MAI-Transcribe-2 與 Muse Voice Transcribe：同一週，兩種對音訊截然不同的賭注

2026年9月1日那一週，兩個前沿實驗室各推出了一個語音模型；MAI-Transcribe-2 與 Muse Voice Transcribe 最好理解為對「音訊智慧應該存在於何處」這個問題的相反答案。Muse Voice Transcribe 由 Meta Superintelligence Labs 於9月1日發布，是一款即時音訊感知模型：它能在一次對即時音訊的 80 毫秒片段進行的串流處理中，完成轉錄、分辨超過二十位說話者，並偵測說話者是否已結束發言；它在所接受的串流語音轉文字評測上位居榜首。MAI-Transcribe-2 則由微軟在兩天後的9月3日發布，押注的方向相反：這是一個批次引擎，完全不在意即時延遲，而是把所有能力都投入到轉錄預錄檔案上，在獨立的非串流評測榜上取得最佳詞錯率；處理速度約為即時的 411 倍，每 1,000 分鐘約 1.67 美元。將這兩者當作「轉錄模型」直接比較，會掩蓋真正的決策核心：你需要在音訊生命週期的哪個時刻取得文字——是正在發生的當下，還是結束之後。

兩個產品在不同時刻被指向

Muse Voice Transcribe 專為音訊仍持續進行的當下情境而打造。作為 Meta Muse 系列中的自迴歸多模態模型，它將三項工作整合於單一處理流程：自動語音辨識、可區分超過二十位發言者的說話者分離，以及端點偵測——亦即判斷發言者是否已停止說話，以便系統接續回應。Meta 表示，其最終轉錄文本會在發言者停止說話後約 0.16 秒內完成；最終轉錄文本的詞錯誤率為 3.1%，初始部分結果則為 3.6%——這些數據係 Meta 於產品發布當日引用 Artificial Analysis 串流排行榜所公布，截至本文撰寫時尚未經獨立複現驗證。此模型能以單一音訊串流處理超過一小時的內容，可在句子中途切換語言，並以 70 種以上語言訓練，其中 25 種語言於發布時已獲深入驗證。其價格為每 1,000 分鐘音訊 3.00 美元，約合每小時 0.18 美元，可透過 Meta Model API 使用。Meta 已確認不會開放模型權重。

「MAI-Transcribe-2 專為音訊已經成為檔案的情境而打造。微軟的模型在 Artificial Analysis 的非串流排行榜上測得 2.0% 的 AA-WER，名列第二，也是受控批次 API 中的最佳成績；執行速度約為即時的 411 倍，而這項數字是吞吐量，並非延遲保證。它可轉錄 60 種語言並提供自動語言識別，內建說話者分離、逐詞時間戳記、關鍵字偏置，以及 verbatim（逐字）與 clean（淨化）風格，也能處理 Hinglish、Spanglish 這類語碼轉換。此服務目前透過 Microsoft Foundry 公開預覽，也可在 MAI Playground 使用，定價為每音訊小時 0.10 美元，作為限時上市優惠至今年年底結束；微軟並未宣布任何串流產品。微軟的發布文章明確將它定位於長篇幅與批次音訊——在這些工作負載中，串流模型的低延遲毫無用處，但其每分鐘成本卻依然照算。」

為什麼這兩個準確度數字不衝突

天生的直覺是拿2.0%和3.1%比較，然後宣布贏家，但這樣會錯兩次。首先，這兩個數字衡量的是不同的任務：MAI-Transcribe-2的2.0%是對預錄音訊的非串流準確率，模型可以查看整個檔案；Muse Voice Transcribe的3.1%則是對最終逐字稿的串流準確率，是在音訊陸續送達時即時轉錄的限制下產生的。串流是更難的問題，因此串流排行榜和非串流排行榜是分開的榜單，各有各的分數。其次，這些標籤的權重不同：MAI-Transcribe-2的數據是Artificial Analysis對該模型的測量，而Muse Voice Transcribe的則是Meta在發布當天轉述Artificial Analysis的測量結果——由廠商通報且未經複現。老實說，這兩個模型各自在其排行榜頂端都是可信的主張，而這兩個數字都無法告訴你另一條賽道的任何資訊。

