VibeVoice-ASR-Streaming-7B vs. GPT-Transcribe: Ein Live-Sitzungs-Checkpoint im Vergleich zu OpenAIs Datei-Endpunkt

Die beiden Modelle auf dieser Seite sind keine Rivalen im Sinne ihrer Namen — sie sind für verschiedene Momente im Leben einer Audioaufnahme gebaut, und der ehrliche Vergleich dreht sich darum, in welchem Moment Ihr Produkt lebt. GPT Transcribe ist der asynchrone Transkriptions-Endpunkt von OpenAI: Sie laden eine fertige Datei hoch, er verarbeitet sie etwa 34× schneller als in Echtzeit und liefert ein Transkript, zum Preis von 0,0045 $ pro Minute Audio, mit einer unabhängig gemessenen Wortfehlerrate von 3,31 % auf dem AA-WER-Benchmark von Artificial Analysis. VibeVoice-ASR-Streaming-7B ist das genaue Gegenteil: Der Streaming-Checkpoint von Microsoft Research, am 2. September 2026 still auf Hugging Face unter der MIT-Lizenz hochgeladen, ist dafür gebaut, Audio zu transkribieren, während es noch eintrifft — eine WebSocket-Sitzung, die Text in Teilen ausgibt, während die Aufnahme wächst. Ein Vergleich allein anhand der Genauigkeit wäre bedeutungslos, denn die eine Seite hat eine geprüfte Zahl, und die andere hat überhaupt keine Angabe in Textform veröffentlicht.

Alles unten ist entsprechend gekennzeichnet. Bei den GPT-Transcribe-Zahlen handelt es sich um den von OpenAI veröffentlichten Preis und die unabhängige Messung von Artificial Analysis, die beide seit dem Start des Modells am 28. Juli 2026 öffentlich dokumentiert sind. Die VibeVoice-ASR-Streaming-7B-Seite ist das, was sich aus dem Repository ermitteln lässt – die Checkpoint-Konfiguration, die Modellkarte und die Streaming-Dokumentation von Microsoft –, da kein Drittanbieter einen Benchmark durchgeführt hat und Microsoft keine Streaming-Wortfehlerrate in lesbarem Text veröffentlicht hat.

Zwei verschiedene Momente im Leben des Audios.

GPT Transcribe ist für Aufnahmen gedacht, die bereits stattgefunden haben. Der Endpunkt von OpenAI akzeptiert Audiodateien bis 25 MB in den üblichen Formaten — mp3, mp4, mpeg, mpga, m4a, wav, webm — und liefert nach der Verarbeitung das vollständige Transkript zurück, etwa 34× schneller als Echtzeit, sodass eine einstündige Aufnahme in ein paar Minuten fertig ist. Es ist der Batch-Kanal, und OpenAI bepreist es entsprechend: 0,0045 $ pro Audiominute, also etwa 0,27 $ pro Audiostunde. Wenn Ihr Bedarf wirklich live ist, bietet OpenAI dafür ein separates Modell an — GPT Live Transcribe für 0,017 $ pro Minute, fast das Vierfache des Batch-Preises — das auf OpenAI-Seite am ehesten dem entspricht, was VibeVoice-ASR-Streaming-7B tut.

VibeVoice-ASR-Streaming-7B hebt diese Unterscheidung in die andere Richtung auf: Es ist ein Streaming-Checkpoint, der auch ganze Dateien verarbeitet. Seine Preprocessor-Konfiguration zeigt den Live-Vertrag: Audio mit 24 kHz, 3.200-fach komprimiert auf einen 7,5-Hz-Tokenstrom, dann verarbeitet in Blöcken von 22 Frames mit einem Lookahead von 4 Frames – etwa 2,9 Sekunden Audio pro Block mit ungefähr einer halben Sekunde Zukunftskontext, wobei Text ausgegeben wird, sobald jeder Block aufgelöst ist. Der Sitzungskontext wird über den KV-Cache weitergeführt, sodass eine lange Sitzung nicht von Grund auf neu berechnet werden muss. Der dokumentierte Serving-Pfad (ein vLLM-Plugin) stellt einen WebSocket-Stream-Endpunkt für Live-Sitzungen und einen Endpunkt zur Transkription ganzer Dateien bereit, sodass dieselben Gewichte beide Formen bedienen – aber der Existenzgrund des Modells ist die Live-Variante, und es gibt keinen Minutenzähler, weil es keine gehostete API gibt. Du bringst die GPU mit.

