> ## Content Index
> Fetch the complete content index at: https://matveev.tech/llms.txt
> Use this file to discover other available public pages before exploring further.

# Soniox v5 Real-Time: распознавание речи для агентов
- URL: https://matveev.tech/soniox-v5-real-time/
- Published: 2026-06-17T10:29:46.000Z
- Updated: 2026-06-17T10:29:46.000Z
- Description: Soniox обновил потоковую модель распознавания речи. Смотрим, чем v5 Real-Time интересен для голосовых агентов и стоит ли он своих денег против Deepgram, OpenAI и Whisper.
- Author: Pavel Matveev
- Tags: AI, Обзор, Агенты, Инструменты

> TL;DR: Soniox v5 Real-Time — это API распознавания речи, который превращает живой разговор в текст прямо во время речи: держит 60+ языков (русский в их числе), различает спикеров, переводит на лету и стоит около $0.12 за час аудио. По открытому бенчмарку Pipecat прошлая версия выдавала 1.25% смысловых ошибок при задержке 249 мс. Это одна из самых точных и быстрых моделей на рынке, и при этом самая дешёвая из топовых.

Голосовые агенты упёрлись в скучную, но важную проблему: чтобы ассистент отвечал быстро и по делу, его сначала надо хорошо услышать. Причём не постфактум, когда фраза уже закончилась, а пока человек ещё говорит: с акцентом, в шумном кафе, перебивая сам себя и вставляя английские слова посреди русской фразы. Soniox 16 июня выкатил v5 Real-Time и заявляет, что именно эту задачу и решает. Я залез в доки, бенчмарки и прайсинг, чтобы понять, насколько это правда и кому оно вообще нужно.

## Что такое Soniox v5 Real-Time и зачем он нужен

Soniox — это speech AI платформа: одна модель, которая делает распознавание речи, перевод и (отдельно) синтез голоса. v5 Real-Time — свежая версия их потоковой STT-модели `stt-rt-v5`. Она пришла через неделю после [v5 Async](https://soniox.com/blog/soniox-v5-async?ref=matveev.tech) (это вариант для записанных файлов) и заменяет прошлую `stt-rt-v4`.

Ключевое слово здесь — real-time. Это не «батчевая транскрипция, только побыстрее». Потоковая модель не может дождаться конца записи и проанализировать разговор целиком. Ей надо параллельно слушать, отделять спикеров, определять язык, выдавать стабильный текст, переводить и понимать, где человек закончил мысль. Всё это за сотни миллисекунд, пока собеседник ещё не закрыл рот. Поэтому архитектуру, обучение и инференс Soniox строили под стриминг с нуля.

Зачем это тебе. Если ты делаешь голосового агента, живые субтитры, диктовку, заметки со встреч, медицинскую расшифровку приёма или поддержку в колл-центре, тебе нужен движок, который слышит точно и быстро. v5 Real-Time целится ровно в эти сценарии.

## Как это работает: токены и финализация

Под капотом всё идёт через WebSocket. Ты открываешь соединение, шлёшь конфиг и аудио, а в ответ получаешь поток токенов, маленьких кусочков текста. У каждого токена есть флаг `is_final`:

- `is_final: false` — черновой токен. Появляется мгновенно, но может измениться или исчезнуть, когда подъедет ещё звук.
- `is_final: true` — подтверждённый токен. Зафиксирован и больше никогда не поменяется.

Звучит как мелочь, но это удобно на практике: ты сразу показываешь пользователю «сырой» текст для отзывчивости, а потом аккуратно заменяешь его на финальный, когда модель уверена. Чтобы финализировать быстрее, есть два пути: endpoint detection (модель сама ловит, что человек договорил) и ручная финализация (шлёшь `finalize` и забираешь всё накопленное). Подробности в [доках по real-time транскрипции](https://soniox.com/docs/stt/rt/real-time-transcription?ref=matveev.tech).

