Grok Voice Transcribe 2.0 vs. VibeVoice ASR Streaming 7B: Die Zahl, die Microsoft nicht veröffentlicht hat

VibeVoice ASR Streaming 7B ist Microsofts einheitlicher Streaming-Spracherkenner. Er wurde am 2. September 2026 auf Hugging Face hochgeladen und einen Tag später im Repository microsoft/VibeVoice unter der MIT-Lizenz angekündigt, und er tut etwas, was weder Grok Voice Transcribe 2.0 noch die meisten seiner Konkurrenten tun: Er gibt sprecherattribuierten Text aus, während Audio eintrifft, ohne separaten Diarisierungsschritt. Im technischen Bericht von Microsoft heißt es, der 7B-Checkpoint erreiche die niedrigsten durchschnittlichen WER- und CER-Werte über fünf Evaluierungssets hinweg sowie die beste oder gleichauf beste Sprecherzuordnung in 12 von 13 Evaluierungseinstellungen. Was die Model Card nicht tut: Sie veröffentlicht keine einzige Zahl im Text — kein WER, kein RTF, keine Latenzangabe; die Ergebnisse liegen nur als Bilder im Bericht vor. Grok Voice Transcribe 2.0, sechzehn Tage später am 18. September 2026 erschienen, zu 0,10 US-Dollar pro Audio-Stunde für Batch und 0,20 US-Dollar pro Stunde für Streaming, veröffentlicht alles: 2,7 % WER für das Endtranskript und 3,4 % WER für das erste Teiltranskript auf dem Streaming-Board von Artificial Analysis, jeweils 0,49 Sekunden. Der ehrliche Ausgangspunkt für diesen Vergleich ist also, dass eines der beiden Modelle messbar besser dokumentiert ist als das andere, und diese Asymmetrie ist selbst die entscheidungsrelevanteste Tatsache in diesem Duell.

Was Microsoft veröffentlicht hat und was ein Leser damit tun kann

Der VibeVoice-Bericht ist echte Forschung, und die darin enthaltenen Behauptungen sind in ihrer Form spezifisch, wenn auch nicht in ihrem Wert. Er bewertete vier Meeting-Benchmarks – AliMeeting, AISHELL-4, AMI-SDM und AMI-IHM – sowie MLC-Challenge, über neun Sprachen hinweg, und berichtet zwei Schlagzeilergebnisse: Das 7B-Modell hatte den niedrigsten durchschnittlichen WER/CER über die fünf Sets und die beste oder gleichauf beste Sprecherzuordnung in 12 von 13 Evaluierungssettings. Beides sind relative Aussagen, was eine bedeutsame Art von Aussage ist: „Niedrigster über diese fünf Sets“ ist eine Aussage über die Reihenfolge, und Reihenfolge ist das, was ein Käufer braucht.

Was fehlt, sind sämtliche absoluten Zahlen. Es gibt keinen WER-Prozentsatz, den man mit irgendetwas vergleichen könnte, keine Durchsatzangabe, keine Latenzmessung und keine Aufschlüsselung pro Set im Text. Eine Vergleichstabelle, die VibeVoice neben Grok Voice Transcribe 2.0 stellt und dem Microsoft-Modell eine Zahl zuweist, erfindet diese Zahl. Was man sagen kann, ist, dass VibeVoice seine eigene Fünf-Set-Evaluierung gewonnen hat und dass niemand außerhalb von Microsoft sie erneut durchgeführt hat – kein unabhängiger Benchmark, keine Bewertung durch Dritte und zum Zeitpunkt des Schreibens kein gehosteter Inferenzanbieter, der das Modell überhaupt auflistet. Der Vergleich steht daher zwischen einer dokumentierten Zahl und einem undokumentierten Ranking, und das undokumentierte Ranking ist nicht das schwächere der beiden, nur weil ihm ein Dezimalpunkt fehlt.

Die Dokumentation von Grok Voice Transcribe 2.0 hat das umgekehrte Problem. Ihre 2,7 % und 3,4 % stammen aus dem AA-WER-Streaming-Board von Artificial Analysis, einem gewichteten zusammengesetzten Wert aus AA-AgentTalk zu 50 % sowie VoxPopuli und Earnings22 zu je 25 % – etwa acht Stunden agentenförmiges englisches Konversations-Audio, unabhängig durchgeführt, was eine wirklich stärkere Herkunft ist als die eigene Bewertung eines Anbieters. Aber es ist ein schmaler Ausschnitt des Englischen, und die Board-Seite selbst stellt 27 der 33 Modelle dar, die SpaceXAI zählt, wenn es den ersten Platz unter 32 beansprucht. Eine präzise Zahl in einem engen Test und eine unpräzise Behauptung auf einem breiteren sind nicht direkt vergleichbar, und dieser Artikel wird nicht so tun, als wäre es anders.

