每日 AI 簡報，9 月 19 日：Grok Voice Transcribe 2.0 正式上線，Meta 向開發者開放 Muse

Grok Voice Transcribe 2.0 已於 2026 年 9 月 18 日在 Grok Voice API 上線，錄音轉錄每音訊小時 0.10 美元，串流每小時 0.20 美元——與 SpaceXAI 對 1.0 版收取的費率相同。同一週，Meta 向外部開發者開放 Muse 連接器平台，讓任何服務都能公開其現有 API，並由 Meta 的 Muse 代理代表使用者呼叫它。這些看起來像是來自兩家不同公司、關於兩款不同產品、彼此無關的新聞標題，而在過去兩年的大部分時間裡，它們也確實會是如此。把它們放在一起讀，它們就是同一個故事：轉錄正變成輸入，而爭鬥已轉向誰擁有消費它的那次呼叫。

先從價格談起，因為那是讀者今天就能據以行動的部分。接著談準確度，這點確實存在，但比發表時的說法所暗示的範圍要窄。然後是 Meta 那部分，那才是六個月後會真正重要的一環。

均一價，以及如果您已經付費使用轉錄服務，這對您意味著什麼

Grok Voice Transcribe 2.0 的價格與 1.0 相同。不是「起價」相同，也不是會到期的促銷價——而是完全相同：批次作業每小時音訊 $0.10，串流每小時 $0.20，換算下來每 1,000 分鐘分別為 $1.67 和 $3.33。講者分離、附信心分數的詞級時間戳記、反向文字正規化、填充詞移除和關鍵詞偏重全都包含在該價格內，而不是再當成加購項目販售，這在同類產品中並非常態。

實際效果是算術上的，而非戲劇性的。一個每月轉錄 5,000 小時聯絡中心音訊的團隊，不論走哪條路徑，批次路徑的費用都是 500 美元，而新模型能以明顯更低的錯誤率產出相同的處理量。這次遷移完全不會改變你支付的費用，這正是遷移很容易證明其合理性的原因：沒有成本決策要做，只有品質決策，而品質提升了。

現有的整合只要在 /v1/stt 上將 grok-voice-transcribe-2.0 作為 model 參數傳入，就能完成遷移；或者在開啟 WebSocket 工作階段進行串流時選用它。不需要變更結構定義、不需要新增端點，也不必重新編碼你的音訊管線。SpaceXAI 目前仍將 1.0 保留為預設值，因此從未碰觸 model 參數的整合會持續取得舊版本，直到該公司切換預設值為止——該公司表示這會在接下來幾週內發生，同時也會淘汰 1.0。這段空窗期值得刻意利用：將你正式環境音訊的影子副本指向 2.0，並將轉錄逐字稿與你目前實際交付的內容進行差異比對，因為一旦預設值切換，無論你有沒有測試，你都會開始執行它。

規格表的其餘部分在形式上維持不變，而且如果你是在為部署做規模規劃，而不只是評估準確度，這些內容值得了解：12 種輸入音訊格式，從 8 kHz 電話音訊到 48 kHz；單一請求最多可包含八個獨立音訊聲道；每個請求可提供 100 個關鍵詞彙作為領域詞彙；自動語言偵測，並可在錄音過程中切換語言；以及橫跨 25 種語言的逆向文字正規化，讓口說的日期、貨幣、電話號碼和電子郵件地址，都能以人類會書寫的方式回傳。服務限制是每個團隊每秒 10 個請求，以及 100 個並行串流工作階段，而且該服務僅在單一區域——us-east-1——運行，這是規格表上最該讓生產團隊停下來深思的一行，因為單一區域的語音 API 就是單一區域的服務中斷。

準確率實際上變動的地方

這項發布宣稱的是「準確度是兩倍」，但背後的數字比這個說法更具體，也更不一致。在 Artificial Analysis 的 AA-WER Streaming 排行榜上——這裡的獨立測量——兩個版本的分野如下：

• 最終轉錄稿準確度 — Grok Voice Transcribe 2.0 的詞錯誤率為 2.7%，相較於 Grok Voice Transcribe 1.0 的 3.9%；兩者皆是在說話者停止後測量

• 首次部分轉錄準確度——3.4% WER，相較於 18.3%，這是兩個版本之間最大的單一差距，而且差距懸殊

• 最終轉錄時間——0.49 秒對上 0.37 秒，所以在這項指標上，2.0 是比較慢，而不是比較快

• 首次部分成交時間——0.49 秒對 0.25 秒，同一筆交易的反向操作

最後那一組數據是整張表上最有趣的東西。Grok Voice Transcribe 2.0 以雙向各約四分之一秒的延遲換取準確度。對語音代理來說，這是實實在在的代價——差別在於那是自然的停頓，還是來電者會察覺的停頓——但對批次處理管線來說，它則完全看不見。首個部分轉錄稿的改善，才是改變你能打造什麼的關鍵，因為部分轉錄稿是來電者還在說話時，代理得以用來推理的文字。這個數字從 18.3% 降到 3.4%，正是部分轉錄稿究竟只是粗略提示，還是真正堪用的分水嶺。最終轉錄稿從 3.9% 降到 2.7%，是很好的改善，但不會有任何使用者察覺。

