Grok Voice Transcribe 2.0 กับ Muse Voice Transcribe: การครองบัลลังก์ 17 วัน กับหนึ่งในสี่วินาที

เมื่อวันที่ 1 กันยายน 2026 Meta กล่าวว่า Muse Voice Transcribe ขึ้นอันดับหนึ่งในการประเมินการรู้จำเสียงพูดแบบสตรีมมิ่งของ Artificial Analysis ด้วยอัตราความผิดพลาดของคำสุดท้ายที่ 3.1% และคำกล่าวอ้างนั้นไม่ถูกท้าทายเป็นเวลา 17 วัน วันที่ 18 กันยายน SpaceXAI เปิดตัว Grok Voice Transcribe 2.0 ด้วยค่า 2.7% บนกระดานเดียวกันและคว้าตำแหน่งนั้นไป สองโมเดล หนึ่งอันดับ ห่างกัน 17 วัน — และการเปรียบเทียบที่น่าสนใจกว่าคือไม่ใช่ช่องว่าง 0.4 จุดในความแม่นยำ เพราะโมเดลของ Meta ยังคงสรุปประโยคได้เร็วกว่าประมาณสามเท่า: 0.16 วินาทีหลังสิ้นสุดการพูด เทียบกับ 0.49 วินาทีของ Grok Voice Transcribe 2.0 Muse Voice Transcribe เป็นโมเดลรับรู้เสียงแบบเรียลไทม์ที่สร้างโดย Meta Superintelligence Labs เพื่อทำงานภายในผลิตภัณฑ์ของ Meta เอง โดยที่หนึ่งในสี่วินาทีคือความแตกต่างระหว่างผู้ช่วยที่ให้ความรู้สึกว่าอยู่ตรงนั้นกับผู้ช่วยที่ให้ความรู้สึกว่าช้า Grok Voice Transcribe 2.0 เป็น API ถอดเสียงที่สร้างขึ้นเพื่อให้ใครก็เรียกใช้ได้ ในราคาที่ทำให้งานแบบแบตช์เป็นไปได้ ทั้งสองตัวเลขเป็นข้อมูลที่ผู้ขายรายงานในวันเปิดตัว และมีเพียงหนึ่งในสองเท่านั้นที่ได้รับการจัดอันดับอย่างอิสระบนกระดานสาธารณะนับตั้งแต่นั้น

สิ่งที่กระดานผู้นำบอกจริง ๆ ในตอนนี้

บอร์ด AA-WER Streaming เป็นคะแนนรวมแบบถ่วงน้ำหนัก — AA-AgentTalk 50%, VoxPopuli 25%, Earnings22 25% — ประมาณแปดชั่วโมงของเสียงภาษาอังกฤษที่มีลักษณะแบบเอเจนต์เป็นส่วนใหญ่ — และทั้งสองโมเดลถูกวัดบนบอร์ดนี้ ซึ่งทำให้สิ่งนี้เป็นการเปรียบเทียบแบบตัวต่อตัวที่หาได้ยาก โดยตัวเลขอย่างน้อยก็เทียบเคียงกันได้ เมื่อวางเทียบกัน โดยรวมตัวเลขที่ผู้ขายรายงานไว้ด้วย:

• ความแม่นยำของบทถอดเสียงขั้นสุดท้าย — Grok Voice Transcribe 2.0 ที่ WER 2.7% เทียบกับ Muse Voice Transcribe ที่ WER 3.1%

• ความแม่นยำของทรานสคริปต์บางส่วนครั้งแรก — 3.4% เทียบกับ 3.6%

• เวลาถึงผลลัพธ์บางส่วนครั้งแรก — 0.49 วินาที เทียบกับ 0.13 วินาที

• เวลาหลังจากสิ้นสุดการพูดจนถึงข้อความถอดเสียงสุดท้าย — 0.49 วินาที เทียบกับ 0.16 วินาที

