VibeVoice-ASR-Streaming-7B vs Muse Voice Transcribe: Zwei Streaming-Herausforderer, einen Tag auseinander

Innerhalb von ungefähr sechsunddreißig Stunden Anfang September 2026 brachten zwei große Labore Streaming-Spracherkennungsmodelle auf den Markt, die dasselbe Schlagzeilenversprechen machen – ein Live-Transkript, das dir auch sagt, wer was gesagt hat, während die Worte gesprochen werden. Am 1. September startete Meta Superintelligence Labs Muse Voice Transcribe als gehostete API, bepreist mit 3,00 $ pro 1.000 Audiominuten, etwa 0,18 $ pro Stunde, mit Streaming-Erkennung, Diarisierung für 20+ Sprecher und Endpunkterkennung in einem einzigen Durchgang. Am 2. September lud Microsoft Research VibeVoice-ASR-Streaming-7B auf Hugging Face hoch: unter MIT-Lizenz stehende offene Gewichte, keine Ankündigung, eine Modellkarte, die Streaming-Transkription mit Sprecherzuordnung, Hotwords und zehn Sprachen beansprucht – und keinerlei gehostete Umgebung. Gleiche Botschaft, gegensätzliche Geschäftsmodelle, und auf beiden Seiten Belege, die dünner sind, als es beiden Laboren lieb wäre.

Diese Seite ist als „Was wir bisher wissen“ geschrieben, da keines der beiden Modelle einen unabhängig verifizierten Genauigkeitswert besitzt. Die Zahlen von Muse Voice Transcribe stammen aus Metas Angaben zum Starttag, sie sind vom Anbieter gemeldet und nicht reproduziert; VibeVoice-ASR-Streaming-7B hat überhaupt keine Streaming-Genauigkeitszahl in Textform veröffentlicht. Der folgende Vergleich stützt sich daher auf das, was strukturell und nachvollziehbar ist — Architektur, Preis, Lizenz, dokumentiertes Verhalten — und kennzeichnet die wenigen Herstellerzahlen dort, wo sie auftauchen.

Zwei Herausforderer der Batch-Pipeline, im Abstand von einem Tag.

Beide Modelle greifen dieselbe Annahme an: dass Speech-to-Text etwas ist, das man auf einer fertigen Aufnahme ausführt. Muse Voice Transcribe ist das erste Produkt, das Meta als „Echtzeit-Audio-Wahrnehmungsmodell“ bezeichnet – ein einziger Streaming-Durchlauf, der Spracherkennung, Sprecher-Diarisierung über mehr als zwanzig Stimmen und Endpunkt-Erkennung übernimmt, also die Aufgabe, zu entscheiden, wann ein Sprecher tatsächlich fertig ist statt nur zu pausieren. Es wird gleichzeitig über drei Oberflächen ausgeliefert: die Meta Model API zu 0,18 US-Dollar pro Audio-Stunde, Meta AI for Mac, wo man durch Gedrückthalten der Fn-Taste in jede Anwendung diktieren kann, und Muse Code. Microsofts VibeVoice-ASR-Streaming-7B ist das Streaming-Mitglied der offenen VibeVoice-Familie; seine Veröffentlichung fällt jedoch viel leiser aus: ein Hugging-Face-Repository, erstellt am 2. September (Zeitstempel zeigen 15:46 UTC, zuletzt geändert drei Minuten später), acht Safetensors-Shards unter MIT-Lizenz und eine News-Log-Zeile vom 3. September im GitHub-Repository microsoft/VibeVoice, die es als „ein vereinheitlichtes Streaming-ASR-Modell, das kontinuierlich transkribiert, wer was sagt, während Sprache eintrifft, mit Unterstützung für benutzerdefinierte Hotwords und 10 Sprachen“ bezeichnet. Einen Tag nach dem Upload zeigte das Repository noch immer null Downloads.

Die Feature-Kollision

• Streaming-Mechanismus — Muse Voice Transcribe verarbeitet Audio in {{1}}80-Millisekunden-Blöcken{{/1}} und übernimmt Wörter, sobald sie stabil sind, während VibeVoice-ASR-Streaming-7B {{2}}~2,9-Sekunden-Blöcke{{/2}} mit {{3}}~0,5 Sekunden Vorausschau{{/3}} verarbeitet und den Text einmal pro aufgelöstem Block ausgibt.

