Grok Voice Transcribe 2.0 vs Muse Voice Transcribe: un regno di 17 giorni e un quarto di secondo

Il 1° settembre 2026, Meta ha dichiarato che Muse Voice Transcribe aveva conquistato il primo posto nella valutazione di riconoscimento vocale in streaming di Artificial Analysis con un tasso di errore finale sulle parole del 3,1%, e tale affermazione è rimasta indiscussa per diciassette giorni. Il 18 settembre, SpaceXAI ha rilasciato Grok Voice Transcribe 2.0 con il 2,7% sulla stessa classifica e ha preso il posto. Due modelli, una classifica, a diciassette giorni di distanza — e il confronto più interessante non è il divario di 0,4 punti in accuratezza, perché il modello di Meta è ancora circa tre volte più veloce a finalizzare una frase: 0,16 secondi dopo la fine del discorso contro i 0,49 secondi di Grok Voice Transcribe 2.0. Muse Voice Transcribe è un modello di percezione audio in tempo reale costruito da Meta Superintelligence Labs per funzionare all'interno dei prodotti di Meta, dove un quarto di secondo è la differenza tra un assistente che sembra presente e uno che sembra lento. Grok Voice Transcribe 2.0 è un'API di trascrizione progettata per essere chiamata da chiunque, a un prezzo che rende sostenibile il lavoro in batch. Entrambi i numeri sono dichiarati dal fornitore il giorno del lancio, e solo uno dei due è stato successivamente inserito in modo indipendente su una classifica pubblica.

Che cosa dice effettivamente adesso la classifica

La AA-WER Streaming board è un composito ponderato — AA-AgentTalk al 50%, VoxPopuli al 25%, Earnings22 al 25%, circa otto ore di audio in inglese per lo più di tipo agentico — ed entrambi i modelli vengono misurati su di essa, ed è ciò che rende questo uno dei rari confronti testa a testa in cui i numeri sono almeno commensurabili. Fianco a fianco, incluse le cifre riportate dai fornitori:

• Accuratezza finale della trascrizione — Grok Voice Transcribe 2.0 con WER del 2,7% rispetto a Muse Voice Transcribe con il 3,1%

• Accuratezza della prima trascrizione parziale — 3,4% vs 3,6%

• Tempo al primo parziale — 0,49 secondi vs 0,13 secondi

• Tempo dalla fine del discorso alla trascrizione finale — 0,49 secondi rispetto a 0,16 secondi

• Tasso di errore di diarizzazione del parlante — incluso, nessun dato pubblicato rispetto a una media del 17,5% nella valutazione di Meta

Leggi separatamente le righe relative all'accuratezza e quelle relative alla latenza, perché puntano in direzioni opposte ed entrambe sono vere. Sull'accuratezza i due modelli sono entro quattro decimi di punto l'uno dall'altro per le trascrizioni finali e due decimi per i primi parziali — un divario abbastanza piccolo da invertirsi al prossimo rilascio di una delle due aziende, e abbastanza piccolo che nessuna persona ragionevole dovrebbe scegliere tra loro su questa base. Sulla latenza non sono vicini. Il modello di Meta restituisce un parziale in circa un ottavo di secondo e finalizza in circa un sesto di secondo, contro circa mezzo secondo in entrambe le direzioni per quello di SpaceXAI.

Questo è l'intero confronto in una riga: Grok Voice Transcribe 2.0 ha speso latenza per comprare accuratezza, e Muse Voice Transcribe ha fatto l'opposto. SpaceXAI ha portato il suo tasso di errore della prima parziale dal 18,3% nella versione 1.0 al 3,4% nella 2.0, e il prezzo di ciò è stato passare da 0,25 secondi a 0,49 secondi sulla stessa metrica. Il modello di Meta è stato progettato nel modo opposto, con blocchi audio da 80 millisecondi e un ritardo adattivo appreso tramite reinforcement learning che decide quanto aspettare prima di confermare il testo — un meccanismo il cui unico scopo è mantenere l'accuratezza mantenendo veloce la conferma. Nessuna delle due scelte è un errore. Sono risposte a domande diverse.

Quale domanda stai facendo?