Zweieinhalb Sekunden gegen eine halbe Sekunde

Der Latenzvergleich ist die einzige Stelle, an der man die beiden Modelle ohne jeden Vorbehalt hinsichtlich der Datensätze direkt nebeneinanderstellen kann, denn beide veröffentlichen ihre Streaming-Konfiguration – und der Unterschied ist architektonischer Natur und keine Frage des Tunings.

VibeVoice ASR Streaming 7B arbeitet in Chunks. Seine veröffentlichten Checkpoints verwenden 22 latente Frames pro Chunk, was bei den 7,5 latenten Frames pro Sekunde des Modells etwa 2,9 Sekunden Audio pro Chunk entspricht, mit einem Lookahead von vier latenten Frames – ungefähr 0,5 Sekunden zukünftiges Audio – und einer erwarteten Latenz für die Sprecherzuordnung von etwa 2,00 Sekunden. Es gibt Text einmal pro Chunk aus. Das ist ein echtes Streaming-System, aber die Kadenz wird in Sekunden gemessen, nicht in Millisekunden.

Grok Voice Transcribe 2.0 liefert sein erstes Teiltranskript 0,49 Sekunden, nachdem der Sprecher aufgehört hat, und finalisiert 0,49 Sekunden nach Ende des Sprechens. Es erkaufte diese Geschwindigkeit mit Genauigkeit – die Fehlerquote beim ersten Teiltranskript sank von 18,3 % in Version 1.0 auf 3,4 % in 2.0, zum Preis eines Anstiegs von 0,25 Sekunden auf 0,49 Sekunden bei derselben Messgröße.

Nebeneinander anordnen:

• Streaming-Kadenz — Grok Voice Transcribe 2.0 gibt kontinuierlich Teilresultate aus, mit einer Latenz bis zum ersten Teilresultat von 0,49 Sekunden, im Vergleich zu VibeVoice ASR Streaming 7B, das etwa alle 2,9 Sekunden einen Textabschnitt ausgibt

• Latenz der Sprecherzuordnung — im selben 0,49-Sekunden-Pfad enthalten vs. etwa 2,00 Sekunden konstruktionsbedingt

• Lookahead — nicht veröffentlicht vs. vier latente Frames, etwa 0,5 Sekunden zukünftiges Audio

• Praktische Auswirkung — ein Voice-Agent kann auf einen Satz reagieren, während er noch gesprochen wird, im Gegensatz zu einem System, das alle drei Sekunden einen mit Sprecherkennzeichnung versehenen Absatz erhält

Keines von beiden ist falsch. Ein 2,9-Sekunden-Chunk ist ein vollkommen vernünftiges Design für die Meeting-Transkription, bei der die Ausgabe ein Dokument ist und der Mehrwert darin besteht, dass das Dokument während des Meetings eintrifft und nicht danach. Für einen Konversationsagenten ist es das falsche Design, denn dort ist eine drei Sekunden lange Stille keine Pause, sondern ein Ausfall. Die Lücke zwischen den beiden Taktungen ist etwa sechsmal so groß und entspricht fast genau dem Unterschied zwischen dem Transkribieren eines Gesprächs und der Teilnahme daran.

Sprecherzuordnung als Ausgabe, nicht als Pipeline-Stufe

Hier ist das Microsoft-Modell wirklich überlegen, und das Design ist es wert, verstanden zu werden, denn es ist der Grund dafür, dass das Chunking grob ist.