• อัตราความผิดพลาดในการแยกผู้พูด — รวมอยู่ แต่ไม่มีการเผยแพร่ตัวเลข เทียบกับค่าเฉลี่ย 17.5% ในการประเมินของ Meta

อ่านแถวความแม่นยำและแถวความหน่วงแยกกัน เพราะแถวเหล่านี้ชี้ไปในทิศทางตรงกันข้าม และทั้งสองก็เป็นจริง ในด้านความแม่นยำ โมเดลทั้งสองอยู่ห่างกันไม่เกินสี่ในสิบของคะแนนสำหรับบทถอดเสียงฉบับสุดท้าย และสองในสิบของคะแนนสำหรับผลลัพธ์บางส่วนชุดแรก — ช่องว่างที่เล็กพอจะพลิกกลับได้ในการเปิดตัวครั้งถัดไปจากบริษัทใดบริษัทหนึ่ง และเล็กพอที่ไม่มีใครที่มีเหตุผลควรใช้เรื่องนี้เลือกตัดสินระหว่างสองโมเดล ในด้านความหน่วง ทั้งสองไม่ใกล้เคียงกันเลย โมเดลของ Meta ส่งคืนผลลัพธ์บางส่วนในประมาณหนึ่งในแปดของวินาที และสรุปผลสุดท้ายในประมาณหนึ่งในหกของวินาที เทียบกับประมาณครึ่งวินาทีในทั้งสองด้านสำหรับของ SpaceXAI

ทั้งหมดของการเปรียบเทียบอยู่ในบรรทัดเดียว: Grok Voice Transcribe 2.0 ยอมแลกความหน่วงเพื่อซื้อความแม่นยำ ขณะที่ Muse Voice Transcribe ทำตรงกันข้าม SpaceXAI ลดอัตราข้อผิดพลาดของผลลัพธ์บางส่วนครั้งแรกจาก 18.3% ในเวอร์ชัน 1.0 ลงมาเหลือ 3.4% ใน 2.0 และราคาที่ต้องจ่ายคือการเพิ่มจาก 0.25 วินาทีเป็น 0.49 วินาทีในการวัดเดียวกัน โมเดลของ Meta ถูกออกแบบไปในทางตรงกันข้าม ด้วยชิ้นเสียงขนาด 80 มิลลิวินาทีและความหน่วงแบบปรับได้ที่เรียนรู้ผ่านการเรียนรู้แบบเสริมกำลัง ซึ่งตัดสินใจว่าจะรอนานเพียงใดก่อนยืนยันเป็นข้อความ — กลไกที่จุดประสงค์ทั้งหมดคือการรักษาความแม่นยำไว้พร้อมกับทำให้การยืนยันรวดเร็ว ไม่มีทางเลือกใดเป็นความผิดพลาด ทั้งคู่เป็นคำตอบของคำถามที่แตกต่างกัน

คุณกำลังถามคำถามอะไร

ถ้าบทถอดเสียงถูกส่งต่อไปยังเอเจนต์เสียงที่ต้องตอบภายในจังหวะเว้นของบทสนทนา 0.16 วินาทีกับ 0.49 วินาทีก็เป็นผลิตภัณฑ์ที่ต่างกันคนละเรื่อง การผลัดกันพูดของมนุษย์ยอมรับช่องว่างได้เพียงไม่กี่ร้อยมิลลิวินาทีก่อนที่ปฏิสัมพันธ์จะเริ่มรู้สึกผิดปกติ และงบประมาณความหน่วงนั้นถูกใช้ร่วมกัน — การถอดเสียง จากนั้นการคิดหาเหตุผล แล้วจึงการสังเคราะห์เสียง โมเดลที่คืนบทถอดเสียงฉบับสมบูรณ์ภายในหนึ่งในหกของวินาทีจะเหลือที่ว่างให้ส่วนที่เหลือของไปป์ไลน์ ส่วนโมเดลที่ใช้เวลาครึ่งวินาทีจะกินงบไปเกือบหมดก่อนที่โมเดลจะได้คิดอะไรเลย นั่นคือสิ่งที่ Meta สร้างขึ้นมาเพื่อ และนั่นคือเหตุผลที่โมเดลนี้ทำงานอยู่ภายใน Meta AI บน Mac และภายใน Muse Code แทนที่จะถูกเสนอเป็นหลักในฐานะ endpoint สำหรับไปป์ไลน์ของคนอื่น

