Muse Voice Transcribe 對比 Granite Speech 5.0 470M TurboCTC：自有 GPU 或按量計費 API

關於這個對決，最需要了解的是：Muse Voice Transcribe 和 Granite Speech 5.0 470M TurboCTC 幾乎無法互相替代。IBM 於 2026 年 8 月 25 日推出 Granite Speech 5.0 470M TurboCTC，這是一個擁有 4.7 億參數、Apache-2.0 授權、僅支援英文的 ASR 模型，專為自架部署而設計——這是一個僅編碼器（encoder-only）的 Conformer 模型，以 CTC 方式訓練，IBM 表示在單一 NVIDIA H200 上的轉錄速度可達即時的 12,600 倍以上。Meta Superintelligence Labs 於 2026 年 9 月 1 日推出 Muse Voice Transcribe，這是一個專有、託管式、串流音訊感知模型——發布時已驗證支援 25 種語言、20 種以上的說話者分離（speaker diarization）、端點偵測，費用為每 1,000 音訊分鐘 3.00 美元。一個要你的 GPU，另一個要你的 API 金鑰。拿它們對外標榜的 WER 數字來比較完全會偏離重點——真正的問題是轉錄允許在哪裡發生，以及每個模型一旦到了那個環境後又能做到什麼。

兩種部署哲學

Granite Speech 5.0 470M TurboCTC 是開放權重邊緣 ASR 運動的巔峰之作。憑藉 470M 參數，它可以輕鬆運行在筆記型電腦、手機或單一 GPU 上；授權為 Apache-2.0，因此你可以將其嵌入商業產品中；IBM 還提供了 WebGPU 示範，無需任何伺服器即可在瀏覽器分頁中即時執行轉錄。其架構刻意精簡 — 16 個 Conformer 區塊、貪婪解碼、無語言模型主幹 — 因為整體設計目標就是在一般硬體上實現高吞吐量。Muse Voice Transcribe 則是相反的賭注：一個你永遠看不到的大型專有模型，透過 Meta 的基礎設施提供服務，每音訊小時收費 0.18 美元，其價值體現在功能而非硬體上。如果你的限制是「音訊不得離開這棟建築」，那麼選擇已經很明確，就是 Granite。如果你的限制是「我想要最具能力的串流模型，而且願意按分鐘付費」，那就是 Muse。

速度在這裡代表的意義不同

Granite 的主打數字 12,600 RTFx 是一個吞吐量指標：一台執行批次推論的 H200 每秒能處理 12,600 秒的音訊——也就是每秒處理三個半小時的音訊。對於客服中心的積壓錄音、媒體檔案庫，或任何持續將資料餵給 GPU 的批次管線而言，這才是關鍵指標。它不是延遲數字，而單串流的互動式延遲並非這款模型的強項。Muse Voice Transcribe 則正好相反：其 80 毫秒的區塊處理與自適應延遲，是為了說話者停頓後的最初 300 毫秒而打造，而非為了持續的高吞吐量。在各自設計所針對的指標上，兩者都很出色；但在對方的主場上，兩者都無法發揮所長。如果你需要轉錄一百萬小時的英文檔案音訊，Granite 的原始成本效益會以一個數量級的優勢勝出。如果你需要將即時的多說話者對話在發生當下轉換成帶標籤的文字，只有 Muse 提供這項功能。

準確性，誠實地標示

• Granite Speech 5.0 470M TurboCTC — 在 Open ASR 排行榜的公開英文短句測試集上，整體 WER 為 5.00%；此為 IBM 自行以官方測試工具執行，僅使用英文音訊，結果由廠商回報且未經重現。

• Muse Voice Transcribe — 3.1% 串流 WER，Meta 發布當日宣稱，引用 Artificial Analysis 串流排行榜；首次部分轉錄稿為 3.6%；同樣是廠商回報且未經再現。

這兩個數字無法直接比較——語料庫不同，一個僅限英文且為離線，另一個則是多語言且即時串流——這正是為何這場較勁不該僅以WER來判定。就現有證據而言，兩者就各自的工作負載來說都說得通，但皆未經驗證。結構上可以確定的是，Granite的數字僅涵蓋英文，而Muse的主張則處於即時串流、語碼轉換的場景中，在這種情況下Granite根本無法與之競爭。