## Быстрый старт: первый стрим на Python

Регистрируешься на [console.soniox.com](https://console.soniox.com/?ref=matveev.tech), берёшь API-ключ, ставишь SDK. Минимальный пример выглядит так:

```bash
pip install soniox
export SONIOX_API_KEY=<твой_ключ>

```

```python
from soniox import SonioxClient
from soniox.types import RealtimeSTTConfig
from soniox.utils import render_tokens, start_audio_thread, throttle_audio

client = SonioxClient()

config = RealtimeSTTConfig(
    model="stt-rt-v5",
    language_hints=["ru", "en"],          # подсказки по языкам повышают точность
    enable_language_identification=True,  # помечать язык каждого токена
    enable_speaker_diarization=True,      # помечать спикера каждого токена
    enable_endpoint_detection=True,       # ловить конец реплики
)

with client.realtime.stt.connect(config=config) as session:
    start_audio_thread(session, throttle_audio("audio.mp3", delay_seconds=0.1))
    final_tokens = []
    for event in session.receive_events():
        non_final = [t for t in event.tokens if not t.is_final]
        final_tokens += [t for t in event.tokens if t.is_final]
        print(render_tokens(final_tokens, non_final))

```

Вот и всё, по сути. Хочешь живой перевод, добавляешь блок `translation` в тот же запрос, и Soniox начинает переводить прямо в потоке. Один API-ключ, один WebSocket, никакой склейки из двух сервисов. Полные примеры (включая Node SDK и сырой WebSocket без SDK) лежат в [документации](https://soniox.com/docs/stt/rt/real-time-transcription?ref=matveev.tech).

## Что умеет Soniox v5: главные возможности

### Диаризация: кто что сказал, прямо в потоке

Самое заметное обновление v5 — переделанная диаризация в реальном времени. Включаешь `enable_speaker_diarization`, и у каждого токена появляется поле `speaker`. Модель отделяет говорящих по ходу разговора, а не реконструирует структуру после записи.

В реальном времени это очень тяжёлая задача: люди перебивают друг друга, говорят одновременно, смеются, голоса похожи, микрофон скачет. Зачем оно надо: ассистент для встреч должен понимать, кто назначил задачу, медицинский — кто сказал реплику, врач или пациент, а поддержка — где оператор, а где клиент. Без диаризации весь диалог сваливается в одну простыню текста, и дальше с ней ничего толком не сделаешь.

### 60+ языков и перевод на лету

Soniox распознаёт [60+ языков](https://soniox.com/docs/stt/concepts/supported-languages?ref=matveev.tech) одной моделью, и русский там есть (как и украинский, белорусский, казахский). Определение языка работает нативно: модель сама ловит переключение языков посреди разговора и заявленно лучше держит сильный акцент. Это не косметика. Большинство говорящих по-английски в мире — не носители, и движок, который понимает только чистый американский английский, в продакшене разваливается.

🌍

Для русскоязычных продуктов сочетание редкое: русский, украинский и казахский распознаются из коробки, а перевод идёт между любой парой из 60+ языков прямо в потоке. Живой переводчик созвона RU↔EN собирается на одном API, без отдельного сервиса перевода.

Поверх распознавания идёт перевод. Soniox делает речь-в-текст и перевод одновременно в одном потоке: 60+ языков, 3600 языковых пар, режим one-way (всё в один целевой язык) или two-way (два языка туда-обратно для живого двуязычного диалога). Качество перевода в v5 подтянули на именах, числах, местоимениях и доменных терминах, то есть ровно на тех местах, где машинный перевод обычно и спотыкается. Для русскоязычного продукта это значит, что можно собрать, например, живой переводчик созвона RU↔EN без отдельного переводческого сервиса.

### Semantic endpointing для голосовых агентов

Для голосового агента понимать, когда человек закончил говорить, не менее важно, чем понимать что. Ответишь слишком рано, перебьёшь человека на полуслове. Среагируешь слишком поздно, и агент выглядит тормозным. Soniox использует семантический endpointing: смотрит на паузы, интонацию и контекст, а не просто на тишину.

В v5 добавили параметр `endpoint_sensitivity`. Чем выше значение, тем чаще модель считает реплику законченной и финализирует раньше (удобно для командных систем). Чем ниже, тем дольше она ждёт, не обрывая на полуслове (удобно для диктовки). Именно такой ручки обычно и не хватает, когда подгоняешь чужой STT под свой UX.

### Цифры, имена и контекст

Номера телефонов, коды, email, трек-номера, account ID. В разговоре это часто самое важное, и одна неверная цифра ломает всю автоматизацию. v5 заметно подтянули по этой «alphanumeric» части: модель аккуратнее ловит и форматирует структурные штуки.

Второй приём — инъекция контекста. При открытии соединения можно передать модели подсказки: домен, имена участников, список терминов, кусок справочного текста и даже предпочтительные переводы конкретных слов. Причём это не пост-обработка регулярками, а контекст внутри самой модели во время распознавания. На практике это спасает на редких именах, аббревиатурах и продуктовых названиях, которые ни одна модель не знает заранее.