หากทรานสคริปต์คือเอกสาร — ไม่ว่าจะเป็นการบันทึกสายสนทนา การประชุม คลังวิดีโอ หรือคลังเอกสารเพื่อการปฏิบัติตามข้อกำหนด — ครึ่งวินาทีก็ไม่มีความหมาย ช่องว่างด้านความแม่นยำก็ยังไม่มีความหมาย และตัวเลขเดียวที่สำคัญคือเสียงหนึ่งชั่วโมงมีต้นทุนเท่าไร ซึ่งตรงนี้เองที่สองสิ่งนี้แตกต่างกันอย่างรุนแรง และไปในทิศทางที่ทำให้คนที่ดูแค่ค่าสตรีมมิ่งต้องประหลาดใจ

ครึ่งราคาสำหรับแบบแบตช์ แต่แพงขึ้นอีกหนึ่งในสิบสำหรับแบบสตรีมมิ่ง

Meta ตั้งราคา Muse Voice Transcribe ไว้ที่ $0.18 ต่อชั่วโมงเสียง หรือ $3.00 ต่อ 1,000 นาที Grok Voice Transcribe 2.0 ตั้งราคาไว้ที่ $0.10 ต่อชั่วโมงสำหรับแบบแบตช์ และ $0.20 ต่อชั่วโมงสำหรับสตรีมมิ่ง ดังนั้น:

• สตรีมมิ่ง — Grok Voice Transcribe 2.0 ราคา $0.20 ต่อชั่วโมง เทียบกับ Muse Voice Transcribe ที่ $0.18 ดังนั้น Meta จึงถูกกว่าประมาณ 10%

• แบบเป็นชุดหรือแบบบันทึก — $0.10 ต่อชั่วโมง เทียบกับ $0.18 ดังนั้น SpaceXAI จึงถูกกว่า 44%

• รวมอยู่ในราคาตามรายการ — การแยกผู้พูด การประทับเวลาคำพร้อมค่าความเชื่อมั่น การให้น้ำหนักคำสำคัญ และการปรับข้อความให้เป็นรูปแบบปกติแบบผกผันในฝั่ง SpaceXAI เทียบกับการถอดเสียงแบบสตรีมมิง การแยกผู้พูด และการตรวจจับจุดสิ้นสุดที่เป็นโมเดลเดียวในฝั่งของ Meta

• ไม่มีทั้งแบบฟรีและแบบโฮสต์เอง — ไม่มีทั้งสองอย่าง

ทีมที่สตรีมอย่างเดียวควรไม่แยแสเรื่องราคาระหว่างสองตัวเลือกนี้ และควรเลือกจากความหน่วง ซึ่งหมายถึง Meta ทีมที่มีปริมาณเสียงที่บันทึกไว้ในระดับที่มีนัยสำคัญควรดูที่แถวแบบ batch เพราะ $0.08 ต่อชั่วโมงนั้นทบต้น: 5,000 ชั่วโมงต่อเดือนคือ $500 สำหรับตัวหนึ่ง และ $900 สำหรับอีกตัวหนึ่ง และความแตกต่างด้านความแม่นยำระหว่างสองตัวนั้นน้อยกว่าการปัดเศษของตัวเลขใดตัวเลขหนึ่งเสียอีก