每個模型根本做不到的事

Granite Speech 5.0 470M TurboCTC 拋棄了所有能讓轉錄內容對產品團隊有用的功能。它僅支援英文。它沒有說話者分離（speaker diarization）——所有聲音都落在同一個串流中。它不會輸出標點符號、大小寫或時間戳記，而且 CTC 設計放棄了早期 Granite Speech 模型具備的關鍵字偏置（keyword biasing）和語音翻譯功能。這些不是品質落差，而是架構選擇，這意味著建立在 Granite 之上的生產環境技術棧，仍需要額外掛載標點符號模型、分離器（diarizer）和 VAD 層。Muse Voice Transcribe 是這些功能內建於模型本身的地方：20+ 說話者分離和端點偵測（endpointing）與文字一起輸出，而且語言涵蓋範圍與句中語碼轉換（code-switching）是 Granite 完全無法比擬的。誠實的總結：Granite 是一個假設你會自己打造產品的辨識引擎；Muse 則是一個產品化的 API，假設你希望到達時就能獲得轉錄文字、說話者和話輪邊界。

授權與所有權

Granite Speech 5.0 470M TurboCTC 採用 Apache-2.0 授權，另有一個非商業用途的姊妹版本（granite-speech-5.0-470m-turboctc-nc，CC-BY-NC-SA-4.0），因額外訓練資料而享有略佳的 4.85% WER，可供研究使用。Apache-2.0 代表您可以將其部署、嵌入、微調，並圍繞它銷售產品，無須支付權利金，也無稽核風險。Muse Voice Transcribe 則是封閉且僅限託管：不提供權重、不能自架、不可微調，您的轉錄資料也會在 Meta 的服務中依 Meta 的條款流動。對於受監管行業，或任何資料政策禁止第三方音訊處理的團隊，光這一點就足以在基準測試開始前結束比較。對其他人而言，「Apache-2.0 加上自己的 GPU」與「專有且按用量計費」只是不同的風險配置，而非優劣之分。

成本問題

Granite 在 12,600 RTFx 下，讓自託管成本對於批次英文音訊幾乎顯得多餘：一個 H200 小時的運算可涵蓋超過 12,000 小時的音訊，因此一千小時的轉錄僅需幾美元的原始 GPU 時間，按典型租賃費率計算——這還未計入閒置時間、工程成本及缺少的說話者分離層。Muse Voice Transcribe 每音訊小時收費 0.18 美元，就串流 API 而言算便宜，但相較於持續運作的 GPU 就並不便宜。誠實的經驗法則是：如果音訊是英文、預先錄製且你有大量需求，自托管 Granite 在經濟上勝出。如果音訊是即時、多人說話或多語言的，Muse 的定價是作為託管功能服務——而一千小時的即時、已分離、具端點偵測的串流需 180 美元，相對於自行建置整套技術棧的成本，這是個小數字。

同時運行兩者，而不造成混亂。

需要同時具備兩種模式的團隊——英語批次處理通道自行託管 Granite，即時多語言對話則使用受管 API——最終會得到兩個截然不同的整合方式。託管的那一半正是路由閘道所服務的工作負載型態：一個 API 金鑰可跨多家供應商使用，列表價格以 0% 加成直接轉傳，因此你實際支付的帳單金額就是供應商每分鐘的報價；如果供應商端點效能下降，還會自動進行故障轉移。自行託管的那一半則仍由你掌控。Granite 不需要透過閘道路由——它就運行在你自己的硬體上——但這所帶來的混合技術棧，正是單一 API 平台存在所要避免其變成兩個並行工程專案的那種東西。

你應該選哪一個？

如果你的工作是規模化的英文轉錄——檔案、通話錄音、字幕管道——而且你有一塊 GPU 可以投入運算，Granite Speech 5.0 470M TurboCTC 在成本、授權與掌控性上是更明智的工程決策，但前提是你得自行建置標點、說話者分離與串流層。如果你的工作是即時、多人或多語言的對話——語音代理、即時字幕、會議產品——Muse Voice Transcribe 提供了 Granite 所沒有的功能，以受管 API 的價格計費，但前提是它的數字是閉源權重上發布日當天的宣稱。與其說它們是競爭對手，不如說是對不同問題的解答，而能做出正確選擇的團隊，往往最後會兩者並用。