## Soniox против Deepgram, AssemblyAI, OpenAI и Whisper

Тут самое интересное. Есть открытый [Pipecat STT benchmark](https://soniox.com/benchmarks?ref=matveev.tech) (июнь 2026): 1000 реальных сэмплов, ground truth размечен Gemini и проверен людьми, [датасет лежит на Hugging Face](https://huggingface.co/datasets/pipecat-ai/stt-benchmark-data?ref=matveev.tech), результат воспроизводим. Метрики заточены под голосовых агентов: semantic WER (только ошибки, меняющие смысл для LLM) и TTFS (задержка от конца речи до финального сегмента).

![Soniox даёт открыто сравнить себя с OpenAI, Google, Azure, AssemblyAI, Deepgram и Speechmatics на одном и том же аудио](https://matveev.tech/content/images/2026/06/compare_top.png)

Вот ключевые строки, отсортированные по точности (меньше WER — лучше):

| Провайдер    | Модель               | $/час     | Semantic WER | Идеальных | Задержка (медиана / P95) |
| ------------ | -------------------- | --------- | ------------ | --------- | ------------------------ |
| Azure        | —                    | $1.00     | 1.21%        | 82.9%     | 1016 / 1345 мс           |
| **Soniox**   | stt-rt-v4            | **$0.12** | **1.25%**    | **84.1%** | **249 / 281 мс**         |
| Speechmatics | —                    | $0.56     | 1.40%        | 83.2%     | 495 / 676 мс             |
| Deepgram     | nova-3               | $0.55     | 1.71%        | 76.5%     | 247 / 298 мс             |
| AssemblyAI   | u3-rt-pro            | $0.57     | 1.74%        | 83.9%     | 335 / 534 мс             |
| ElevenLabs   | scribe\_v2\_realtime | $0.39     | 3.16%        | 81.3%     | 281 / 348 мс             |
| OpenAI       | gpt-4o-transcribe    | \~$0.36   | 3.24%        | 75.9%     | 637 / 965 мс             |

Картина читается так. По чистой точности Azure впереди на 0.04%, то есть в пределах погрешности, но при этом он в 4 раза медленнее (1016 мс против 249) и в 8 раз дороже. Soniox единственный, кто одновременно держит топовую точность, низкую задержку с очень ровным P95 и самую низкую цену. Deepgram nova-3 чуть быстрее по медиане (247 мс), но заметно хуже по ошибкам и доле идеальных расшифровок, и дороже в 4-5 раз. У AssemblyAI приличная точность, но задержка скачет (P95 534 мс, для живого диалога это уже заметно). OpenAI `gpt-4o-transcribe` тут откровенно отстаёт и по точности, и по скорости, хотя у OpenAI недавно появилась отдельная `gpt-4o-transcribe-diarize`, которой в этом тесте нет.

Whisper в таблице нет, и это закономерно. Оригинальный Whisper от OpenAI вообще не потоковый: он работает 30-секундными окнами, диаризации из коробки нет (нужен отдельный pyannote), а перевод умеет только в английский. Чтобы заставить его стримить, берут обвязки вроде whisper-streaming, и [даже в академической версии](https://arxiv.org/abs/2307.14743?ref=matveev.tech) задержка около 3.3 секунды. Для офлайн-расшифровки на своём железе и ради приватности Whisper по-прежнему отличный и бесплатный вариант. Для живого голосового агента уже нет.

Два честных дисклеймера. Во-первых, бенчмарк гоняли на `stt-rt-v4`, а статья про v5 — Soniox обещает, что v5 точнее, но независимых цифр именно по v5 пока нет. Во-вторых, тест англоязычный, так что мультиязычность и русский в нём напрямую не измерены. Сам бенчмарк открытый и сделан Pipecat, но витрину с табличкой публикует Soniox, так что щепотка скепсиса не помешает. Хорошая новость: у них есть [Compare](https://soniox.com/compare?ref=matveev.tech), где можно прогнать своё аудио через всех провайдеров сразу и посмотреть на свой кейс.

## Сколько стоит Soniox

Прайсинг [токенный](https://soniox.com/pricing?ref=matveev.tech), но в пересчёте на часы выходит просто. Real-time стриминг — примерно $0.12 за час аудио, async по файлам — около $0.10\. Перевод не тарифицируется отдельно: он идёт как выходные текстовые токены в той же цене. Для ориентира: час аудио это \~30 000 входных аудио-токенов по $2.00 за миллион, а час речи на выходе \~15 000 текстовых токенов по $4.00 за миллион.