• Sprecherzuordnung — 20+ Sprecher in einem Durchlauf. Die auf der Modellkarte ausgewiesene, vom Anbieter gemeldete durchschnittliche Diarisierungsfehlerrate von 17,5 % im Vergleich zur Streaming-Ausgabe, die angibt, wer was gesagt hat, ist unverifiziert.

• Endpointing — integriert: Der Stream enthält eine Markierung für das Ende einer abgeschlossenen Äußerung; als Ausgabesignal ist dies nicht dokumentiert.

Kontextsteuerung – Sprach-, Schlüsselwort- und Kontext-Biasing im Vergleich zu angepassten Hotwords über eine Kontextaufforderung (--context_info).

• Sprachen — trainiert auf 70+, 25 zum Start umfassend verifiziert, natives Code-Switching gegenüber den angegebenen 10 (en, zh, es, pt, de, ja, ko, fr, ru, it).

• Belege — Anbieterangaben zum Marktstart: 3,1 % WER bei Endergebnissen 0,16 s nach dem Sprechen, 3,6 % bei ersten Teilergebnissen, unter Berufung auf das Streaming-Leaderboard von Artificial Analysis, während keine Streaming-WER- oder Latenzzahl als Text veröffentlicht wurde.

• Kosten und Lizenz — 0,18 $ pro Audio-Stunde, gehostet, geschlossene Gewichte vs. 0 $ für die Gewichte (MIT), etwa 18 GB bf16, selbst gehostet.

Zwei sehr unterschiedliche Vorstellungen von „Streaming"

Das Wort Streaming umfasst eine große Bandbreite an Taktraten, und der Abstand zwischen diesen beiden ist groß genug, um grundlegend zu verändern, was man auf jeweils einer davon aufbauen kann. Muse Voice Transcribe streamt auf Wortebene. Die Architektur von Meta verarbeitet Audio in 80-Millisekunden-Blöcken und verwendet das, was sie als „adaptive delay“ bezeichnet – eine durch bestärkendes Lernen erlernte Verzögerungsstrategie, die jedes Wort freigibt, sobald das Modell sicher ist, bei unsicheren Wörtern jedoch mehr Kontext zurückhält, anstatt ein festes Latenzbudget anzuwenden. Der Anbieter gibt an, dass endgültige Transkripte 0,16 Sekunden nach dem Ende des Sprechens vorliegen und erste Teilergebnisse nach 0,13 Sekunden erscheinen. Diese Taktung ist für interaktive Schleifen ausgelegt: Live-Untertitelung, Diktat und einen Sprachagenten, der nahezu sofort auf eine abgeschlossene Äußerung reagieren muss.

VibeVoice-ASR-Streaming-7B streamt in einer gröberen Granularität. Seine Preprocessor-Konfiguration zeigt, dass Audio mit 24 kHz ankommt, um das 3.200-fache in Tokens komprimiert wird, bei etwa 7,5 Frames pro Sekunde, und dann in Blöcken von 22 Frames mit einem Lookahead von 4 Frames verarbeitet wird — also etwa 2,9 Sekunden Audio pro Block und etwa eine halbe Sekunde Lookahead. Diese Werte stammen aus der Konfiguration und nicht aus gemessener Latenz. Text wird ausgegeben, sobald jeder Block aufgelöst ist, wobei der Kontext früherer Blöcke über den KV-Cache erhalten bleibt, sodass eine lange Sitzung nicht von Grund auf neu berechnet wird. Ein Transkript, das in Schritten von ungefähr drei Sekunden wächst, ist für Besprechungsnotizen und Gesprächsanalysen geeignet; es ist ein anderes Produkt als das Subsekunden-Wortstreaming für Live-Gespräche. Keines der beiden Labs hat eine Ende-zu-Ende-Latenzmessung für den Streaming-Checkpoint veröffentlicht, daher sollte man die Kadenz als Design betrachten und das Gefühl in der Praxis als ungetestet.

Sprecherkennzeichnung und Endpunkt-Erkennung: beim einen integriert, beim anderen nur behauptet.

