Grok Voice Transcribe 2.0 vs VibeVoice ASR Streaming 7B : Le chiffre que Microsoft n'a pas publié

VibeVoice ASR Streaming 7B est le reconnaisseur vocal unifié en streaming de Microsoft, téléversé sur Hugging Face le 2 septembre 2026 et annoncé un jour plus tard dans le dépôt microsoft/VibeVoice sous licence MIT, et il fait quelque chose que ni Grok Voice Transcribe 2.0 ni la plupart de ses concurrents ne font : il émet du texte attribué à des locuteurs à mesure que l'audio arrive, sans étape de diarisation distincte. Le rapport technique de Microsoft indique que le checkpoint 7B obtient le WER et le CER moyens les plus faibles sur cinq jeux d'évaluation, ainsi que la meilleure attribution de locuteur — ou ex æquo — dans 12 des 13 configurations d'évaluation. Ce que la fiche du modèle ne fait pas, c'est publier un seul chiffre sous forme de texte : pas de WER, pas de RTF, pas de chiffre de latence ; les résultats n'existent que sous forme d'images dans le rapport. Grok Voice Transcribe 2.0, livré seize jours plus tard, le 18 septembre 2026, à 0,10 $ par heure d'audio pour le traitement par lots et 0,20 $ par heure pour le streaming, publie tout : 2,7 % de WER sur la transcription finale et 3,4 % de WER sur le premier partiel dans le tableau de streaming d'Artificial Analysis, soit 0,49 seconde pour chacun. Le point de départ honnête de cette comparaison est donc que l'un des deux modèles est mesurablement mieux documenté que l'autre, et cette asymétrie constitue en elle-même le fait le plus déterminant pour la décision dans cette confrontation.

Ce que Microsoft a publié, et ce qu’un lecteur peut en faire

Le rapport VibeVoice est une véritable recherche, et les affirmations qu'il contient sont précises dans leur forme, sinon dans leur valeur. Il a évalué quatre benchmarks de réunion — AliMeeting, AISHELL-4, AMI-SDM et AMI-IHM — ainsi que MLC-Challenge, sur neuf langues, et rapporte deux résultats phares : le modèle 7B avait le WER/CER moyen le plus faible sur les cinq ensembles, et la meilleure attribution des locuteurs, ou à égalité, dans 12 des 13 configurations d'évaluation. Les deux sont des affirmations relatives, ce qui est un type d'affirmation important : « le plus faible sur ces cinq ensembles » est une affirmation sur l'ordre, et l'ordre est ce dont un acheteur a besoin.

Ce qui est absent, ce sont toutes les valeurs absolues. Il n’y a aucun pourcentage de WER à comparer à quoi que ce soit, aucun chiffre de débit, aucune mesure de latence, et aucune ventilation par ensemble dans le texte. Un tableau comparatif qui place VibeVoice à côté de Grok Voice Transcribe 2.0 et attribue un chiffre au modèle de Microsoft invente ce chiffre. Ce qu’on peut dire, c’est que VibeVoice a remporté sa propre évaluation en cinq ensembles et que personne en dehors de Microsoft ne l’a réexécutée — aucun benchmark indépendant, aucune évaluation tierce, et, au moment d’écrire ces lignes, aucun fournisseur d’inférence hébergée ne répertorie le modèle. La comparaison oppose donc un chiffre documenté à un classement non documenté, et le classement non documenté n’est pas le plus faible des deux simplement parce qu’il lui manque une décimale.

La documentation de Grok Voice Transcribe 2.0 souffre du problème inverse. Ses 2,7 % et 3,4 % proviennent du tableau AA-WER Streaming d’Artificial Analysis, un composite pondéré composé d’AA-AgentTalk à 50 %, avec VoxPopuli et Earnings22 à 25 % chacun — soit environ huit heures d’audio conversationnel en anglais de type agent, exécuté indépendamment, ce qui constitue une provenance nettement plus solide que l’évaluation d’un fournisseur. Mais il ne s’agit que d’un étroit segment de l’anglais, et la page du tableau elle-même représente 27 des 33 modèles que SpaceXAI compte lorsqu’elle revendique la première place sur 32. Un chiffre précis sur un test étroit et une affirmation imprécise sur un test plus large ne sont pas directement comparables, et cet article ne prétendra pas le contraire.

Deux secondes et demie contre une demi-seconde

La comparaison de latence est le seul endroit où les deux modèles peuvent être mis côte à côte sans aucune réserve quant aux jeux de données, car tous deux publient leur configuration de streaming — et la différence est d'ordre architectural plutôt qu'un choix de réglage.

VibeVoice ASR Streaming 7B fonctionne par chunks. Ses checkpoints publiés utilisent 22 trames latentes par chunk, ce qui, à raison de 7,5 trames latentes par seconde pour le modèle, représente environ 2,9 secondes d’audio par chunk, avec une anticipation de quatre trames latentes — environ 0,5 seconde d’audio futur — et une latence attendue d’attribution de locuteur d’environ 2,00 secondes. Il émet du texte une fois par chunk. C’est un véritable système de streaming, mais la cadence se mesure en secondes, pas en millisecondes.