สถานะการอนุญาตใช้งานนั้นเหมือนกันในแง่ที่สำคัญ และต่างกันในแง่ที่ไม่สำคัญ ทั้งคู่เป็น closed weights — Muse Voice Transcribe เป็นซอฟต์แวร์แบบ proprietary และใช้งานได้เฉพาะผ่าน hosted API ของ Meta เท่านั้น ส่วน Grok Voice Transcribe 2.0 เป็น API เชิงพาณิชย์ที่ไม่มีให้ดาวน์โหลด ทั้งคู่ไม่ใช่ตัวเลือก หากความต้องการของคุณคือเสียงต้องไม่เคยออกจากโครงสร้างพื้นฐานที่คุณควบคุม และทั้งคู่ทำให้คุณเสี่ยงต่อการที่ผู้ขายจะเปลี่ยนราคา เวอร์ชันโมเดล หรือกำหนดการเลิกใช้งานใต้เท้าคุณ นี่เป็นข้อพิจารณาที่เป็นจริง ไม่ใช่เรื่องสมมติ: Grok Voice Transcribe 1.0 อยู่ในเส้นทางการเลิกใช้งานแล้วภายในเวลาไม่ถึงสองสัปดาห์หลังจากรุ่นสืบทอดของมันเปิดตัว

Diarization ซึ่งเป็นฟีเจอร์ที่ทั้งคู่ไม่ได้ชูเป็นจุดเด่น

โมเดลทั้งสองทำการระบุผู้พูดในรอบเดียว ซึ่งเมื่อสองปีก่อนเคยเป็นระบบแยกต่างหากที่ถูกนำมาติดเชื่อมเพิ่มในภายหลัง และการเปรียบเทียบตรงนี้ก็เป็นรูปธรรมอย่างผิดปกติ เพราะ Meta เปิดเผยตัวเลข ส่วน SpaceXAI ไม่ได้เปิดเผย

Meta รายงานอัตราความผิดพลาดเฉลี่ยในการแยกผู้พูด (diarization error rate) อยู่ที่ 17.5% จากการประเมินของตน รองรับผู้พูด 20 คนขึ้นไปโดยไม่ต้องประมวลผลหลัง และรองรับผู้พูดเหล่านั้นเป็นส่วนหนึ่งของโมเดลสตรีมมิงแทนที่จะเป็นขั้นตอนปลายน้ำ — คำถาม “ใครพูดอะไร” มาพร้อมกับข้อความ ไม่ใช่มาหลังข้อความ นั่นเป็นสิ่งที่ทำได้ยากจริง ๆ ในบริบทสตรีมมิง ซึ่งช่วงที่ผู้พูดเปลี่ยนจะระบุได้ก็ต่อเมื่อคุณได้ยินมันมากพอแล้ว และ 17.5% เป็นตัวเลขจริงที่มีข้อแม้จริง: เป็นตัวเลขของ Meta เอง โดยเฉลี่ยจากชุดประเมินที่ Meta เลือกเอง

โมเดลของ SpaceXAI รวมความสามารถในการแยกผู้พูด (diarization) ไว้โดยไม่มีค่าใช้จ่ายเพิ่มเติม และยังรองรับช่องสัญญาณเสียงอิสระสูงสุดแปดช่องในคำขอเดียว ซึ่งเป็นวิธีที่แตกต่างออกไปในการแก้ปัญหาเดียวกัน — หากเสียงของคุณเข้ามาเป็นช่องแยกตามผู้เข้าร่วมแต่ละคน ซึ่งระบบโทรศัพท์ของศูนย์ติดต่อมักเป็นเช่นนั้น การแยกช่องสัญญาณจะเชื่อถือได้มากกว่าการแยกผู้พูด และไม่จำเป็นต้องมีอัตราความผิดพลาดใด ๆ เลย หากเสียงของคุณเข้ามาเป็นสตรีมผสมเพียงสตรีมเดียว คุณจะต้องพึ่งพาคุณภาพของการแยกผู้พูด และมีเพียงหนึ่งในสองผู้ให้บริการรายนี้เท่านั้นที่บอกคุณว่าค่านั้นเป็นเท่าใด

