Soniox STT v6 (stt-rt-v6 and stt-async-v6)とは?
Soniox STT v6は、2026年11月3日に公開された2つの音声認識モデルです。リアルタイムストリーム向けのstt-rt-v6と、録音ファイル向けのstt-async-v6があります。2026年12月15日に削除されるv5モデルの後継で、それ以降のリクエストは自動的にv6に回されます。APIは変わらず、アップグレードはモデル名を変えるだけです。
目玉は音声エージェント向けの機能です。エージェントのテキスト入力を有効にすると、開発者はエージェントがこれから話すテキストを認識エンジンにストリーミングで渡し、会話の両側を聞かせられます。さらにエージェント音声のエコーキャンセルが、エージェント自身の再生音を文字起こしから取り除きつつ、通話相手の割り込みは拾います。どちらもリアルタイムモデルの全対応言語で使えます。
話者ラベル、言語識別、整形、60以上の言語での翻訳が時間料金に含まれます。1つ注意が必要な挙動の変更があり、v6は価格や英数字のコードを、より読み上げたときに近い形で書き出します。
Soniox STT v6 (stt-rt-v6 and stt-async-v6)の料金は?
| プラン | 価格 | 内容 |
|---|---|---|
| Real-time (stt-rt-v6) | About $0.12 an hour | 音声トークン1Mあたり$2.00、テキストトークン1Mあたり$4.00 |
| Async (stt-async-v6) | About $0.10 an hour | 音声トークン1Mあたり$1.50、テキストトークン1Mあたり$3.50 |
リアルタイムは1時間約$0.12(音声トークン1M(100万)あたり$2.00)、非同期は1時間約$0.10(音声トークン1Mあたり$1.50)です。テキストトークンは1Mあたり$4.00または$3.50。ダイアライゼーション、言語識別、翻訳込みです。
Soniox STT v6 (stt-rt-v6 and stt-async-v6)は使う価値があるか?
Sonioxの強みはまず料金です。ライブ音声で1時間約$0.12、話者ラベルと翻訳込みで、AssemblyAIのエージェント向けモデルの$0.45の約4分の1です。月1,000時間でも$120で済みます。
巧みなのはエコーフィルターです。音声エージェントの声は通話相手のスピーカーフォンから漏れ戻り、相手が話したかのように文字起こしされがちです。v6はエージェントが送るテキストを受け取ることで、割り込みを聞き逃さずに、何を捨てるべきかを判断できます。
注意点:精度には異論があります。Sonioxが公表したオープンなPipecatベンチマークでは、stt-rt-v6の意味的誤り率は0.74%で23システム中最も低かったものの、Meta(0.80%)やAssemblyAIのUniversal-3.6 Pro(0.89%)との差はテストの信頼区間内で、最終テキストを返すのが速いシステムも4つありました。AssemblyAI自身の音声エージェントテストでは、v6は6.02%で、同社の最新モデルの4.53%を下回る結果でした。また価格やコードを読み上げ形式で書く変更は、後段のパーサーを知らないうちに壊すことがあります。
結論:この料金なら、大量の文字起こしやスピーカーフォン越しに話すエージェントには、v6が無難な標準の選択です。数字1桁の聞き間違いが高くつく用途では、契約する前に自社の通話をv6と競合1社で試してください。
真価を発揮する場面
車のハンズフリーからの電話を受けるレストラン予約の音声エージェント
エージェント自身のあいさつが通話相手の発言として文字起こしされるのを防ぐ
stt-rt-v6でエージェントのテキスト入力を有効にし、TTSの文ごとにsendAgentTextで送ります。エコーキャンセルがそれを除去し、割り込みも引き続き機能します。月5,000時間の通話で約$600です。
12言語でインタビューを行う市場調査会社
言語ごとの設定なしで録音を文字起こしして翻訳する
stt-async-v6でファイルを1時間約$0.10でバッチ処理し、話者ラベルと翻訳も同じ呼び出しで行います。
導入前に確認すること
- 導入
- モデル名をstt-rt-v6またはstt-async-v6に変えます。エージェントではenable_agent_text_inputを設定し、音声と一緒にエージェントのテキストをストリーミングします。