Das Beweisregister ist einseitig.

GPT Transcribe ist eine der am gründlichsten gemessenen Transkriptions-APIs in der Produktion. Artificial Analysis verortet sie bei 3,31 % Wortfehlerrate auf AA-WER – Platz neun von etwa fünfzig erfassten Systemen – mit einer bekannten Schwachstelle, die in den Unterwerten steckt: Bei dem bewusst akustisch schwierigen Earnings22-Satz fällt sie auf 6,10 %. Dies sind geprüfte, reproduzierbare Zahlen aus einem neutralen Leaderboard, und ihre Grenzen sind ebenfalls dokumentiert. Das Modell wurde 25 % günstiger eingeführt als sein Vorgänger GPT-4o Transcribe und liegt bei derselben Benchmark rund 0,7 Prozentpunkte besser.

VibeVoice-ASR-Streaming-7B hat keinen vergleichbaren Wert vorzuweisen. Die Modellkarte enthält eine Bewertungsgrafik als Bild, und Microsofts technischer Bericht ist eine PDF — aber es gibt keine zitierfähige Streaming-WER- oder Latenzzahl im Fließtext und nichts, das unabhängig überprüfbar wäre. Der einzige numerische Anker in der VibeVoice-Familie ist die vom Anbieter gemeldete Tabelle der Modellkarte des Batch-Modells VibeVoice-ASR: eine durchschnittliche WER von 7,77 % über acht englische Testdatensätze und 2,20 % auf LibriSpeech clean. Diese beschreibt das Nicht-Streaming-Modell und darf nicht als Genauigkeit dieses Checkpoints gelesen werden. Wenn Ihre Kaufentscheidung eine Zahl braucht, die Sie gegenüber einem Kollegen verteidigen können, hat nur eine Seite dieses Vergleichs eine solche.

Was jede einzelne zusätzlich zum reinen Transkript zurückgibt.

Die beiden Modelle setzen unterschiedlich auf den Kontext, und genau dort wird der Feature-Vergleich interessant. Das Versprechen von GPT Transcribe ist Kontext-Hinting: Man kann eine freie Beschreibung der Aufnahme, eine Liste von Schlüsselwörtern und Eigennamen sowie eine erwartete Sprachliste übergeben, und OpenAI berichtet, dass die semantische Genauigkeit auf seinem Context-Aware-ASR-Benchmark von 41,6 % ohne Kontext auf 45,2 % mit Kontext gestiegen ist. Außerdem wird die erkannte Sprache zurückgegeben. Was es nicht bietet, ist Sprecher-Diarisierung oder Wortzeitstempel – OpenAI verweist dafür auf separate Modelle –, sodass ein Meeting-Transkript als einzelner undifferenzierter Textblock zurückkommt, es sei denn, man baut die Sprecherebene selbst.

VibeVoice-ASR-Streaming-7B setzt auf das Gegenteil. In der Modellkarte wird eine Streaming-Ausgabe mit Sprecherzuordnung versprochen – wer was gesagt hat, ausgegeben sobald der Abschnitt aufgelöst ist – sowie benutzerdefinierte Hotwords über einen Kontext-Prompt (das CLI-Flag ist --context_info). Genau diese Funktion lässt GPT Transcribe ausdrücklich weg, und genau deshalb sind die beiden Modelle für Live-Audio mit mehreren Sprechern nicht austauschbar. Das Gegengewicht ist die Verifizierung: Die fehlenden Funktionen von GPT Transcribe sind eine dokumentierte Produktentscheidung, während VibeVoices behauptete Sprecherzuordnung eine Aussage in der Modellkarte ist, die kein unabhängiger Test bestätigt hat. Auch bei den Zeitstempeln unterscheiden sich beide Seiten – keines der beiden bietet Wort-für-Wort-Zeitstempel auf dem verglichenen Pfad an, obwohl das Batch-Modell der VibeVoice-Familie sie liefert.