มีความแตกต่างระดับรองที่น่าสังเกต: Muse Voice Transcribe มองการแยกผู้พูด (diarization) การถอดเสียง (transcription) และการตรวจจุดสิ้นสุด (endpoint detection) เป็นโมเดลเดียวที่ให้ผลลัพธ์เดียว ซึ่งหมายความว่าองค์ประกอบต่างๆ ไม่สามารถล้มเหลวแยกจากกันได้ ขณะที่ Grok Voice Transcribe 2.0 ให้คุณใช้ช่องสัญญาณ คำสำคัญ และการแยกผู้พูดเป็นตัวปรับแยกกันได้ โมเดลเดียวทำให้รันได้ง่ายกว่า แต่ดีบักยากกว่า

ภาษา และจุดที่การ์ดโมเดลทั้งสองเริ่มเทียบเคียงกันไม่ได้อีกต่อไป

Meta ฝึก Muse Voice Transcribe ด้วยภาษามากกว่า 70 ภาษา และตรวจสอบอย่างละเอียด 25 ภาษาเมื่อเปิดตัว โดยรองรับการสลับภาษาแบบเนทีฟภายในและระหว่างประโยค และรองรับเสียงที่ยาวเกินหนึ่งชั่วโมง Grok Voice Transcribe 2.0 จัดการการตรวจจับภาษาอัตโนมัติพร้อมการสลับภาษาในระหว่างการบันทึก และใช้การปรับข้อความผกผัน — วันที่ สกุลเงิน หมายเลขโทรศัพท์ และที่อยู่อีเมลที่พูดให้แสดงในรูปแบบเขียน — ครอบคลุม 25 ภาษา

ส่วนที่ทับซ้อนกันคือ 25 ภาษาที่ได้รับการตรวจสอบอย่างละเอียดในด้านหนึ่ง กับ 25 ภาษาที่รองรับการนอร์มัลไลเซชันในอีกด้านหนึ่ง และสองชุดนี้ไม่ใช่ 25 ภาษาเดียวกัน อีกทั้งไม่มีผู้ให้บริการรายใดเผยแพร่รายการดังกล่าว “เทรนมา 70+ ภาษา” และ “25 ภาษาที่รองรับการจัดรูปแบบ” ไม่ใช่ข้อกล่าวอ้างที่เปรียบเทียบกันได้ และไม่ควรนำมาหักลบกัน สิ่งที่กล่าวได้คือ Meta กำลังกล่าวอ้างแบบหลายภาษาที่กว้างกว่า และ SpaceXAI กำลังกล่าวอ้างที่แคบกว่าแต่ใช้งานได้จริงมากกว่า: การตรวจจับภาษาถือเป็นสิ่งจำเป็นขั้นพื้นฐาน และการจัดรูปแบบสิ่งที่โมเดลได้ยินให้เป็นสิ่งที่ระบบปลายทางสามารถแยกวิเคราะห์ได้ คือส่วนที่ทำให้การผสานรวมล้มเหลวเมื่อไม่มีมัน

ทางเลือก และเหตุผลที่ว่าทำไมคุณอาจไม่ได้เป็นคนตัดสินใจ

ถ้าเอาส่วนการตลาดออกไป การตัดสินใจก็เหลือแค่สามประโยค เลือก Muse Voice Transcribe หากทรานสคริปต์ถูกใช้แบบสด ๆ ภายในบทสนทนา เพราะ 0.16 วินาทีไม่ใช่รายละเอียดเล็ก ๆ เลือก Grok Voice Transcribe 2.0 หากคุณมีไฟล์เสียงที่บันทึกไว้จำนวนมาก เพราะราคาแบบประมวลผลเป็นชุดที่ถูกครึ่งหนึ่งก็ไม่ใช่รายละเอียดเล็ก ๆ เช่นกัน หากคุณไม่ต้องการความสุดโต่งทั้งสองแบบ ให้เลือกจากปัจจัยอื่นที่จำกัดคุณ เช่น ภูมิภาค สัญญา หรือการเชื่อมต่อที่มีอยู่ เพราะความแตกต่างด้านความแม่นยำจะไม่ช่วยตัดสิน