- 連携
- SonioxのRESTおよびWebSocket API、JavaScript SDK(v2026.11.03でsendAgentTextとインドのリージョンを追加)、Home Assistantなどのコミュニティ統合。
- データとプライバシー
- 重みは公開されておらず、Sonioxはセルフホストをうたっていません。料金ページは保持や学習への利用に触れていないため、規制対象の音声を送る前にSonioxの規約を確認してください。
- 大規模利用時のコスト
- 1時間は約30,000音声トークンなので、ライブ音声100,000時間で約$12,000、非同期なら約$10,000です。
- 制限
- v5は2026年12月15日に削除。エコーキャンセルとエージェントのテキスト入力はリアルタイムのみ。価格や英数字のコードは読み上げ形式で出力されます。
良い点
- ライブで1時間約$0.12、非同期で$0.10、追加機能込み
- 音声ボット向けのエージェントテキスト入力とエコーキャンセル
- Pipecatベンチマークで意味的誤り率が最低の0.74%
- そのままアップグレード可能。12月15日以降はv5の通信がv6へ
気になる点
- Pipecatでのリードは信頼区間内
- AssemblyAIのエージェント通話 テストでは6.02%でSTT-3.7に及ばない
- 価格やコードが読み上げ形式で書かれるようになった
- セルフホスト不可。保持条件は料金ページに記載なし
おすすめの人
多言語の通話や会議を大量に文字起こしするチームと、通話相手がスピーカーフォンを使う音声エージェントの開発者。
Soniox STT v6 (stt-rt-v6 and stt-async-v6)の代替
Soniox STT v6 (stt-rt-v6 and stt-async-v6):よくある質問
- Soniox STT v6 (stt-rt-v6 and stt-async-v6)は使う価値があるか?
- 誤差のような料金で文字起こしができ、音声エージェント向けに本当に新しい工夫があります。ただし精度の評価は、どのベンチマークを見るかで変わります。 評価は5点満点中4.2点です。
- Soniox STT v6 (stt-rt-v6 and stt-async-v6)の料金は?
- リアルタイムは1時間約$0.12(音声トークン1M(100万)あたり$2.00)、非同期は1時間約$0.10(音声トークン1Mあたり$1.50)です。テキストトークンは1Mあたり$4.00または$3.50。ダイアライゼーション、言語識別、翻訳込みです。
- Soniox STT v6 (stt-rt-v6 and stt-async-v6)の欠点は?
- Pipecatでのリードは信頼区間内; AssemblyAIのエージェント通話テストでは6.02%でSTT-3.7に及ばない; 価格やコードが読み上げ形式で書かれるようになった; セルフホスト不可。保持条件は料金ページに記載なし.
- Soniox STT v6 (stt-rt-v6 and stt-async-v6)は誰に向いているか?
- 多言語の通話や会議を大量に文字起こしするチームと、通話相手がスピーカーフォンを 使う音声エージェントの開発者。
- チームや本番環境でSoniox STT v6 (stt-rt-v6 and stt-async-v6)を使うと費用はいくらか?
- 1時間は約30,000音声トークンなので、ライブ音声100,000時間で約$12,000、非同期なら約$10,000です。
- Soniox STT v6 (stt-rt-v6 and stt-async-v6)は企業データを扱っても安全か?
- 重みは公開されておらず、Sonioxはセルフホストをうたっていません。料金ページは保持や学習への利用に触れていないため、規制対象の音声を送る前にSonioxの規約を確認してください。
- Soniox STT v6 (stt-rt-v6 and stt-async-v6)の代わりになるものは?
- 当サイトでレビューした中で最も近い代替はAssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent), ElevenLabs Scribe v3 and Scribe v3 Live, Deepgram Nova-3 、 Voxtral 3 (Transcribe and TTS)です。
回答確認日:2026年11月21日