Muse Voice Transcribe 对比 Granite Speech 5.0 470M TurboCTC：自有 GPU 或按量计费 API

关于这场对决，最值得了解的一点是：Muse Voice Transcribe 和 Granite Speech 5.0 470M TurboCTC 几乎算不上彼此替代品。IBM 于 2026 年 8 月 25 日发布了 Granite Speech 5.0 470M TurboCTC，这是一个 4.7 亿参数、Apache-2.0 许可、仅限英语的 ASR 模型，专为自托管而构建——它是一款仅编码器的 Conformer 模型，采用 CTC 训练，IBM 表示其在单个 NVIDIA H200 上的转录速度超过实时速度的 12,600 倍。Meta Superintelligence Labs 于 2026 年 9 月 1 日发布了 Muse Voice Transcribe，这是一个专有、托管、流式音频感知模型——上线时已验证支持 25 种语言、20 种以上说话人分离、端点检测，价格为每 1,000 音频分钟 3.00 美元。一个想要你的 GPU；另一个想要你的 API 密钥。比较它们宣传中的 WER 数字会完全偏离重点——真正的问题在于转录被允许在哪里发生，以及每个模型到达那里之后还能做什么。

两种部署理念

Granite Speech 5.0 470M TurboCTC 是开放权重边缘语音识别运动的巅峰之作。凭借 470M 参数，它可以轻松运行在笔记本电脑、手机或单块 GPU 上；其许可证为 Apache-2.0，因此你可以将其嵌入商业产品；IBM 还提供了一个 WebGPU 演示，完全不需要服务器即可在浏览器标签页中实时运行转录。该架构刻意做了精简——16 个 Conformer 块、贪心解码、无语言模型主干——因为整个设计目标就是在普通硬件上实现高吞吐量。Muse Voice Transcribe 则押注相反方向：一个你永远看不到的大型专有模型，由 Meta 的基础设施提供服务，价格为每音频小时 0.18 美元，价值体现在功能而非硬件上。如果你的约束条件是“音频不能离开这栋大楼”，那么选择已经确定，那就是 Granite。如果你的约束条件是“我想要最强大的流式模型，并且愿意按分钟付费”，那就是 Muse。

速度在这里有不同的含义

Granite 的主打数字 12,600 RTFx 是一个吞吐量指标：一台 H200 运行批量推理时，每秒能处理 12,600 秒的音频——也就是每秒钟消化三个半小时的音频。对于呼叫中心积压、媒体档案库或任何需要持续向 GPU 喂数据的批量流水线来说，这才是真正重要的指标。它不是延迟指标，而单流交互式延迟也并非该模型的强项。Muse Voice Transcribe 则是镜像的另一面：它的 80 毫秒分块处理和自适应延迟是为说话者停顿后的前 300 毫秒打造的，而不是为持续的大批量吞吐设计的。在各自为之设计的指标上，两者都很出色；而在对方的优势领域，两者都发挥不出自己的长处。如果你需要转录一百万小时的英语归档音频，Granite 在原始经济效益上以数量级优势胜出。如果你需要把正在进行的多说话人实时对话转成带标签的文本，只有 Muse 提供这样的能力。

准确性，如实标注

• Granite Speech 5.0 470M TurboCTC — 在 Open ASR 排行榜的公开英语短表单测试集上，聚合词错误率（WER）为 5.00%；该结果由 IBM 自行运行官方测试工具得出，由供应商报告且未经复现，且仅针对英语音频。

• Muse Voice Transcribe — 流式词错误率 3.1%，系 Meta 发布当天引述 Artificial Analysis 流式排行榜的说法；首次部分转写为 3.6%；同样为供应商报告，且未被复现。

这两个数字不能直接比较——语料库不同，一个是仅英语且离线的，一个是多语言且流式的——这正是这场对决不应仅凭WER来决定的原因。就现有证据而言，两者各自在其工作负载下都看似合理，但均未经验证。从结构上可以确定的是，Granite的数字仅覆盖英语，而Muse的主张处于流式、语码转换的语境中，Granite根本无法与之竞争。