VibeVoice verwendet zwei vortrainierte Tokenizer – einen akustischen Encoder und einen semantischen Encoder –, die bei 24 kHz mit 3.200-fachem Downsampling laufen, um 7,5 latente Frames pro Sekunde zu erzeugen, einen alle 133 Millisekunden. Diese Frames werden in ein Qwen2.5-Sprachmodell-Backbone projiziert, und eingehende Sprache und generierter Text werden als eine einzige Sequenz verschachtelt, wobei zuvor beobachtete Sprache und Text im Kontext des Modells erhalten bleiben. Die Konsequenz ist, dass Sprecheridentität nie ein separates Problem ist: Das Modell transkribiert nicht und entscheidet dann, wer gesprochen hat, sondern generiert Text, konditioniert auf eine Audiohistorie, die die Stimmen noch enthält. Deshalb gibt es keine Diarisierungsphase, die ausgerichtet werden müsste, und deshalb ist Microsofts Behauptung zur Sprecherzuordnung über 12 von 13 Einstellungen hinweg architektonisch glaubwürdig und nicht bloß ein nachträglich angeflanschtes Ergebnis.

Der Preis dieses Designs ist die Speicherung des Verlaufs, die linear mit der Aufnahmelänge wächst, weshalb die veröffentlichten Checkpoints für Aufnahmen von bis zu acht Minuten ausgelegt sind. Das ist eine echte Obergrenze, und das wird klar gesagt. Sie schließt das Modell für Langformarbeit aus – ein zweistündiger Earnings Call, ein ganzer Tag mit Contact-Center-Audio –, es sei denn, man baut seine eigene Segmentierung und Reinitialisierung, was genau die Komplexität wieder einführt, die die Architektur beseitigen sollte.

Grok Voice Transcribe 2.0 löst dasselbe Problem anders und mit einer anderen Reihe von Einschränkungen. Es enthält Diarisierung ohne Zusatzkosten und unterstützt bis zu acht unabhängige Audiokanäle in einer einzigen Anfrage. Für die Kontaktcenter-Telefonie, bei der jeder Teilnehmer oft auf seinem eigenen Kanal ankommt, ist die Kanaltrennung zuverlässiger als die Diarisierung und hat keine Fehlerquote. Bei gemischtem Audio hängt es von der Qualität der Diarisierung ab, und anders als Metas Muse Voice Transcribe – das eine durchschnittliche Diarisierungsfehlerquote von 17,5 % veröffentlicht hat – hat SpaceXAI überhaupt keine Diarisierungszahl veröffentlicht. Somit lassen beide Modelle eine Lücke in der Diarisierungs-Evidenz: Das eine veröffentlicht ein Ranking ohne Wert, das andere eine Funktionsliste ohne Messung.

Achtzehn Gigabyte, zehn Sprachen, MIT

Die Deployment-Fakten weichen so stark voneinander ab, dass sie kaum noch als Vergleich taugen. VibeVoice ASR Streaming 7B umfasst rund 18 GB an bf16-Gewichten – die Hugging Face Card listet 9B Gesamtparameter für den als 7B bezeichneten Checkpoint auf, mit einem 1,5B-Schwestermodell bei etwa 5,6 GB – MIT-lizenziert, mit Python-Demos und einem vLLM-Plugin für das Serving. Zehn Sprachen: Chinesisch, Englisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch und Spanisch. Microsoft positioniert es für Forschung und Entwicklung.

Grok Voice Transcribe 2.0 ist ein verwalteter Endpunkt, bei dem keine Gewichte heruntergeladen werden müssen, mit 12 Eingabeformaten von 8-kHz-Telefonaudio bis 48 kHz, bis zu acht Kanälen, 100 Schlüsselbegriffen pro Anfrage, automatischer Sprachidentifikation mit Umschaltung während der Aufnahme, inverser Textnormalisierung für 25 Sprachen, Dateien bis zu 500 MB und Dienstlimits von 10 Anfragen pro Sekunde und 100 gleichzeitigen Streaming-Sitzungen pro Team. Es läuft in us-east-1 und nur in us-east-1.

• Gewichte – MIT, 18 GB, deine, um sie überall auszuführen, vs. keine, ausschließlich vom Anbieter gehostet

• Sprachen — 10 benannte Sprachen vs. automatische Erkennung mit Formatierungsunterstützung in 25 Sprachen

• Schlüsselbegriff-Bevorzugung – unterstützt über Hotwords vs. bis zu 100 Schlüsselbegriffe pro Anfrage

• Aufnahmedauer — etwa acht Minuten pro Checkpoint, bevor die Verlaufsaufbewahrung zum begrenzenden Faktor wird, im Gegensatz zu keiner veröffentlichten Obergrenze, Dateien bis 500 MB

• Regionenkontrolle — egal, in welcher Region Sie bereitstellen, vs. us-east-1

• Kosten — keine Lizenzgebühr, plus 18 GB GPU-Speicher und ein Serving-Stack gegenüber 0,10 $ pro Batch-Stunde und 0,20 $ pro Streaming-Stunde

