Oggi Soniox lancia la versione 6 del suo modello di speech-to-text. Non è l’ennesimo aggiornamento da “accuratezza migliorata del 3%”: v6 è il primo modello che sa cosa sta dicendo il tuo agente vocale e filtra automaticamente la sua voce.
Ogni conversazione con un assistente AI è un dialogo, ma il modello di riconoscimento vocale sentiva solo metà della storia — quella dell’utente. L’agente parla, fa domande, elenca opzioni, e poi il modello deve indovinare la risposta senza sapere cosa è stato chiesto.
Agent text input: il contesto che mancava
Con l’Agent text input, gli sviluppatori inviano a Soniox STT v6 il testo che l’agente pronuncia mentre viene mandato al text-to-speech. Il modello riceve entrambi i lati della conversazione.
Un esempio pratico. L’agente dice: “Il tuo volo per Lisbona è stato cancellato. Posso riprenotarti via Porto o Faro. Quale preferisci?” L’utente risponde: “Facciamo Faro”. Senza contesto, “Faro” potrebbe essere qualsiasi cosa. Con il testo dell’agente, v6 sa esattamente di cosa si parla.
Il risultato è un riconoscimento più accurato di nomi, numeri, termini specializzati e risposte brevi che isolate sarebbero ambigue. Meno loop di chiarimenti, meno frustrazioni, conversazioni che scorrono.
Echo cancellation: mai più agenti che si interrompono da soli
Problema classico: la voce dell’agente viene captata dal microfono, il modello la scambia per voce dell’utente, l’agente si interrompe e risponde a se stesso. Divertente nei film di fantascienza, disastroso nella realtà.
Soniox v6 introduce l’agent voice echo cancellation. Usando l’Agent text input, il modello distingue la riproduzione dell’agente dalla voce dell’utente e la filtra dal riconoscimento.
V6 continua però ad ascoltare l’utente mentre l’agente parla. Se l’utente interrompe, il modello riconosce la sua voce filtrando quella dell’agente. Meno interruzioni false, conversazioni più affidabili su altoparlanti, laptop, sistemi in-car, ovunque la riproduzione raggiunga il microfono.
Voice typing: velocità e precisione su 60+ lingue
Per il voice typing, Soniox ha investito in dati di dettatura reali. Il riconoscimento di numeri, valute, unità, date, identificatori alfanumerici, nomi e terminologia specializzata è migliorato in modo misurabile.
Nel voice typing la precisione non è negoziabile. Una cifra sbagliata cambia un importo. Un’unità mancante cambia una misura. Un nome tecnico mal riconosciuto costringe l’utente a fermarsi e correggere, spezzando il flusso che rende utile la voce come input.
V6 trasmette il testo mentre l’utente parla e finalizza rapidamente quando finisce. Gli sviluppatori possono migliorare ulteriormente l’accuratezza fornendo contesto rilevante: nomi di prodotti, vocabolario professionale, terminologia di progetto.
Meeting transcription: chi ha detto cosa, finalmente chiaro
Per le riunioni, Soniox ha investito in dati che catturano la complessità reale: cambi rapidi di speaker, interruzioni, voci sovrapposte, speaker dal suono simile, condizioni del microfono variabili.
La speaker diarization su oltre 60 lingue è migliorata. Un nome sbagliato, un numero errato o un’affermazione attribuita alla persona sbagliata possono distorcere riassunti, decisioni e azioni da intraprendere.
Anche qui il contesto conta. Fornite nomi dei partecipanti, terminologia aziendale, nomi di prodotti e vocabolario di progetto per dare a v6 informazioni che non potrebbe dedurre solo dall’audio.
60+ lingue, un solo modello
V6 migliora l’accuratezza su tutte le 60+ lingue supportate, con gestione migliore di accenti, conversazioni multilingue e switch linguistici nella stessa frase.
I miglioramenti coprono tutte le funzionalità core: speaker diarization, identificazione della lingua, rilevamento degli endpoint, uso del contesto fornito. Agent text input ed echo cancellation sono disponibili in ogni lingua supportata. Le lingue possono essere mescolate liberamente senza gestire modelli separati.
Traduzione real-time migliorata
V6 offre traduzione speech-to-text in tempo reale più accurata su 60+ lingue, con migliore preservazione del significato e maggiore precisione per date, numeri, valute e altri dettagli critici.
Il modello regola dinamicamente quanto parlato raccogliere prima di tradurre. È particolarmente utile in lingue come tedesco e coreano, dove informazioni che arrivano più tardi in una frase determinano come tradurre le parole precedenti.
Migliorata anche la traduzione di parlato multilingue, incluse conversazioni che cambiano lingua a metà frase. Riconoscimento e traduzione più accurati degli alfanumerici aiutano a preservare importi, date e identificatori dal parlato originale al testo tradotto.
Soniox STT v6 è disponibile ora per streaming real-time e trascrizione asincrona.
