VibeVoice-ASR-Streaming-7B 對比 Gemini 3.5 Transcribe Live：一週實測，兩種串流語音轉文字

2026年8月最後一週與9月最初幾天，誕生了兩套串流語音轉文字系統；它們看似彼此競爭，實則對同一個問題給出截然不同的答案。8月26日，Google將Gemini 3.5 Transcribe Live推入公開預覽：這是一個代管、封閉的語音轉文字端點，能在說話者停止說話後0.40秒內回傳完整逐字稿，背後有Artificial Analysis實測的4.0%串流詞錯率以及完整的發布資料。9月2日，Microsoft Research以microsoft命名空間將VibeVoice-ASR-Streaming-7B上傳至Hugging Face：MIT授權的開放權重、沒有新聞稿、沒有發布頁面，模型卡上甚至沒有以可讀文字公布任何詞錯率或延遲數據。兩者都能在音訊仍在送達時接收處理。這幾乎是它們僅有的共通點。

雙方的證據並不對稱，因此這份比較是以「我們目前所知」的方式撰寫。Gemini 3.5 Transcribe Live 是 Google 的產品，具有已公布的 token 價格與第三方評測數據，這些內容在下方均有標示。VibeVoice-ASR-Streaming-7B 是一個 checkpoint，其每一項宣稱都直接來自於該儲存庫本身：設定檔、模型卡，以及 VibeVoice GitHub 儲存庫中的 Microsoft 串流文件。關於 Microsoft 端目前尚無任何部分經過獨立基準測試；凡是某個數字若未加說明便可能被視為具有佐證力的地方，我們都會如此標明。

發布軌跡：API 上線與低調上傳

Google 以正常方式推出了 Gemini 3.5 Transcribe Live。該模型與其同門的 Gemini 3.5 Transcribe（預錄內容的 Interactions API 路徑）一同隸屬於 Gemini Audio 產品線之下；定價已列於模型頁面，而獨立排行榜也在數日內收錄了 Live 端點——4.0% 的串流 WER 與 0.40 秒的最終延遲數據即來自於此。此外也設有免費方案，但伴隨一貫的注意事項：免費方案的內容可能被用於改善 Google 產品。

微軟的串流發布完全沒有那套機制。Hugging Face 儲存庫 microsoft/VibeVoice-ASR-Streaming-7B 於 2026-09-02 15:46 UTC 建立，三分鐘後最後一次更動；其中包含八個 safetensors 分片、一個 tokenizer，以及一份採用 MIT 授權的預處理器設定。正式紀錄是 microsoft/VibeVoice 儲存庫中一條日期為 9 月 3 日的新聞日誌，宣布「一個統一的串流 ASR 模型，能在語音送達時持續轉錄誰說了什麼，支援自訂熱詞及 10 種語言」，並附上 aka.ms/vibeasr 示範與串流技術報告的連結。我們在上傳一天後查看，該檢查點的下載次數仍顯示為零，也沒有任何託管推理服務提供商列出它。模型卡所說的比公告還多，而這個儲存庫幾乎是以下所有內容的來源。

規格並排比較

• 它是什麼 — VibeVoice-ASR-Streaming-7B：開放權重的串流式 ASR，可自行部署；對比 Gemini 3.5 Transcribe Live：託管式串流 API，封閉權重。

• 串流形式 — 以約 2.9 秒的區塊輸出文字，並有約 0.5 秒的前瞻時間（源自檢查點組態），相較於雙向 WebSocket 工作階段，後者持續提供部分轉錄內容，並在說話者停止後 0.40 秒給出最終結果。

• 印刷品中的準確度 — 沒有以文字形式發布的 WER 或延遲數據，而串流模型的 WER 為 4.0%，預錄模型的 WER 為 2.6%，根據 Artificial Analysis 的資料。

• 說話人 — 宣稱支援串流式「誰說了什麼」歸因；在 Live 端點上，此歸因可能未經驗證，也可能沒有說話人分離（預先錄製的模型則提供此功能，最多三位說話人）。

• 語言 — 10 種（en、zh、es、pt、de、ja、ko、fr、ru、it）vs 自動偵測超過 85 種語言，可中途切換

• 工作階段長度 — 僅受限於您的 GPU 與記憶體，而非每個 Live 工作階段 10 分鐘的硬性上限。

• 成本 — 權重部分為 $0，自架約需 18 GB 的 bf16，相較之下，若將文字輸出 token 計入，在 Live 上每音訊小時約為 $0.54。

各端「串流」的含義

這個詞隱藏了一個真正的設計差異，而且值得精確說明，因為這兩種系統根本沒有試圖產生相同的節奏。微軟的前置處理器配置讓 VibeVoice 的節奏具體化：音訊以 24 kHz 到達，並被壓縮 3,200 倍，變成大約每秒 7.5 幀的 token 串流；接著配置宣告一個包含 22 幀的區塊以及 4 幀的前瞻——每個區塊約有 2.9 秒的音訊，加上約半秒的未來音訊來穩固它。模型每次在解析完成的區塊時輸出文字，而來自較早區塊的上下文會透過 KV cache 保留，因此長時間的工作階段不需要從頭重新計算。實際的逐字稿會以大約三秒的增量成長。