Grok Voice Transcribe 2.0 renvoie sa première transcription partielle 0,49 seconde après l'arrêt du locuteur, et finalise 0,49 seconde après la fin de la parole. Il a obtenu cette vitesse avec précision — le taux d'erreur de la première transcription partielle est passé de 18,3 % dans la version 1.0 à 3,4 % dans la version 2.0, au prix de passer de 0,25 seconde à 0,49 seconde sur la même mesure.

Placer côte à côte :

• Cadence de streaming — Grok Voice Transcribe 2.0 émet des résultats partiels en continu, avec une latence de 0,49 seconde pour le premier partiel, contre VibeVoice ASR Streaming 7B qui émet un bloc de texte environ toutes les 2,9 secondes

• Latence d’attribution du locuteur — incluse dans le même chemin de 0,49 seconde, contre environ 2,00 secondes par conception

• Anticipation — non publié vs quatre trames latentes, environ 0,5 seconde d’audio à venir

• Effet pratique — un agent vocal peut agir sur une phrase en cours, contrairement à un système qui reçoit un paragraphe étiqueté par locuteur toutes les trois secondes

Ni l’un ni l’autre n’est faux. Un segment de 2,9 secondes est une conception parfaitement raisonnable pour la transcription de réunions, où le résultat est un document et l’intérêt réside dans le fait que le document arrive pendant la réunion plutôt qu’après. C’est un mauvais choix de conception pour un agent conversationnel, où un silence de trois secondes n’est pas une pause, c’est un échec. L’écart entre les deux cadences est d’environ six fois, et il correspond presque exactement à la différence entre transcrire une conversation et y participer.

L’attribution du locuteur comme résultat, et non comme étape d’un pipeline

C’est là que le modèle Microsoft est véritablement en avance, et cette conception mérite d’être comprise, car c’est la raison pour laquelle le découpage est grossier.

VibeVoice utilise deux tokeniseurs pré-entraînés — un encodeur acoustique et un encodeur sémantique — fonctionnant à 24 kHz avec un sous-échantillonnage de 3 200× pour produire 7,5 trames latentes par seconde, soit une toutes les 133 millisecondes. Ces trames sont projetées dans un backbone de modèle de langage Qwen2.5, et la parole entrante et le texte généré sont entrelacés en une séquence unique, la parole et le texte observés précédemment étant conservés dans le contexte du modèle. La conséquence est que l'identité du locuteur n'est jamais un problème distinct : le modèle ne transcrit pas et ne décide pas ensuite qui a parlé, il génère du texte conditionné sur un historique audio qui contient encore les voix. C'est pourquoi il n'y a pas d'étape de diarisation à aligner, et pourquoi l'affirmation de Microsoft concernant l'attribution du locuteur sur 12 des 13 paramètres est crédible d'un point de vue architectural plutôt qu'un résultat ajouté après coup.

Le coût de cette conception est une conservation de l’historique qui croît linéairement avec la durée d’enregistrement, c’est pourquoi les points de contrôle publiés ciblent des enregistrements allant jusqu’à huit minutes. C’est un véritable plafond, et il est énoncé clairement. Cela exclut le modèle pour le travail sur des contenus longs — une conférence téléphonique de résultats de deux heures, une journée entière d’audio de centre de contact — à moins que vous ne construisiez votre propre segmentation et réinitialisation, ce qui réintroduit exactement la complexité que l’architecture était conçue pour éliminer.

Grok Voice Transcribe 2.0 résout le même problème différemment et avec un ensemble de limites différent. Il inclut la diarisation sans coût supplémentaire et prend en charge jusqu’à huit canaux audio indépendants dans une seule requête. Pour la téléphonie de centre de contact, où chaque participant arrive souvent sur son propre canal, la séparation des canaux est plus fiable que la diarisation et n’a aucun taux d’erreur associé. Pour l’audio mixte, cela dépend de la qualité de la diarisation, et contrairement à Muse Voice Transcribe de Meta — qui a publié un taux d’erreur de diarisation moyen de 17,5 % — SpaceXAI n’a publié aucun chiffre de diarisation. Ainsi, les deux modèles laissent une lacune dans les preuves de diarisation : l’un publie un classement sans valeur, l’autre publie une liste de fonctionnalités sans mesure.

Dix-huit gigaoctets, dix langues, MIT

Les faits de déploiement divergent si complètement qu'ils ne constituent presque plus une comparaison. VibeVoice ASR Streaming 7B représente environ 18 Go de poids bf16 — la fiche Hugging Face indique 9B de paramètres au total pour le point de contrôle nommé 7B, avec un petit frère de 1,5B à environ 5,6 Go — sous licence MIT, avec des démos Python et un plugin vLLM pour le service. Dix langues : chinois, anglais, français, allemand, italien, japonais, coréen, portugais, russe et espagnol. Microsoft le positionne pour la recherche et le développement.