Sprecherzuordnung ist der Bereich, in dem Streaming-Produkte am häufigsten übertreiben, und beide erheben diesen Anspruch. Die Version von Muse Voice Transcribe ist konkret und strukturell: Die Diarisierung läuft im selben Streaming-Durchlauf wie die Erkennung, sodass eine Aufnahme eines Gesprächs mit zwanzig Teilnehmern sprecherbezogene Beschriftungen tragen kann, ohne einen separaten Schritt „Hochladen, Warten, Sprecher zurückbekommen“ zu erfordern. Meta gibt eine durchschnittliche Diarisierungsfehlerrate von 17,5 % an – ein Herstellerwert, nicht unabhängig reproduziert, aber eine Zahl, die an einem realen Mechanismus hängt. Außerdem werden Endpunktgrenzen ausgegeben, die leisere Fähigkeit: Eine Anwendung erhält ein sauberes Signal „Die Sprechrunde dieses Sprechers ist beendet“, ohne einen Sprachaktivitätsdetektor bauen zu müssen. Genau deshalb unterbrechen Sprachagenten, die auf roher ASR aufbauen, Menschen so oft.

VibeVoice-ASR-Streaming-7B gibt auf seiner Model Card eine Streaming-Wer-sagte-was-Ausgabe an, analog zur strukturierten Wer/Wann/Was-Ausgabe des Batch-Modells VibeVoice-ASR. Bei diesem Streaming-Checkpoint ist die Behauptung jedoch unbestätigt: Kein unabhängiger Test hat sie reproduziert, und es gibt kein dokumentiertes Endpointing-Signal, wie es Muse mitliefert. Wenn Ihre Workload echtes Live-Audio mit mehreren Sprechern umfasst, bietet Muse heute einen vollständigeren Mechanismus. Wenn Sie dagegen prüfen möchten, ob ein Open-Weights-Modell auf von Ihnen kontrollierter Hardware dieselbe Aufgabe übernehmen kann, ist die VibeVoice-Behauptung genau das, was Sie mit Ihren eigenen Meeting-Aufnahmen testen sollten, bevor Sie ihr Glauben schenken.

Der Beweis: Starttag-Behauptungen gegen eine leere Karte.

Es lohnt sich, genau zu betrachten, was jede Seite bietet, denn keine von beiden hat das, was ein Käufer eigentlich will. Muse Voice Transcribe weist eine dichte Sammlung von Herstellerzahlen auf — 3,1 % Wortfehlerrate bei endgültigen Transkripten, 3,6 % bei ersten Teilergebnissen, 0,16 Sekunden Endlatenz, 17,5 % durchschnittlicher Diarisierungsfehler — alle von Meta am Tag der Veröffentlichung publiziert und auf das Streaming-Sprach-zu-Text-Ranking von Artificial Analysis verweisend, wo Meta den Spitzenplatz für sich beansprucht. Das sind Behauptungen, die von niemandem außerhalb des Labors reproduziert wurden, aber sie sind präzise genug, um widerlegt zu werden, was eine Art Fortschritt ist.

VibeVoice-ASR-Streaming-7B hat nichts davon. Die Modellkarte enthält eine Bewertungsgrafik als Bild, und der technische Streaming-Bericht ist eine PDF – aber es gibt keine zitierfähige Streaming-WER- oder Latenzzahl im Fließtext. Der einzige numerische Anker in der VibeVoice-Familie ist die vom Anbieter angegebene Tabelle auf der Batch-VibeVoice-ASR-Karte: 7,77 % durchschnittliche WER über acht englische Testmengen, 2,20 % auf LibriSpeech clean –, die ausdrücklich nicht die Zahl dieses Checkpoints ist. Wenn eine Start-Behauptung auf eine leere Karte trifft, ist das ehrliche Entscheidungskriterium alles außer der beworbenen WER: Preis, Lizenz, Streaming-Kadenz und die Funktionen, die jede Seite tatsächlich dokumentiert.

Sprachen: 25 verifiziert gegenüber 10 deklariert.