ความยุ่งยากคือหนึ่งในสองโมเดลนี้ไม่ได้มีไว้ขายในความหมายปกติจริง ๆ Muse Voice Transcribe มีอยู่เพื่อทำให้ผู้ช่วยของ Meta เองรู้สึกเร็ว และมันพร้อมใช้งานผ่าน Meta Model API เป็นส่วนใหญ่เพราะ Meta ตัดสินใจว่าคุณค่าของการเปิดเผยต่อระบบนิเวศนั้นมากกว่าคุณค่าของความเป็นเอกสิทธิ์ สิ่งนั้นอาจเปลี่ยนไป และอาจเปลี่ยนอย่างรวดเร็ว: Meta ใช้สัปดาห์เดียวกันนั้นเปิดแพลตฟอร์มคอนเนกเตอร์ของ Muse ให้กับนักพัฒนาภายนอก ซึ่งแสดงว่าบริษัทกำลังลงทุนในช่องทางจัดจำหน่ายของตัวเอง มากกว่าจะเป็นซัพพลายเออร์ที่เป็นกลางให้กับทุกคน การสร้าง dependency ระดับโปรดักชันบนโมเดลภายในของคู่แข่งคือการเดิมพันว่าเงื่อนไขจะไม่เปลี่ยน และการเดิมพันนั้นมีประวัติศาสตร์ที่ย่ำแย่

ความไม่สมมาตรนั้นคือเหตุผลที่ไม่ควรฮาร์ดโค้ดตัวใดตัวหนึ่งในสองตัวนี้ OrcaRouter เปิดให้เข้าถึงโมเดล 200+ ตัวผ่านคีย์เดียวที่เข้ากันได้กับ OpenAI โดยมีระบบ failover อัตโนมัติข้ามผู้ให้บริการ และส่วนเพิ่มราคา 0% จากราคาตามรายการของผู้ให้บริการ — ดังนั้นเมื่อ SpaceXAI เปลี่ยนค่าเริ่มต้นเป็น 2.0 และเลิกสนับสนุน 1.0 หรือเมื่อ Meta ปรับตำแหน่ง API เสียงของตน การเปลี่ยนแปลงก็เป็นเพียงสตริงโมเดล ไม่ใช่โปรเจกต์การย้ายระบบ สำหรับหมวดหมู่ที่ผู้นำเปลี่ยนมือสองครั้งในสามสัปดาห์ เลเยอร์การกำหนดเส้นทางคือส่วนของสแตกที่ควรมีความเสถียร และโมเดลคือส่วนที่ไม่ควรจะเสถียร

หนึ่งสิ่งที่ต้องจับตาดูในเดือนหน้า: ว่า Artificial Analysis จะวัด Muse Voice Transcribe บนบอร์ดสตรีมมิ่งใหม่อีกครั้งหรือไม่ ในเมื่อตอนนี้ Grok Voice Transcribe 2.0 แทนที่มันไปแล้ว ตัวเลข 3.1% ของ Meta และ 2.7% ของ SpaceXAI ถูกเปิดเผยตอนเปิดตัวทั้งคู่ แต่มีเพียงของ SpaceXAI เท่านั้นที่ถูกจัดอันดับอย่างอิสระ หากตัวเลขของ Meta ยังยืนได้เมื่อมีคนรันซ้ำ ช่องว่างความแม่นยำก็เล็กอย่างที่เห็น และช่องว่างความหน่วงจะเป็นตัวตัดสินทุกอย่าง หากไม่เป็นเช่นนั้น รัชสมัยสิบเจ็ดวันก็คือเรื่องราวทั้งหมด