소니옥스 STT v6, 음성봇 자기 목소리 걸러 낸다

음성인식 기업 소니옥스(Soniox)가 3일(현지시간) AI 음성 에이전트용 음성인식 모델 '소니옥스 STT v6'를 내놨다. 에이전트가 하려는 말을 텍스트로 함께 받아 고객의 짧은 대답을 해석하고, 스피커로 되돌아 들어온 에이전트 자신의 목소리는 받아쓰기에서 걸러 내는 것이 핵심이다. 회사는 이를 "세계 최초"라고 소개했다.

핵심 정리

• 실시간용 stt-rt-v6와 녹음 파일용 stt-async-v6 두 모델로 11월 3일 공개됐다.
• 새 기능 '에이전트 텍스트 입력'과 '에이전트 음성 에코 제거'로 상대 질문 맥락을 알고, 봇 자신의 목소리는 무시한다.
• 공시 가격은 실시간 시간당 0.12달러, 비동기 0.10달러다. 기존 v5 모델은 2026년 12월 15일 종료된다.

음성 에이전트 음성인식, 무엇이 달라졌나

일반적인 음성 에이전트는 세 단계로 움직인다. 음성인식(STT)이 듣고, 대형언어모델이 답을 정하고, 음성합성(TTS)이 말한다. 듣는 모델은 직전에 에이전트가 무엇을 물었는지 모른다.

v6에서는 개발자가 에이전트의 답변 텍스트를 TTS로 보내는 동시에 고객 음성과 같은 웹소켓 연결로 소니옥스에 넘긴다. 설정 이름은 enable_agent_text_input이다. 이름·숫자·"예/아니요" 같은 짧은 대답을 더 정확히 알아듣게 된다는 설명이다.

에이전트 음성 에코 제거 원리

스피커폰이나 노트북, 차량 시스템에서는 봇의 목소리가 다시 마이크로 새어 들어가기 쉽다. 그러면 에이전트가 자기 말에 반응해 말을 끊거나 반복하게 된다. 소니옥스는 v6가 에이전트 텍스트를 이용해 재생음과 고객 음성을 분리하고, 받아쓰기에서 에이전트 목소리를 뺀다고 밝혔다.

에이전트가 말하는 중에도 계속 들어 고객이 끼어들 수 있다. 개발 문서는 기존 음향 에코 제거(AEC)도 켜 둘 것을 권한다.

60여 개 언어, 한국어 번역도 개선

v6는 하나의 통합 모델로 60개 이상 언어를 지원하며, 두 에이전트 기능도 모든 언어에서 쓸 수 있다. 숫자·날짜·ID 표기와 화자 분리 성능도 개선됐다는 설명이다. 실시간 번역은 독일어·한국어처럼 더 들어야 하는 언어에서 번역 전 버퍼 양을 조절한다.

다만 회사는 "정확도가 크게 높아졌다"고만 했을 뿐, 발표문에 v6의 벤치마크 수치나 지연 시간은 밝히지 않았다. 2026년 8월 기준 벤치마크 페이지에는 이전 모델 stt-rt-v5의 파이프캣(Pipecat) 결과(평균 의미 단어오류율 1.34%, 지연 중간값 260밀리초)만 있다. 오류율 최저는 애저(1.21%)였다.

경쟁사 가격은 소니옥스가 정리한 공개 요금이다.

배경: 음성 에이전트 경쟁

AI 상담에서 음성 채널 비중이 커지고 있고, 에이전트가 자주 실패하는 지점이 짧은 대답 인식이다. 일레븐랩스가 2일 공개한 자체 연구는 긴 통화에서 음성 에이전트가 채팅보다 성과가 좋았다고 밝혔다.

전망

소니옥스는 v6가 v5와 API 호환되므로 모델 이름만 바꾸면 업그레이드된다고 밝혔다. stt-rt-v5와 stt-async-v5는 지원 종료 예정으로 2026년 12월 15일 제거되며, 이후 요청은 자동으로 v6로 넘어간다. 실제 소음 환경 성능은 독립 검증이 필요하다.

자주 묻는 질문

소니옥스 STT v6는 무엇인가? 소니옥스가 2026년 11월 3일 공개한 최신 음성인식 모델로, 실시간(stt-rt-v6)과 비동기(stt-async-v6) 두 가지이며 60개 이상 언어를 지원한다.

기존 코드를 고쳐야 하나? 아니다. 회사는 v5와 API가 호환된다고 밝혔다. 에이전트 텍스트 입력은 enable_agent_text_input 설정으로 켠다.

요금은 얼마인가? 실시간 시간당 0.12달러, 비동기 0.10달러다.

참고 자료

• Soniox STT v6 — Soniox(2026.11.3)
• Models — Soniox Docs
• Pricing — Soniox
• Benchmarks — Soniox(2026.8)