Was ist Soniox STT v6 (stt-rt-v6 and stt-async-v6)?
Soniox STT v6 ist ein Paar von Speech-to-Text-Modellen, veröffentlicht am 3. November 2026: stt-rt-v6 für Echtzeit-Streams und stt-async-v6 für aufgezeichnete Dateien. Sie ersetzen die v5-Modelle, die am 15. Dezember 2026 entfernt werden; danach werden Anfragen automatisch an v6 geleitet. Die API bleibt gleich; für das Upgrade ändert man den Modellnamen.
Die wichtigste Neuerung gilt Voice Agents. Ist die Agent-Texteingabe eingeschaltet, streamt der Entwickler den Text, den der Agent gleich sprechen wird, in den Erkenner, sodass er beide Seiten des Gesprächs hört; die Echounterdrückung für die Agentenstimme entfernt dann die eigene Wiedergabe des Agents aus dem Transkript und erkennt trotzdem einen Anrufer, der dazwischenredet. Beides funktioniert beim Echtzeitmodell in allen unterstützten Sprachen.
Sprecherlabels, Spracherkennung, Formatierung und Übersetzung in über 60 Sprachen sind im Stundenpreis enthalten. Eine Verhaltensänderung verlangt Aufmerksamkeit: v6 schreibt Preise und alphanumerische Codes näher an der gesprochenen Form.
Was kostet Soniox STT v6 (stt-rt-v6 and stt-async-v6)?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Real-time (stt-rt-v6) | About $0.12 an hour | 2,00 $ pro 1M Audio-Tokens; 4,00 $ pro 1M Text-Tokens |
| Async (stt-async-v6) | About $0.10 an hour | 1,50 $ pro 1M Audio-Tokens; 3,50 $ pro 1M Text-Tokens |
Echtzeit etwa 0,12 $ pro Stunde (2,00 $ pro 1M Audio-Tokens); asynchron etwa 0,10 $ pro Stunde (1,50 $ pro 1M Audio-Tokens). Text-Tokens 4,00 $ bzw. 3,50 $ pro 1M. Diarisierung, Spracherkennung und Übersetzung inklusive.
Lohnt sich Soniox STT v6 (stt-rt-v6 and stt-async-v6)?
Sonioxs Argument beginnt beim Preis. Mit etwa 0,12 $ pro Stunde für Live-Audio, Sprecherlabels und Übersetzung inklusive, kostet es rund ein Viertel von AssemblyAIs Agent-Modell für 0,45 $. Tausend Stunden im Monat kommen auf 120 $.
Der Echofilter ist der clevere Teil. Die Stimme eines Voice Agents dringt oft über den Lautsprecher des Anrufers zurück und wird transkribiert, als hätte der Anrufer das gesagt; weil v6 den ausgehenden Text des Agents bekommt, weiß es, was zu verwerfen ist, ohne für eine Unterbrechung taub zu werden.
Der Haken: Die Genauigkeit ist umstritten. Im offenen Pipecat-Benchmark, wie Soniox ihn veröffentlicht, hatte stt-rt-v6 mit 0,74 % den niedrigsten semantischen Fehler von 23 Systemen, doch der Abstand zu Meta (0,80 %) und AssemblyAIs Universal-3.6 Pro (0,89 %) liegt innerhalb des Konfidenzintervalls des Tests, und vier Systeme lieferten den fertigen Text schneller. AssemblyAIs eigener Voice-Agent-Test sah v6 bei 6,02 %, gegenüber 4,53 % für das neueste eigene Modell. Und die Umstellung auf Preise und Codes in gesprochener Form kann nachgelagerte Parser unbemerkt brechen.
Unser Fazit: Zu diesen Preisen ist v6 die vernünftige Standardwahl für Transkription in großen Mengen und für Agents, die über Freisprecheinrichtungen sprechen. Wo eine einzige falsch verstandene Ziffer teuer wird, schicke deine eigenen Anrufe durch v6 und einen Konkurrenten, bevor du dich festlegst.
Wo es sich lohnt
Ein Voice Agent für Restaurantreservierungen, der Anrufe aus Freisprechanlagen im Auto annimmt
Verhindern, dass die Begrüßung des Agents als Worte des Anrufers transkribiert wird
Aktiviere die Agent-Texteingabe bei stt-rt-v6 und schicke jeden TTS-Satz mit sendAgentText; die Echounterdrückung filtert ihn, Unterbrechungen funktionieren weiter. 5.000 Anrufstunden im Monat kosten etwa 600 $.
Ein Marktforschungsinstitut mit Interviews in 12 Sprachen
Aufnahmen transkribieren und übersetzen, ohne jede Sprache einzurichten
Verarbeite die Dateien im Batch mit stt-async-v6 für etwa 0,10 $ pro Stunde, mit Sprecherlabels und Übersetzung im selben Aufruf.