По меркам рынка это дёшево. Soniox объясняет низкую цену тем, что построил весь стек сам, от моделей до инференса, и заточил его под стриминг, поэтому то же железо обрабатывает больше аудио. Звучит как стандартный маркетинг, но цифры в бенчмарке его в целом подтверждают: дешевле топовых конкурентов в разы при сопоставимой точности. Есть ещё TTS (синтез речи) примерно за $0.70 за час сгенерированной речи, если вдруг нужен голос на выходе.

🎙️

Если делаешь голосовые продукты или просто следишь за speech AI, я разбираю свежие релизы и инструменты по горячим следам. [Подписывайся в телеге](https://t.me/ctospeech?ref=matveev.tech).

## Вердикт: кому брать, а кому нет

Мне Soniox v5 Real-Time нравится, и вот почему. Это редкий случай, когда продукт не заставляет выбирать между точностью, скоростью и ценой: по открытому бенчмарку он держит все три сразу. Встроенный перевод 60+ языков и диаризация в одном API-вызове закрывают как раз те задачи, ради которых обычно склеивают три сервиса. А `endpoint_sensitivity` и инъекция контекста показывают, что делали инструмент люди, которые сами строили голосовые продукты.

Кому однозначно стоит смотреть: всем, кто делает голосовых агентов, живые субтитры, многоязычные созвоны, диктовку или расшифровку встреч и звонков. Особенно если важны не-английские языки и перевод на лету: здесь Soniox выглядит сильнее, чем OpenAI или Deepgram. И особенно если считаете деньги на объёме: $0.12 за час против $0.55+ у конкурентов на масштабе превращается в заметную разницу.

Кому не сюда. Если нужен полностью локальный, self-hosted движок ради приватности или работы без интернета, то Soniox не про это: он облачный, бери Whisper на своём GPU. Если ты уже глубоко в экосистеме OpenAI или Deepgram и тебя устраивает качество, мигрировать ради процентов WER смысла мало. И помни про честную оговорку: публичные цифры пока по v4 и по английскому, так что перед продакшеном прогони свой реальный звук через [Compare](https://soniox.com/compare?ref=matveev.tech) и проверь на своих языках. Но как стартовая точка для голосового продукта в 2026-м — это один из самых сильных вариантов, что я видел.

[Soniox: real-time speech AIРаспознавание речи, перевод и синтез на 60+ языках в одном API. Модель v5 Real-Time, около $0.12 за час аудио.soniox.com](https://soniox.com/?ref=matveev.tech)

Попробовать Soniox v5 Real-Time

## FAQ

**Soniox понимает русский?** Да. Русский входит в список 60+ языков и доступен и для транскрипции, и для перевода в любой другой поддерживаемый язык. Там же украинский, белорусский и казахский. Независимых замеров точности именно по русскому пока нет, так что проверяй на своём аудио.

**Чем v5 Real-Time отличается от Whisper?** Whisper не потоковый и без диаризации из коробки, зато его можно поднять локально бесплатно. Soniox — облачное API, заточенное под живой звук: диаризация, определение языка, перевод и endpointing работают в реальном времени. Для голосового агента Soniox удобнее, для офлайн-расшифровки на своём железе дешевле Whisper.

**Нужно ли переписывать код при переходе с v4?** Нет. v5 полностью совместим с существующим Real-Time API, достаточно поменять имя модели на `stt-rt-v5`. Старую `stt-rt-v4` отключат 30 июня 2026, после чего запросы к ней автоматически пойдут на v5 без изменений в коде.

**Можно ли переводить речь на лету?** Да, перевод встроен в распознавание. Добавляешь блок `translation` в тот же запрос и получаешь перевод прямо в потоке, без отдельного сервиса. Поддерживаются режимы one-way и two-way, всего 3600 языковых пар.

## Что ещё почитать

- [Typeless для iOS — голосовая клавиатура с AI](https://matveev.tech/typeless-ios-golosovaya-klaviatura) — как распознавание речи превращается в удобный голосовой ввод на телефоне.
- [Voice Studio Companion — озвучка из меню-бара Mac](https://matveev.tech/voice-studio-companion) — обратная задача, синтез голоса через ElevenLabs прямо из строки меню.
- [MuteKey — мьют микрофона на Mac одной клавишей](https://matveev.tech/mutekey-upravlieniie-mikrofonom-na-mac-iz-liubogho-miesta) — маленькая утилита для тех, кто много работает с голосом и созвонами.