Preisformen und die Eigentumsfrage

Die Kostenstrukturen könnten kaum unterschiedlicher sein, und keine der beiden ist der anderen strikt überlegen. GPT Transcribe ist eine gebührenpflichtige API: 0,27 $ pro Audiostunde, keine Infrastruktur, keine GPU, 25 MB pro Anfrage und die betrieblichen Garantien von OpenAI – der Preis dafür, kein Sprachmodell selbst zu betreiben. VibeVoice-ASR-Streaming-7B kostet 0 $ für die Gewichte, aber etwa 18 GB bf16 vor dem KV-Cache, was eine GPU der 24-GB-Klasse bedeutet, den microsoft/VibeVoice-Democode oder das vLLM-Plugin sowie eigenes Monitoring und Scaling. Die MIT-Lizenz ist der Unterschied, den kein Minutenpreis erfasst: Die Gewichte gehören dir – du kannst sie behalten, feinabstimmen und auf Hardware ausführen, die du kontrollierst, ohne Abrechnung pro Sitzplatz und ohne 25-MB-Obergrenze.

Die Sprachabdeckung ist der Punkt, an dem beide Seiten vager sind, als Käufer es sich wünschen würden. VibeVoice-ASR-Streaming-7B listet in seiner Modellkarte 10 Sprachen auf — Englisch, Chinesisch, Spanisch, Portugiesisch, Deutsch, Japanisch, Koreanisch, Französisch, Russisch, Italienisch — gegenüber den 50+ der Batch-Version VibeVoice-ASR. OpenAI veröffentlicht keine vergleichbare verifizierte Sprachliste für GPT Transcribe; das Unternehmen berichtet in seinen Launch-Materialien von starken Ergebnissen bei 22 Common-Voice-Sprachen, und der auf Earnings22 festgestellte akustische Schwachpunkt erinnert daran, dass „unterstützt“ und „verarbeitet verrauschtes Audio in dieser Sprache“ unterschiedliche Behauptungen sind. Wenn Ihre Anforderungen an die Sprachabdeckung breit gefächert sind, hilft keine der beiden Listen wirklich weiter — testen Sie Ihre tatsächlichen Dialekte.

Unterm Strich: nach Spur wählen, nicht nach Punktzahl.

Wählen Sie GPT Transcribe, wenn das Audio eine fertige Datei ist, wenn Sie einen dokumentierten Genauigkeitswert mit bekannten Grenzen möchten, oder wenn es Ihnen 0,27 $ pro Stunde wert ist, keine eigene Sprachinfrastruktur zu betreiben — und kombinieren Sie es nur dann mit GPT Live Transcribe, wenn die Echtzeitlieferung den fast 4-fachen Preis rechtfertigt. Wählen Sie VibeVoice-ASR-Streaming-7B, wenn die Aufgabe live ist und mehrere Sprecher umfasst, wenn Sie möchten, dass das Transkript ankommt, während das Gespräch noch läuft, wenn eine Streaming-Ausgabe mit Sprecherzuordnung eine Funktion ist, die Sie evaluieren möchten, oder wenn offene Gewichte und Datenkontrolle wichtiger sind als eine gemessene Benchmark.

Eine strukturelle Anmerkung für Teams, die auf einer der beiden Ebenen aufbauen: Die Transkriptionsebene wird von OrcaRouter heute nicht geroutet – keines der auf dieser Seite aufgeführten Sprach-zu-Text-Modelle ist in seinem Katalog. Die Wahl des ASR-Systems bleibt also vollständig in Ihrer Hand. Was Ihnen Routing bringt, ist die Ebene oberhalb des Transkripts. Ein Live-Transkriptionsfeed ist erst dann nützlich, wenn etwas darauf reagiert: der Summarizer, die Alerting-Regel, der Planer des Sprachagenten. Genau diesem Stack schaltet OrcaRouter eine einzige API vor: Zugriff auf über 200+ Modelle zu den Listenpreisen der Anbieter, ohne Aufschlag durchgereicht, plus automatischem Failover. Das Muster, das einen unerprobten Checkpoint wie VibeVoice-ASR-Streaming-7B bezahlbar ausprobieren lässt, ist genau dieses: den Endpunkt, der Ihre Transkripte verarbeitet, austauschbar zu halten – dann kann ein Modell, das noch keinen Benchmark hat, Ihren Traffic anhand Ihrer eigenen Audiodaten gewinnen oder verlieren, statt auf der Grundlage einer Behauptung vom Launch-Tag.