Soniox STT v6 escucha lo que dice el agente de voz para filtrar su propia voz

La empresa de reconocimiento de voz Soniox presentó el 3 de noviembre la versión 6 de su modelo Speech-to-Text. Su principal novedad está pensada para quienes desarrollan agentes de voz: se le puede indicar al modelo lo que está diciendo el agente, y este usa esa información tanto para entender mejor al usuario como para dejar fuera de la transcripción la voz del propio agente. Soniox describe v6 como el primer modelo de reconocimiento de voz con esta capacidad, algo que no se ha comprobado de forma independiente.

Cómo funciona la función centrada en el agente

Según el anuncio, la función tiene dos partes relacionadas. Primero, el desarrollador envía el texto del agente al servicio de transcripción en el mismo momento en que lo manda al motor de síntesis de voz. Así el modelo cuenta con el contexto de ambos lados de la conversación, lo que, según Soniox, le ayuda a interpretar respuestas cortas o ambiguas del usuario, como nombres, números o términos técnicos.

Segundo, v6 aprovecha ese mismo texto para separar el audio que reproduce el agente de la voz del usuario y descartar el primero del reconocimiento. El modelo sigue escuchando mientras el agente habla, de modo que, si el usuario lo interrumpe, sus palabras se captan y el audio del agente se filtra. La empresa explica que el objetivo es reducir las falsas interrupciones y los bucles de realimentación en dispositivos donde el sonido del altavoz vuelve al micrófono, como teléfonos en manos libres, portátiles o sistemas del coche. Ambas funciones están disponibles en todos los idiomas admitidos.

Otros cambios y disponibilidad

Soniox afirma que v6 es más preciso en más de 60 idiomas, con mejoras en dictado, transcripción de reuniones, reconocimiento multilingüe y traducción en tiempo real, además de en la identificación de hablantes, la detección del idioma y la detección del final del habla. En traducción, el modelo ajusta cuánta voz espera antes de traducir, algo que según la empresa es especialmente relevante en alemán y coreano.

Hay dos variantes, una para streaming en tiempo real y otra para archivos grabados, y ambas ya están disponibles. El anuncio no incluye cifras de precisión, tasa de error ni latencia; remite a una página de benchmarks aparte, por lo que no es posible valorar la magnitud de las mejoras solo con el comunicado.

En su página de precios, Soniox indica 0,12 dólares por hora de audio para la transcripción en tiempo real, con el modelo stt-rt-v6 citado en la calculadora, y 0,10 dólares por hora para la asíncrona. El anuncio no menciona cambios de precio para v6 ni describe modificaciones en la API o pasos de migración desde versiones anteriores.