容，以文本形式一并传给识别模型。模型在「听到」通话音频的同时，也「读到」Agent 自己的话，并据此做两件事——一是更准确地识别用户的简短回应（比如「嗯」「对」「不是」这类在对话中极易被吞掉的短答），二是把 Agent 自己的声音从输入中剔除，也就是回声过滤。
为什么重要
传统语音识别是单向的：给音频，出文字。但在语音 Agent 场景里，麦克风收到的是混合信号——用户的声音、Agent 通过扬声器放出的声音、以及环境噪声。回声消除长期被当作音频前端（AEC）的问题，在信号层用算法压制。Soniox 的做法是把这件事上移到模型层：既然系统已经知道 Agent 要说什么，那就把这份「已知文本」当作先验条件交给识别模型，让它有依据地判断哪段音频是自己、哪段是对方。
这个思路的价值在于，它把语音 Agent 的对话结构变成了识别模型的上下文。对短答识别尤其关键：用户在电话或免提场景里回应「好」「行」「不用」，本身音素少、时长短，再叠加 Agent 回声干扰，误识率会明显上升。有了 Agent 文本作为对照，模型更容易把这些碎片正确归位。
影响与看点
对开发者而言，这是一个接口层面的小改动、集成层面的中等改动：需要在调用识别 API 时同步维护并传入 Agent 的输出文本，这意味着识别环节与对话编排逻辑的耦合会更紧。好处是省去了部分自研回声处理的工程量，坏处是链路变长，时序对齐（文本何时传入、与音频如何对齐）会成为新的工程细节。
对行业而言，这释放了一个信号：语音 Agent 的竞争正从「识别准不准」转向「对话上下文用得好不好」。把 Agent 自身状态作为模型输入，是一个可复用的范式，未来可能扩展到更多先验信息，比如对话历史、用户画像或场景标签。
值得关注的点有三个：一是回声过滤在真实免提、外放、嘈杂环境下的实际表现，官方未给出量化指标；二是流式与异步两个版本在 Agent 文本输入上的能力是否一致；三是这种「文本先验」会不会成为语音 API 的标配能力。
一句判断：Soniox 这一步不算颠覆，但方向清晰——语音识别的下一轮增量，可能不在声学模型本身，而在把对话结构喂给模型。