每个模型根本无法做到的事情

Granite Speech 5.0 470M TurboCTC 抛弃了让转录文本对产品团队有用的一切。它仅支持英语。它没有说话人分离——所有声音都汇入同一条流中。它不输出标点、大写或时间戳，而且CTC设计放弃了早期Granite Speech模型拥有的关键词偏置和语音翻译。这些不是质量缺陷，而是架构选择；它们意味着基于Granite构建的生产堆栈仍然需要额外添加标点模型、说话人分离器和VAD层。Muse Voice Transcribe 将这些功能融入模型本身：20+说话人分离和端点检测随文字一起输出，而且具备句中间语码转换的语言覆盖，这是Granite完全无法企及的。实话实说：Granite是一个识别引擎，它假设你会去构建产品；而Muse是一个产品形态的API，它假设你希望在拿到结果时就有转录文本、说话人和话语边界。

许可和所有权

Granite Speech 5.0 470M TurboCTC 采用 Apache-2.0 许可证，同时还有一个非商业姊妹版本（granite-speech-5.0-470m-turboctc-nc，CC-BY-NC-SA-4.0），供研究使用，得益于额外训练数据，其词错误率略低，为 4.85%。Apache-2.0 意味着你可以托管它、嵌入它、微调它，并围绕它销售产品，无需支付版税，也没有审计风险。Muse Voice Transcribe 是封闭且仅限托管的：不提供权重、不能自托管、不能微调，你的转录数据会经由 Meta 的服务处理，并受 Meta 条款约束。对于受监管行业，或任何数据政策禁止第三方音频处理的团队，仅此一点就足以在基准测试开始之前结束比较。对于其他所有人来说，“Apache-2.0 加自备 GPU”和“专有且按量计费”只是不同的风险特征，而非优劣之分。

成本问题

Granite 在 12,600 RTFx 下，让批量英语音频的自托管经济账几乎显得离谱：一小时的 H200 算力可覆盖超过 12,000 小时的音频，因此按典型租赁价格，转录一千小时音频仅需几美元的原始 GPU 算力——这还没算空闲时间、工程成本，以及缺失的说话人分离层。Muse Voice Transcribe 按每音频小时 0.18 美元计费，作为流式 API 算便宜，但相比一台满载运行的 GPU 就不便宜了。实在的经验法则是：如果音频是英语、预先录制的，且你有批量需求，自托管 Granite 在经济上完胜。如果音频是实时的、多说话人的或涉及多语言，Muse 的定价定位是托管功能服务——一千小时实时、带说话人分离和端点检测的流式转录收费 180 美元，相对于你自己搭建这套技术栈的成本，是个很小的数字。

同时运行两者，而不会弄得一团糟。

需要同时使用两种方案的团队——英语批处理场景自托管 Granite，实时多语言对话使用托管 API——最终会得到两个截然不同的集成方式。托管的那一半正是路由网关所服务的工作负载形态：一个 API 密钥对接多家供应商，按标价透传且零加价，因此供应商给出的每分钟费用就是你实际支付的金额；一旦某个供应商端点性能下降，还能自动故障转移。自托管的那一半则完全归你所有。Granite 运行在你自己的硬件上，无需通过网关进行路由——但它所隐含的混合技术栈，恰恰是单一 API 平台存在的意义所在：避免其演变成两个并行的工程项目。

你应该选哪一个？

如果你的工作是规模化英语转录——档案、通话录音、字幕流水线——并且你手头有 GPU 可以投入，那么 Granite Speech 5.0 470M TurboCTC 在成本、许可和控制力上是更优的工程决策，但前提是你需要自己搭建标点、说话人分离和流式层。如果你的工作是实时、多人或多语言对话——语音代理、实时字幕、会议产品——Muse Voice Transcribe 提供了 Granite 所没有的功能，以托管 API 的价格出售，但前提是它的数字只是发布当日在闭源权重上的宣传。它们与其说是竞争对手，不如说是对不同问题的回答，而那些能把这盘棋走对的团队，往往最终会同时运行两者。