真正的比較重點在於語者分離，因為這是兩款產品都具備的功能，也是兩者企圖心明顯分歧之處。{{1}}Muse Voice Transcribe 將區分超過二十位說話者列為核心串流功能，Meta 宣稱其平均語者分離錯誤率為 17.5%，並引用競爭對手的範圍為 21.1% 至 28.6%——這同樣是 Meta 自行宣稱且未經查證的數據。{{/1}} {{2}}MAI-Transcribe-2 也搭載了語者分離功能，但 Microsoft 完全未公布說話者人數上限，也未公布任何語者分離錯誤率。{{/2}} {{3}}就雙人通話而言，兩款產品都表現良好，差異微不足道。{{/3}} {{4}}但若是十二人的焦點團體或座談錄音，兩者之中只有 Muse Voice Transcribe 明確標示了多說話者上限，而 MAI-Transcribe-2 未經實測的語者分離功能，正是你在將較困難的音檔託付給它之前，最需要先行測試的最大理由。{{/4}}

合理的價格比較。

在價格上，這兩者的差距比批次處理與串流處理框架所暗示的還要更接近，因為每 1,000 分鐘 1.67 美元（MAI-Transcribe-2，早鳥價）與每 1,000 分鐘 3.00 美元（Muse Voice Transcribe）都屬於受管語音服務中價格偏低的一端。這種比較只有在同一條賽道內才有意義。就預錄音訊的批次轉錄而言，MAI-Transcribe-2 的價格不到原生串流模型的一半，同時還具備更佳的非串流 WER——但除非你特別想要 Muse Voice Transcribe 的串流管線，否則不會把錄音檔案交給它處理，因為那不是處理檔案庫的有效方式。就即時會議音訊而言，Muse Voice Transcribe 是本文中唯一真正能用的產品，其每 1,000 分鐘 3.00 美元的費率，低於它推出時所面對的其他即時轉錄 API——Gemini 3.5 Transcribe Live 約為每 1,000 分鐘 9 美元，GPT Live Transcribe 為 17 美元——同時還提供這些產品無法比擬、支援超過二十位說話者的語者分離功能。關於價格，最誠實的標題是：Meta 把串流價格訂得低，微軟則把批次價格訂得更低，而這兩個數字都是促銷期的定價，一旦各廠商公布其標準費率，價格就會開始浮動。

哪一個用於哪個音訊

如果您的音訊是即時的——會議即時轉錄、語音代理、即時字幕，任何需要在說話當下取得文字的情境——Muse Voice Transcribe 就是首選，而且沒有懸念。它是這裡唯一的串流模型，能在同一趟處理中區分超過二十位說話者，而且從第一天起就定價鎖定要贏下這個賽道。它的弱點是您該帶進試用的項目：準確度與語者分離數據是 Meta 自行報告的，而且這個才推出一週的串流模型，尚未展現它面對那些存在於發表基準之外的雜亂音訊時會如何表現。

如果你的音訊已是以檔案形式存在——例如歸檔錄音、通話錄音、媒體庫，或任何需要批次處理的內容——MAI-Transcribe-2 在每個關鍵指標上都更勝一籌：實測 WER 更低、吞吐量約高出一個數量級，且每 1,000 分鐘的價格低於串流模型。它的風險與 Muse 恰好互為鏡像：僅推出四天、沒有串流 SKU、語者分離品質未經量測，以及一項背後標準價格尚未揭曉的早鳥費率。

介紹 MAI-Transcribe-2 的 Microsoft 發表頁面，列出了 Microsoft 一併提供、而串流競爭對手未在同一個方案中提供的功能；當你要判斷哪些說法是實際產品功能、哪些仍只是基準測試的承諾時，這份文件正是查閱依據。

如果轉錄稿只是你處理管線的前半段，那麼這兩者之間的選擇，重要性遠低於你在它們之上所做的選擇。由 Muse Voice Transcribe 轉錄的即時會議音訊，在產生實用價值之前，仍需進行摘要、行動項目擷取與後續跟進草擬；由 MAI-Transcribe-2 轉錄的封存通話，仍需被搜尋、修訂或路由至正確的下游系統。而正是在這一層，多模型平台才真正發揮價值——OrcaRouter 以單一 API 串接 200 多個模型，供應商列表價格以 0% 加價轉傳，讓下游工作能透過單一整合，依工作負載呼叫不同模型。因此無論哪個語音模型在你的試驗中勝出，轉錄稿之上的技術堆疊都不必為了轉換而重建。無論是 Muse Voice Transcribe 還是 MAI-Transcribe-2，目前都不在該名單上；兩者皆僅存在於各自廠商的 API 中。本週真正定案的賭注其實更狹窄、也更有用：即時與批次轉錄的成本都剛剛降到夠低，以致於差異化不再在於文字本身——而在於你如何運用這些文字。