SpaceXAI 亦發布了四項內部評估，而這些評估值得在附有標籤的情況下閱讀——這些是該公司對自家音訊的自家數據，並非經獨立複現：

• 8 kHz 客戶支援通話 — 字錯率從 1.0 版的 10.6% 降至 2.0 版的 7.1%

• 與 Grok 的對話 — 從 8.7% 降至 3.3%

• 口述憑證，即大聲唸出姓名、電子郵件和帳戶資料——從 7.2% 降至 3.2%

• 跨 19 種語言的簡短詞句 — 從 20.6% 降至 6.8%

8 kHz 那一列才是該關注的重點。電話音訊是這個類別中最難處理的常見輸入，也是多數聯絡中心買家實際上會遇到的輸入；它在這一項上從 10.6% 降到 7.1%，對那些買家來說，比看板上最顯眼的整體數字更有意義。

排行榜的說法，誠實地解讀

SpaceXAI 表示，該模型在準確度上於 32 個串流模型中排名第一。Artificial Analysis 的排行榜確實將其列在最終轉錄稿與首次部分結果兩項排名的第一——但該排行榜頁面只繪製了 33 個模型中的 27 個，所以「32」是該公司自己的計數，而這項排名所涵蓋的集合，讀者應了解其組成樣貌。AA-WER Streaming 是三組英語資料集的加權複合指標：AA-AgentTalk 佔 50%、VoxPopuli 佔 25%、Earnings22 佔 25%，總計約八小時的音訊，而且權重嚴重偏向代理式對話語音。它並未以任何結構化方式衡量口音、電話編解碼器、領域詞彙或多聲道客服中心音訊。

這些都不代表那個數字是錯的。它代表那個數字是有特定條件限定的。一個在偏重代理對話的英語排行榜上居冠的模型，對於代理對話形態的英語音訊來說就是正確的選擇，而相信那個 8 kHz 結果是廠商內部評估、而非公開排行榜結果，才是誠實的理由。音訊樣態不同的買家應該用自己的音訊測試，而不是把這份排名當成一般的定論——這點在这次發布之前成立，在下一次發布之後也依然成立。

Meta 向開發者開放 Muse 連接器

本週的第二則消息是 Meta 的。Muse 是 Meta 於 9 月 8 日在 iOS、Android、muse.ai 與 WhatsApp 上推出的個人代理，如今開始接受第三方連接器：服務方公開自家的 API，而 Muse 則提供代理、瀏覽器與使用者脈絡，把那個 API 變成使用者只要開口要求就能叫用的東西。Meta 對此的定調是分工——你負責提供 API，我們負責提供意圖與使用者。首批點名的連接器是 Notion 與會議記錄工具 Granola，再加上 Meta 自己推出的那些。

值得精確地說明這是什麼、不是什麼。它不是一個開放的跨代理協議。建立一個連接器能讓你在 Muse 自身的使用者群體內獲得發佈，除此之外別無其他；針對開放協議進行開發則能讓你觸及所有相容的代理，但不特別針對任何使用者群體。Meta 也尚未公佈開發者需要據以規劃的部分——連接器審核流程、技術整合介面、Muse 如何在兩個重疊的連接器之間選擇，或者開發者如何衡量某個連接器是否真的帶動了任何使用量。

不容置疑的是方向。Muse 將每位使用者的 agent 各自運行於專屬的虛擬機中，配備自己的瀏覽器，並在對外動作之前設有一層獨立的審查機制；它持有的是代理權杖，而非真正的 API 金鑰。這樣的架構只有在計畫讓 agent 呼叫大量外部服務時才說得通。語音轉錄 API 正是 agent 會呼叫的服務之一，而 Meta 有自己的方案——Muse Voice Transcribe，這是 Meta 在九月初推出的即時模型，每音訊小時收費 0.18 美元。一個同時擁有 agent 與語音模型的平台，顯然有理由將自家流量導向自家模型；在連接器上開發的開發者應假定這就是預設做法，除非有什麼因素使它不再是預設。

本月出貨語音功能的團隊真正該做的事

兩個故事指向同一個方向。語音準確度正在收斂——三週內，三個模型在同一張排行榜上的差距在一個半百分點以內——而剩下的差異化因素在於價格、延遲、授權，以及由誰掌控路由。這使得你的轉錄呼叫該送往何處，比選擇由哪個模型來回應更具影響，因為在接下來的一年裡，你會想要好幾次改變那個答案。

這就是 OrcaRouter 所處的層級。一組 API 金鑰就能涵蓋 OpenAI 相容端點背後的 200 多個模型，並具備跨供應商的自動容錯移轉，因此單一區域的語音服務下午出狀況時，不再會變成你的服務中斷事件。我們以 0% 加成直接採用供應商的定價，這表示供應商降價或推出新模型版本時，我們這邊當天就會上線，而不必等待重新定價。而且因為每個模型都位於同一份合約之下，把轉錄工作負載從一個模型移到另一個模型，只是變更模型字串，而不是再跑一次採購流程。

本週的三個具體行動。如果你目前使用的是 Grok Voice Transcribe 1.0，趁 1.0 仍是預設版本、而你仍握有切換主導權時，現在就用你自己的音訊對 2.0 做影子測試。如果你正在為代理評估串流語音，請以自己的延遲預算來測量首次局部結果的耗時，而不是相信任何人的排行榜——這個模型為了換取準確度所花的那零點二五秒，究竟是微不足道還是致命，取決於你的代理如何處理這些文字。而如果你正在打造任何個人代理有朝一日可能會呼叫的東西，請密切關注 Muse 連接器計畫，因為它所提出的分發論點，比它出貨時所附帶的技術細節更為有力。