Ein 18-GB-Modell ist nichts, was man auf einem Laptop laufen lässt, und das vLLM-Plugin bedeutet eine GPU mit echtem Speicher. Dagegen ist eine MIT-Lizenz für ein Modell dieser Größe ungewöhnlich und wertvoll: Es ist das einzige der beiden, das man völlig ohne Herstellerbeziehung im eigenen Netzwerk betreiben kann, was im regulierten Audiobereich keine Präferenz, sondern eine Anforderung ist. Die Managed-Alternative ist pro Stunde günstig und lässt sich unmöglich vor Ort bereitstellen.

Wo die Routing-Entscheidung hingehört

Die Kosten sind der Punkt, an dem die beiden Modelle endlich so vergleichbar werden, dass dabei eine Zahl herauskommt. Der Batch-Pfad von Grok Voice Transcribe 2.0 kostet 0,10 $ pro Audio-Stunde, etwa 1,67 $ pro 1.000 Minuten, und sein Streaming-Pfad 0,20 $, etwa 3,33 $. VibeVoice ASR Streaming 7B hat überhaupt keine Lizenzkosten; was es stattdessen hat, sind rund 18 GB residenter GPU-Speicher und ein vLLM-Serving-Stack, den Sie betreiben. Ein Modell der 7B-Klasse in dieser Größe wird pro Audio-Stunde auf gemieteter Hardware nicht günstig sein, und die Auslastungskurve ist erbarmungslos — eine GPU, die für Spitzenlast warmgehalten wird, kostet dasselbe, ob sie transkribiert oder im Leerlauf ist.

Das ist die übliche Form des Build-versus-Buy-Arguments, und es fällt je nach Volumen und danach, ob das Audio Ihr Netzwerk verlassen darf, unterschiedlich aus. Was sich im letzten Monat geändert hat, ist, wie schnell sich die Antwort verschiebt: Der Spitzenreiter bei der Streaming-Genauigkeit wechselte innerhalb von drei Wochen zweimal, und ein Anfang September veröffentlichtes Modell wurde bis Mitte September verdrängt. Jede Architektur, die es teuer macht, die Modellwahl rückgängig zu machen, ist jetzt die falsche Architektur für diese Kategorie.

Bei OrcaRouter wird diese Umkehrung günstig. Ein einziger OpenAI-kompatibler Schlüssel deckt über 200 Modelle mit automatischem Failover über Anbieter hinweg ab, sodass das Ausfallen eines Managed-Endpoints in einer einzigen Region ein Routing-Ereignis und kein Ausfall ist, und der Listenpreis der Anbieter wird mit 0 % Aufschlag durchgereicht – das heißt, eine Preisänderung eines Anbieters oder ein neuer Checkpoint ist bei uns noch am selben Tag live. Für ein Team, das VibeVoice gegen Grok Voice Transcribe 2.0 mit eigenem Audio testen möchte oder einen selbst gehosteten Fallback hinter derselben Schnittstelle wie ein Managed-Primary behalten will, ist die Aufrufstelle nicht mehr das, was geändert werden muss.

Das ehrliche Urteil: VibeVoice ASR Streaming 7B ist das interessantere Modell, und Grok Voice Transcribe 2.0 ist das nutzbarere Produkt, und die Kluft zwischen diesen beiden Aussagen erklärt sich vollständig dadurch, dass der eine Anbieter Diagramme veröffentlicht und der andere Zahlen. Wenn Ihre Anforderung die On-Premises-Transkription von Meetings unter acht Minuten Länge mit Sprecherzuordnung ist, ist der Microsoft-Checkpoint der einzige der beiden, der infrage kommt. Wenn Ihre Anforderung ein Voice-Agent ist, der innerhalb einer Gesprächspause antwortet, schließt ihn eine 2,9-Sekunden-Chunk-Kadenz aus, bevor über Genauigkeit gesprochen wird. Und wenn Sie auf den Vergleich warten, der die Sache entscheiden würde – dasselbe Audio durch beide Modelle, bewertet von jemandem, der für keines der beiden Unternehmen arbeitet –, dann existiert diese Messung noch nicht, was man sich merken sollte, wenn das nächste Mal eine Tabelle eine Zahl neben den Namen von VibeVoice setzt.