Google 的 Live 端點是為了更快、更具互動性的迴圈而建：音訊以 16 或 24 kHz PCM 區塊向上串流至 WebSocket，部分逐字稿在說話者進行時持續回傳，而最終格式化後的逐字稿會在語音結束後 0.40 秒內送達——這個數字是 Artificial Analysis 的測量結果，並由 Google 引用。取捨在於工作階段上限（十分鐘的音訊，之後您的應用程式必須重新連線並拼接），以及缺少的附加功能：沒有說話者分離（diarization），也沒有 Live 路徑上的字級時間戳記，而這兩者在預先錄製的 Gemini 3.5 Transcribe 上都有。因此，誠實的總結是：Google 的串流模型在每個話語（utterance）上較快，而 Microsoft 的串流檢查點（checkpoint）在每個區塊（chunk）上較慢，但宣稱具備 Google 的 Live 通道所缺少的說話者歸屬，且工作階段長度是 Google 未提供的。

準確度：已測量，相對於空白空間

這場對決中最大的落差在於證據的落差，而不一定在於品質。Artificial Analysis 測得 Gemini 3.5 Transcribe Live 在串流模式下的平均詞錯誤率為 4.0%，非串流模型則為 2.6%；後者在推出時於其 WER 排行榜上名列第五。Google 另引用 FLEURS 多語言資料集上的數據：串流 5.50%、非串流 5.04%。請依其標示方式解讀：Artificial Analysis 獨立於 Google，但一個剛推出一天的 API，其數字仍屬早期；而串流模式較批次模型多出的誤差——4.0% 對 2.6%——正是即時傳輸一貫的代價。

VibeVoice-ASR-Streaming-7B 在任何地方都找不到可相比的數據。模型卡附帶的評測數據是以圖片形式呈現，而 Microsoft 的技術報告是一份 PDF，但兩者都沒有提供可引用或可獨立檢驗的純文字串流 WER 或延遲數據。整個系列中唯一的數字錨點是批次版 VibeVoice-ASR 模型卡，它報告了廠商自行測得的八個英語測試集平均 7.77% WER，以及在 LibriSpeech clean 上的 2.20%——但這些是針對非串流模型的數字，並非此模型；而且串流模型通常會以少量準確度換取延遲上的優勢。除非有人透過公開的測試框架來評估這個串流 checkpoint，否則公平的說法是：這項比較的其中一邊有實測數據，另一邊則沒有。

成本：按量計費的 API，對比已編列預算的 GPU

Google 以 token 計價 Gemini 3.5 Transcribe Live，音訊每秒計費 25 個 token。依公布的 Live 費率——每 100 萬音訊 token 3.50 美元、每 100 萬文字輸出 token 21 美元——綜合計算後，每小時音訊約 0.54 美元，約每 1,000 音訊分鐘 9 美元；而預錄模型更便宜，每小時約 0.30 美元。寂靜只有在用戶端不串流時才是免費的：重新連線、重複的音訊以及記錄（logging）都會在實際帳單中增加計量的 token。

微軟的檢查點反而是以 GPU 小時計價。光是 bf16 權重就佔約 18 GB（尚未計入任何 KV 快取），文件記載的用法是 microsoft/VibeVoice 儲存庫中的 Python 示範，以及一個提供 WebSocket 與 OpenAI 相容端點的 vLLM 外掛；此外目前沒有託管定價，因為尚無任何供應商託管此模型——它不像 VibeVoice-ASR 批次模型那樣自 3 月以來就已登上 Azure AI Foundry。自行託管 7B 等級的語音 LLM，意味著要準備 24 GB 等級的 GPU，並投入自己的維運時間；但換來的是無限制的會話長度，以及永遠歸你所有的權重。這兩個模型並非彼此互斥，這正是最後一節要說的重點。

讓選擇保持便宜

你選擇哪一個，取決於你需要的是數字還是代碼。若你想要的是現行即可運作、具備公開準確度數據、且免 GPU 即可執行的轉錄方案，同時你的音訊不限於十種語言，或者你願意自行建構說話者標記（因為 Live 端點不提供此功能），請選擇 Gemini 3.5 Transcribe Live。若你採用自行託管、在乎無上限的會話長度或宣稱具備說話者屬性的串流輸出，且願意自行運行評估機制（因為沒有基準可依賴），請選擇 VibeVoice-ASR-Streaming-7B。

兩個選擇都不必是永久的，而這正是路由層發揮其價值之處——針對的是圍繞著逐字稿的模型，而非轉錄本身。OrcaRouter 目前並不路由語音轉文字，此頁面上的任何模型也不在其目錄中；它所做的，是為那些使用即時逐字稿的 200 多個語言模型提供一個統一的 API——包括摘要器、行動項目提取器、語音代理的規劃器——以供應商牌價直接轉嫁，不加任何加成，並在供應商之間自動容錯移轉。該技術棧中任何模型只要供應商降價，當天就會生效，因為價格是按牌價轉嫁，而非加成。轉錄步驟仍維持在你放置的地方；而處理逐字稿的那一層技術棧，正是讓單一金鑰和備援路由能把一個一週前、未經基準測試的檢查點，從一場賭注變成可測試選項的層級。