Segun MarkTechPost (AI/ML News), Soniox ha lanzado su sexta versión de su servicio de conversión de voz a texto, STT v6, diseñado específicamente para optimizar la interacción en agentes vocales. Esta nueva iteración permite que el sistema no solo escuche al usuario, sino que también procese las respuestas del agente en tiempo real. Algunas funcionalidades clave incluyen la inclusión de texto del agente como entrada, filtrado de eco y reconocimiento automático de idiomas. La versión se ofrece en dos formatos: streaming (stt-rt-v6) y asincrónico (stt-async-v6), con soporte para más de sesenta idiomas.
El modelo opera exclusivamente a través de la nube de Soniox, sin opciones para ejecución local o en dispositivos personales. No se ha revelado el tamaño del modelo ni se han publicado cifras de precisión comparativas. Aunque el fabricante afirma que v6 es “significativamente” más preciso que v5, aún no se han entregado métricas independientes. En pruebas previas, v5 registró un error de reconocimiento semántico del 1.34% en el entorno Pipecat, inferior al rendimiento de v4 (1.25%). El nuevo sistema resuelve dos problemas críticos en agentes vocales: la falta de visibilidad del contenido respondido y la contaminación por eco.
Uno de los principales desafíos detectados es la inexactitud en respuestas breves. Por ejemplo, “River Roast” se transcribe erróneamente como “River Road”, y “a tow” se convierte en “a tour”. Este tipo de errores se agravan en interacciones breves y sin contexto. Además, el eco, generado cuando el audio del agente se refleja en dispositivos como altavoces o laptops, puede ser capturado por el sistema como si fuera parte de la conversación del usuario, provocando interrupciones o respuestas incoherentes.
Para activar la entrada de texto del agente, se debe incluir una opción en la solicitud inicial: "enable_agent_text_input": true. Esta característica solo está disponible en el modelo streaming (stt-rt-v6), no en el modo asincrónico. Durante la conversación, el sistema transmite fragmentos de texto del agente en tiempo real a través de un WebSocket, utilizando estructuras JSON que contienen el tipo de mensaje y el texto procesado. Sin embargo, los datos no incluyen timestamps, lo que implica que el modelo asigna el lugar de cada segmento según el orden de llegada.
Para el perfil peruano, este avance en inteligencia de voz puede ser clave en sectores como atención al cliente, servicios públicos o comercio digital. Aunque el modelo no ofrece resultados independientes, su bajo costo (0.12 dólares por hora en streaming y 0.10 en modo asincrónico) lo hace atractivo para pequeñas y medianas empresas que buscan integrar soluciones de voz sin grandes inversiones. Sin embargo, el riesgo de errores en respuestas breves podría afectar la calidad del servicio en entornos donde la precisión es crítica, como en servicios de salud o educación. El futuro de estos sistemas dependerá de su capacidad para mantener la claridad en entornos multilingües y de alta carga.