Grok Voice Transcribe 2.0 est un point de terminaison géré, sans aucun poids à télécharger, avec 12 formats d’entrée, depuis l’audio téléphonique à 8 kHz jusqu’à 48 kHz, jusqu’à huit canaux, 100 termes clés par requête, une détection automatique de la langue avec changement en cours d’enregistrement, une normalisation inverse du texte dans 25 langues, des fichiers jusqu’à 500 Mo, et des limites de service de 10 requêtes par seconde et de 100 sessions de streaming simultanées par équipe. Il s’exécute dans us-east-1 et uniquement dans us-east-1.

• Poids — MIT, 18 Go, à exécuter où vous voulez vs aucun, hébergé uniquement par le fournisseur

• Langues — 10 langues nommées vs détection automatique avec prise en charge du formatage sur 25

• Biais de termes clés — pris en charge via des hotwords vs jusqu’à 100 termes clés par requête

• Durée d'enregistrement — environ huit minutes par point de contrôle avant que la rétention de l'historique ne devienne la contrainte, contre aucun plafond publié, fichiers jusqu'à 500 Mo

• Contrôle de la région — ce sur quoi vous déployez par rapport à us-east-1

• Coût — pas de frais de licence, et en plus 18 Go de mémoire GPU et une pile de service, contre 0,10 $ par heure de traitement par lots et 0,20 $ par heure de streaming

Un modèle de 18 Go n'est pas quelque chose que l'on fait tourner sur un ordinateur portable, et le plugin vLLM implique un GPU doté d'une vraie mémoire. En contrepartie, une licence MIT sur un modèle de cette taille est inhabituelle et précieuse : c'est le seul des deux que vous pouvez exécuter à l'intérieur de votre propre réseau sans aucune relation avec un fournisseur, ce qui, pour de l'audio réglementé, n'est pas une préférence mais une exigence. L'alternative managée est bon marché à l'heure et impossible à déployer sur site.

Où la décision de routage doit être prise

Le coût est ce qui rend finalement les deux modèles comparables d'une manière qui produit un chiffre. Le chemin de traitement par lots de Grok Voice Transcribe 2.0 coûte 0,10 $ par heure d'audio, soit environ 1,67 $ pour 1 000 minutes, et son chemin en streaming 0,20 $, soit environ 3,33 $. VibeVoice ASR Streaming 7B n'a aucun coût de licence ; ce qu'il a à la place, c'est environ 18 Go de mémoire GPU résidente et une pile de service vLLM que vous exploitez. Un modèle de classe 7B de cette taille ne sera pas bon marché par heure d'audio sur du matériel loué, et la courbe d'utilisation est impitoyable — un GPU maintenu chaud pour le trafic de pointe coûte le même prix, qu'il transcrive ou qu'il soit inactif.

C’est la forme habituelle du débat entre construire et acheter, et il se résout différemment selon le volume et selon que l’audio est autorisé ou non à quitter votre réseau. Ce qui a changé au cours du dernier mois, c’est la vitesse à laquelle la réponse évolue : le leader de la précision en streaming a changé de mains deux fois en trois semaines, et un modèle sorti début septembre a été supplanté dès la mi-septembre. Toute architecture qui rend coûteux le fait de revenir sur le choix du modèle est désormais la mauvaise architecture pour cette catégorie.

OrcaRouter est l'endroit où cette inversion devient peu coûteuse. Une seule clé compatible OpenAI couvre plus de 200 modèles avec bascule automatique entre fournisseurs : la défaillance d'un point de terminaison managé dans une seule région devient un événement de routage plutôt qu'une panne, et le prix catalogue des fournisseurs est répercuté avec 0 % de marge, ce qui signifie qu'un changement de tarif chez un fournisseur ou un nouveau checkpoint est en production de notre côté le jour même. Pour une équipe qui souhaite tester VibeVoice face à Grok Voice Transcribe 2.0 sur ses propres fichiers audio, ou conserver un repli auto-hébergé derrière la même interface qu'un service principal managé, le site d'appel cesse d'être ce qui doit changer.

Le verdict honnête : VibeVoice ASR Streaming 7B est le modèle le plus intéressant et Grok Voice Transcribe 2.0 est le produit le plus utilisable, et l’écart entre ces deux affirmations s’explique entièrement par le fait qu’un fournisseur publie des graphiques et l’autre des chiffres. Si votre besoin est une transcription sur site, avec attribution des locuteurs, de réunions de moins de huit minutes, le checkpoint Microsoft est le seul des deux qui soit qualifié. Si votre besoin est un agent vocal qui répond dans le temps d’une pause conversationnelle, une cadence de segments de 2,9 seconde l’élimine avant même que l’on parle de précision. Et si vous attendez la comparaison qui trancherait — le même audio passé dans les deux modèles, évalué par quelqu’un qui ne travaille pour aucune des deux entreprises — cette mesure n’existe pas encore, ce qu’il vaut la peine de garder en tête la prochaine fois qu’un tableau met un chiffre à côté du nom de VibeVoice.