Bevor du dich festlegst
- Einrichtung
- Ändere den Modellnamen auf stt-rt-v6 oder stt-async-v6; für Agents enable_agent_text_input setzen und den Text des Agents parallel zum Audio streamen.
- Integrationen
- REST- und WebSocket-APIs von Soniox; JavaScript-SDK (v2026.11.03 bringt sendAgentText und eine Region in Indien); Community-Integrationen wie Home Assistant.
- Daten und Datenschutz
- Die Gewichte sind nicht veröffentlicht, und Soniox wirbt nicht mit Self-Hosting. Die Preisseite äußert sich nicht zu Speicherung oder Trainingsnutzung; prüfe Sonioxs Bedingungen, bevor du reguliertes Audio schickst.
- Kosten im großen Maßstab
- Eine Stunde sind etwa 30.000 Audio-Tokens, also kosten 100.000 Stunden Live-Audio etwa 12.000 $, asynchron etwa 10.000 $.
- Grenzen
- v5 wird am 15. Dezember 2026 entfernt. Echounterdrückung und Agent-Texteingabe gibt es nur in Echtzeit. Preise und alphanumerische Codes in gesprochener Form.
Was gut ist
- Etwa 0,12 $ pro Stunde live, 0,10 $ asynchron, Extras inklusive
- Agent-Texteingabe und Echounterdrückung für Voice Bots
- Niedrigster semantischer Fehler im Pipecat-Benchmark, 0,74 %
- Direktes Upgrade; v5-Traffic läuft nach dem 15. Dezember auf v6
Was nicht
- Der Pipecat-Vorsprung liegt im Konfidenzintervall
- 6,02 % in AssemblyAIs Agent-Anruf-Test, hinter STT-3.7
- Preise und Codes werden jetzt so geschrieben, wie sie gesprochen werden
- Kein Self-Hosting; Speicherbedingungen nicht auf der Preisseite
Am besten für
Teams, die große Mengen an Anrufen oder Meetings in vielen Sprachen transkribieren, und Entwickler von Voice Agents, deren Anrufer über Lautsprecher telefonieren.
Alternativen zu Soniox STT v6 (stt-rt-v6 and stt-async-v6)
Soniox STT v6 (stt-rt-v6 and stt-async-v6): häufige Fragen
- Lohnt sich Soniox STT v6 (stt-rt-v6 and stt-async-v6)?
- Transkription zum Preis eines Rundungsfehlers, mit einer wirklich neuen Idee für Voice Agents; die Genauigkeitsangaben hängen davon ab, wessen Benchmark man liest. Wir bewerten es mit 4.2 von 5.
- Was kostet Soniox STT v6 (stt-rt-v6 and stt-async-v6)?
- Echtzeit etwa 0,12 $ pro Stunde (2,00 $ pro 1M Audio-Tokens); asynchron etwa 0,10 $ pro Stunde (1,50 $ pro 1M Audio-Tokens). Text-Tokens 4,00 $ bzw. 3,50 $ pro 1M. Diarisierung, Spracherkennung und Übersetzung inklusive.
- Welche Nachteile hat Soniox STT v6 (stt-rt-v6 and stt-async-v6)?
- Der Pipecat-Vorsprung liegt im Konfidenzintervall; 6,02 % in AssemblyAIs Agent-Anruf-Test, hinter STT-3.7; Preise und Codes werden jetzt so geschrieben, wie sie gesprochen werden; Kein Self-Hosting; Speicherbedingungen nicht auf der Preisseite.
- Für wen eignet sich Soniox STT v6 (stt-rt-v6 and stt-async-v6)?
- Teams, die große Mengen an Anrufen oder Meetings in vielen Sprachen transkribieren, und Entwickler von Voice Agents, deren Anrufer über Lautsprecher telefonieren.
- Was kostet Soniox STT v6 (stt-rt-v6 and stt-async-v6) für ein Team oder im Produktivbetrieb?
- Eine Stunde sind etwa 30.000 Audio-Tokens, also kosten 100.000 Stunden Live-Audio etwa 12.000 $, asynchron etwa 10.000 $.
- Ist Soniox STT v6 (stt-rt-v6 and stt-async-v6) sicher für Firmendaten?
- Die Gewichte sind nicht veröffentlicht, und Soniox wirbt nicht mit Self-Hosting. Die Preisseite äußert sich nicht zu Speicherung oder Trainingsnutzung; prüfe Sonioxs Bedingungen, bevor du reguliertes Audio schickst.
- Was sind die besten Alternativen zu Soniox STT v6 (stt-rt-v6 and stt-async-v6)?
- Die nächsten Alternativen, die wir getestet haben, sind AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent), ElevenLabs Scribe v3 and Scribe v3 Live, Deepgram Nova-3 und Voxtral 3 (Transcribe and TTS).
Antworten geprüft am 21. Nov. 2026.