Se la trascrizione alimenta un agente vocale che deve rispondere entro una pausa conversazionale, 0,16 secondi e 0,49 secondi sono prodotti diversi. L’alternanza dei turni umana tollera un intervallo di qualche centinaio di millisecondi prima che l’interazione inizi a sembrare sbagliata, e il budget di latenza è condiviso: prima la trascrizione, poi il ragionamento, poi la sintesi vocale. Un modello che restituisce una trascrizione finale in un sesto di secondo lascia spazio al resto della pipeline; uno che impiega mezzo secondo consuma gran parte del budget prima che il modello abbia pensato a qualcosa. È per questo che Meta l’ha costruito, ed è per questo che il modello viene eseguito all’interno di Meta AI sul Mac e dentro Muse Code, invece di essere offerto principalmente come endpoint per le pipeline di altri.

Se la trascrizione è un documento — la registrazione di una chiamata, una riunione, una videoteca, un archivio di conformità — allora mezzo secondo non è nulla, il divario di accuratezza non è ancora nulla, e l'unico numero che conta è quanto costa un'ora di audio. Ed è qui che questi due divergono nettamente, e in una direzione che sorprende chi guarda soltanto la tariffa di streaming.

Metà del prezzo in batch, un decimo in più in streaming

Meta indica Muse Voice Transcribe a $0,18 per ora di audio, o $3,00 per 1.000 minuti. Grok Voice Transcribe 2.0 indica $0,10 per ora per il batch e $0,20 per ora per lo streaming. Quindi:

• Streaming — Grok Voice Transcribe 2.0 a $0.20 l'ora vs Muse Voice Transcribe a $0.18, quindi Meta costa circa il 10% in meno

• Batch o registrato — $0,10 all’ora vs $0,18, quindi SpaceXAI costa il 44% in meno

• Incluso al prezzo di listino — diarizzazione, timestamp delle parole con confidenza, biasing dei termini chiave e normalizzazione inversa del testo sul lato SpaceXAI rispetto a trascrizione in streaming, diarizzazione e rilevamento degli endpoint come un unico modello sul lato di Meta

• Piano gratuito o self-host — né l'uno né l'altro, su entrambi i fronti

Un team che fa sempre e solo streaming dovrebbe essere indifferente tra i due sul prezzo e dovrebbe scegliere in base alla latenza, il che significa Meta. Un team con qualsiasi volume significativo di audio registrato dovrebbe guardare la riga batch, perché 0,08 $ l'ora si accumulano: 5.000 ore al mese sono 500 $ su uno e 900 $ sull'altro, e la differenza di accuratezza tra i due è inferiore all'arrotondamento su entrambi i numeri.

La posizione sul licensing è identica negli aspetti che contano e diversa in quelli che non contano. Entrambe sono a pesi chiusi — Muse Voice Transcribe è proprietario e disponibile solo tramite l'API ospitata di Meta, e Grok Voice Transcribe 2.0 è un'API commerciale senza download. Nessuna delle due è un'opzione se il tuo requisito è che l'audio non lasci mai un'infrastruttura che controlli, ed entrambe ti espongono al rischio che un fornitore cambi sotto di te il prezzo, la versione del modello o il calendario di deprecazione. Questa è una considerazione reale, non ipotetica: Grok Voice Transcribe 1.0 è già su un percorso di deprecazione meno di due settimane dopo l'uscita del suo successore.

La diarizzazione, che è la funzionalità che nessuno dei due mette in evidenza

Entrambi i modelli eseguono l'attribuzione del parlante in un'unica passata, cosa che due anni fa era un sistema separato incollato a posteriori, e il confronto qui è insolitamente concreto perché Meta ha pubblicato un numero e SpaceXAI no.

Meta riporta un tasso medio di errore di diarizzazione del 17,5% nella sua valutazione, gestisce 20 o più parlanti senza post-elaborazione e li gestisce come parte del modello di streaming anziché come passaggio a valle — il "chi ha detto cosa" arriva con il testo anziché dopo. È davvero difficile da fare in un contesto di streaming, dove un turno di parola è identificabile solo dopo averne sentito abbastanza, e 17,5% è un numero reale con un'avvertenza reale: è quello di Meta, calcolato come media su un set di valutazione scelto da Meta.

Il modello di SpaceXAI include la diarizzazione senza costi aggiuntivi e supporta inoltre fino a otto canali audio indipendenti in una singola richiesta, il che è un modo diverso di risolvere lo stesso problema — se il tuo audio arriva come canali separati per partecipante, cosa che la telefonia dei contact centre fa spesso, la separazione dei canali è più affidabile della diarizzazione e non richiede alcun tasso di errore. Se il tuo audio arriva come un unico flusso misto, dipendi dalla qualità della diarizzazione, e solo uno di questi due fornitori ti ha detto quale sia.