Was die beiden voneinander unterscheidet, ist eher die Sprachabdeckung als die beworbenen Genauigkeitswerte. {{1}}Muse Voice Transcribe{{/1}} wurde mit 70+ Sprachen trainiert, aber Meta validiert zum Start 25 Sprachen – und die verifizierte Liste, nicht die Trainingsliste, ist für die Produktionsabdeckung maßgeblich. Das native Code-Switching ist das Unterscheidungsmerkmal: Das Modell ist darauf ausgelegt, mitten im Satz die Sprache zu wechseln, ohne dass es dazu aufgefordert werden muss. {{2}}VibeVoice-ASR-Streaming-7B{{/2}} nennt in seiner Modellkarte 10 Sprachen: Englisch, Chinesisch, Spanisch, Portugiesisch, Deutsch, Japanisch, Koreanisch, Französisch, Russisch, Italienisch. Das Batch-Modell VibeVoice-ASR deckt dagegen 50+ Sprachen ab. {{3}}Wenn Ihr Traffic Gespräche mit Code-Switching umfasst, hat Muse das spezifischere Argument; wenn er sich vollständig auf diese zehn Sprachen beschränkt, ist die Abdeckung des Microsoft-Modells zumindest explizit – mehr, als die meisten Launch-Materialien bieten.{{/3}}

Kosten und was Sie behalten

Der Unterschied im Geschäftsmodell ist das klarste Entscheidungskriterium. Muse Voice Transcribe unterbietet mit 0,18 $ pro Audio-Stunde beim Listenpreis jeden größeren Streaming-Transkriptions-API-Anbieter – keine GPU, kein Betriebsaufwand, geschlossene Gewichte, und der Preis wird von Meta festgelegt. VibeVoice-ASR-Streaming-7B kostet beim Herunterladen nichts, erfordert aber für das Selbst-Hosten auf einer GPU der 24-GB-Klasse etwa 18 GB an bf16-Gewichten (vor KV-Cache); als dokumentierte Serving-Pfade dienen die microsoft/VibeVoice-Demo-Skripte oder das vLLM-Plugin, und noch hostet kein Inferenzanbieter das Modell. Die MIT-Lizenz ist der dauerhafte Vermögenswert: Die Gewichte gehören Ihnen und lassen sich so feinabstimmen, wie es kein API-Abonnement erlaubt. Genau hier könnte auch das Preisbild interessant werden – sobald ein Anbieter den offenen Checkpoint hostet, wird aus der Frage nach 0,18 $ pro Stunde ein Marktpreis statt eines Listenpreises eines einzelnen Anbieters. Genau das ist die Situation, in der ein Pass-through-Router seinen Wert beweist. OrcaRouter routet heute kein Speech-to-Text, und keines dieser Modelle befindet sich in seinem Katalog; was es stattdessen tut: Es reicht die Listenpreise der Anbieter ohne Aufschlag für die über 200 Sprachmodelle durch, die ein Live-Transkript verarbeiten. Eine Preissenkung eines Anbieters an beliebiger Stelle dieses Stacks wird daher auf der Käuferseite noch am selben Tag wirksam, an dem sie angekündigt wird.

Häufig gestellte Fragen

Bedeutet eine WER von 3,1 % bei Muse Voice Transcribe, dass es genauer ist als VibeVoice-ASR-Streaming-7B?

Nein, und der Vergleich ist noch nicht aussagekräftig. Die 3,1 % von Meta sind eine Behauptung zum Starttag für den Streaming-Pfad, vom Anbieter gemeldet und nicht reproduziert. VibeVoice-ASR-Streaming-7B hat keinerlei Streaming-Genauigkeitswert in Textform veröffentlicht. Bis beide Modelle mit derselben öffentlichen Testumgebung auf demselben Audiomaterial getestet wurden, ist die einzige ehrliche Aussage, dass Muse eine spezifische, testbare Behauptung hat und VibeVoice noch keine.

Kann ich eines der beiden Modelle auf bereits aufgenommenes Audio anwenden?

Ja zu beiden, mit unterschiedlichen Formen. Muse Voice Transcribe verarbeitet Aufnahmen, die länger als eine Stunde dauern, über dieselbe Streaming-API. Das vLLM-Plugin von VibeVoice-ASR-Streaming-7B stellt neben seinem WebSocket-Stream-Endpunkt einen Endpunkt für die Transkription ganzer Dateien bereit. Aber beide sind für den Live-Einsatz konzipiert und bepreist — Muse durch sein reines Streaming-Geschäftsmodell, VibeVoice durch die Chunk-Architektur, die Audio ausgibt, sobald es eintrifft — wenn Ihre Arbeitslast also ausschließlich aus Batch-Dateien besteht, ist eine dedizierte Dateitranskriptions-API in der Regel günstiger und besser messbar als beide.