C'è una differenza di secondo ordine che vale la pena notare: Muse Voice Transcribe tratta la diarizzazione, la trascrizione e il rilevamento degli endpoint come un unico modello che produce un unico output, il che significa che i componenti non possono fallire in modo indipendente. Grok Voice Transcribe 2.0 consente di considerare canali, termini chiave e diarizzazione come leve separate. Un singolo modello è più semplice da eseguire e più difficile da debuggare.

Lingue, e dove le due model card smettono di essere comparabili

Meta ha addestrato Muse Voice Transcribe su più di 70 lingue e ne ha verificate 25 in modo approfondito al lancio, con code-switching nativo all'interno e tra le frasi e supporto per audio di durata superiore a un'ora. Grok Voice Transcribe 2.0 gestisce il rilevamento automatico della lingua con commutazione durante la registrazione e applica la normalizzazione inversa del testo — date, valute, numeri di telefono e indirizzi email pronunciati resi in forma scritta — su 25 lingue.

La sovrapposizione è costituita dalle 25 lingue ampiamente verificate da un lato e dalle 25 lingue di normalizzazione dall'altro, e i due insiemi non sono gli stessi 25 e nessuno dei due fornitori ha pubblicato l'elenco. "Oltre 70 lingue addestrate" e "25 lingue con supporto alla formattazione" non sono affermazioni comparabili e non dovrebbero essere sottratte l'una dall'altra. Ciò che si può dire è che Meta sta facendo un'affermazione multilingue più ampia e SpaceXAI ne sta facendo una più ristretta ma più operativa: rilevare la lingua è il minimo indispensabile, e formattare ciò che il modello ha sentito in qualcosa che un sistema a valle possa analizzare è la parte che rompe le integrazioni quando manca.

La scelta, e il motivo per cui potresti non essere tu a doverla fare

Tolto il marketing, la decisione si riduce a tre frasi. Scegli Muse Voice Transcribe se la trascrizione viene utilizzata in tempo reale all'interno di una conversazione, perché 0,16 secondi non sono un dettaglio. Scegli Grok Voice Transcribe 2.0 se disponi di audio registrato in grandi quantità, perché anche metà del prezzo batch non è un dettaglio. Se non ti serve nessuno dei due estremi, scegli in base a qualunque altro vincolo — regione, contratto, integrazione esistente — perché la differenza di accuratezza non risolverà la questione.

La complicazione è che uno di questi due modelli non è realmente in vendita nel senso usuale. Muse Voice Transcribe esiste per far sembrare veloce l'assistente di Meta, ed è disponibile tramite l'API Meta Model in gran parte perché Meta ha deciso che il valore ecosistemico dell'esposizione supera il valore dell'esclusività. Questo potrebbe cambiare, e potrebbe cambiare rapidamente: Meta ha trascorso la stessa settimana ad aprire la piattaforma di connettori di Muse a sviluppatori terzi, il che è un'azienda che investe nel proprio canale di distribuzione piuttosto che essere un fornitore neutrale per tutti gli altri. Costruire una dipendenza produttiva sul modello interno di un concorrente è una scommessa che i termini non cambieranno, e quella scommessa ha un cattivo record storico.

Quell’asimmetria è l’argomento per non codificare in modo rigido nessuno dei due. OrcaRouter espone oltre 200 modelli dietro un’unica chiave compatibile con OpenAI, con failover automatico tra provider e 0% di ricarico sul prezzo di listino del provider; così, quando SpaceXAI sposta il default sulla 2.0 e depreca la 1.0, o quando Meta riposiziona la sua API vocale, il cambiamento è una stringa di modello anziché un progetto di migrazione. Per una categoria in cui il leader è passato di mano due volte in tre settimane, il livello di routing è la parte dello stack che dovrebbe essere stabile, e il modello è la parte che non dovrebbe esserlo.

Una cosa da tenere d’occhio nel prossimo mese: se Artificial Analysis rimisurerà Muse Voice Transcribe sulla classifica in streaming, ora che Grok Voice Transcribe 2.0 l’ha scalzata. Il 3,1% di Meta e il 2,7% di SpaceXAI sono stati entrambi riportati al lancio, ma solo quello di SpaceXAI è stato posizionato in modo indipendente. Se il numero di Meta regge quando qualcuno lo riesegue, il divario di accuratezza è piccolo quanto sembra e il divario di latenza decide tutto. Se non regge, il regno di diciassette giorni è stato tutta la storia.