VibeVoice-ASR-Streaming-7B 對比 GPT-Transcribe：針對 OpenAI 檔案端點的即時會話檢查點

頁面上的這兩個模型並不像它們的名字所暗示的那樣是競爭對手——它們是為錄音生命週期中不同的時刻而打造的，而最誠實的比較方式在於你的產品屬於哪一個時刻。GPT Transcribe 是 OpenAI 的非同步轉錄端點：你上傳完成後的檔案，它以約比即時快 34 倍的速度處理並回傳逐字稿，收費為每分鐘音訊 $0.0045，且在 Artificial Analysis 的 AA-WER 基準上經獨立測得的字詞錯誤率為 3.31%。VibeVoice-ASR-Streaming-7B 則是完全相反的形式：它是 Microsoft Research 推出的串流檢查點，於 2026 年 9 月 2 日以 MIT 授權安靜地上傳到 Hugging Face，設計目的是在音訊仍在送達時進行轉錄——亦即錄音持續增長之際，透過 WebSocket 工作階段分塊輸出文字。僅以準確度比較兩者並無意義，因為一方已經有經稽核的數字，另一方則完全沒有以文字發布任何數字。

以下所有內容皆已據此標示。GPT Transcribe 的數據，是 OpenAI 公布的定價與 Artificial Analysis 的獨立量測，兩者自該模型於 2026 年 7 月 28 日推出以來，即屬公開紀錄。VibeVoice-ASR-Streaming-7B 這一側，則僅能從儲存庫得知——包括 checkpoint 設定、模型卡與 Microsoft 的串流文件——因為尚無第三方對其做過基準測試，而 Microsoft 也未以可讀文字提供串流詞錯誤率。

音頻生命中的兩個不同時刻

GPT Transcribe 是為已經發生的錄音所設計。OpenAI 的端點接受常見格式中最高 25 MB 的音訊檔案——mp3、mp4、mpeg、mpga、m4a、wav、webm——並在處理後回傳完整逐字稿，速度約為即時的 34 倍，因此一小時的錄音只需幾分鐘就能完成。它屬於批次處理路線，OpenAI 也據此定價：每音訊分鐘 $0.0045，約每音訊小時 $0.27。如果你的需求是真正的即時，OpenAI 有賣另一個專門模型——GPT Live Transcribe 每分鐘 $0.017，幾乎是批次價格的四倍——這是 OpenAI 端最接近 VibeVoice-ASR-Streaming-7B 功能的產品。

VibeVoice-ASR-Streaming-7B 反方向地消除了這種區別：它是一個串流檢查點，同時也能處理完整檔案。其預處理器設定顯示了即時運作的契約——音訊以 24 kHz 輸入，壓縮 3,200 倍成為 7.5 Hz 的 token 流，然後以每 22 幀為一區塊進行處理，搭配 4 幀的前瞻；每個區塊約含 2.9 秒的音訊與約半秒的未來上下文，並在每個區塊解析完成時輸出文字。會話上下文透過 KV cache 向前傳遞，因此長時間的會話不需從頭重新計算。文件記載的服務路徑（一個 vLLM 外掛）為即時會話提供了 WebSocket 串流端點，以及一個整份檔案轉錄端點，因此同一組權重可服務兩種形態——但此模型存在的理由在於即時形態，而且沒有每分鐘計費的機制，因為沒有託管 API。GPU 由你自備。

證據帳本是片面的

GPT Transcribe 是生產環境中衡量最徹底的轉錄 API 之一。Artificial Analysis 在 AA-WER 上測得 3.31% 的字錯誤率——在約五十個受追蹤系統中排名第九——其子分數裡藏著一個已知弱點：在刻意以高難度音訊設計的 Earnings22 集上，它掉到 6.10%。這些是來自中立排行榜、經稽核且可重現的數據，而且它們本身也附帶已記載的限制。該模型推出時，價格比前一代 GPT-4o Transcribe 便宜 25%，而在同一基準上提升了約 0.7 個百分點。

VibeVoice-ASR-Streaming-7B 在任何地方都沒有可相比的數據。其模型卡以圖片形式附上評估數據，而 Microsoft 的技術報告是 PDF，但內文中沒有可引用的串流 WER 或延遲數字，也沒有任何可獨立驗證的內容。VibeVoice 系列中唯一的數字錨點，是批次 VibeVoice-ASR 模型卡上廠商回報的表格——在八個英文測試集上平均 7.77% WER，以及 LibriSpeech clean 上 2.20%——該表格描述的是非串流模型，不能視為此檢查點的準確率。如果你的採購決策需要一個能向同事交代的數字，這場比較中只有一方有。

每個項目在純文字稿之外所回傳的內容

這兩個模型在上下文方面押注不同，而這正是功能比較有趣的地方。GPT Transcribe 的賣點是上下文提示：你可以傳入一段對錄音的自由格式描述、關鍵字與專有名詞清單，以及預期語言清單；OpenAI 報告指出，在其 Context-Aware ASR 基準測試上，語義準確度從沒有上下文時的 41.6% 提升到有上下文時的 45.2%。它也會回傳偵測到的語言。它不會做的是說話者分離或逐字時間戳記——OpenAI 指出這些需要分開的模型——因此會議紀錄回傳時會是單一未區分的文字牆，除非你自己建立說話者層。

VibeVoice-ASR-Streaming-7B 則押了相反的賭注。其模型卡宣稱具備串流式說話者歸屬輸出——在語音區塊解析完成時即時輸出誰說了什麼——並可透過情境提示詞（context prompt）自訂熱詞；對應的 CLI 旗標為 --context_info。這正是 GPT Transcribe 明確不提供的功能，也是這兩個模型在多說話者即時音訊場景中無法相互替代的原因。制衡因素在於驗證：GPT Transcribe 的功能缺失是有文件記載的產品決策，而 VibeVoice 所宣稱的說話者歸屬僅是模型卡上的陳述，尚無任何獨立測試證實。雙方在時間戳記上也有所不同——在被比較的這條路徑上，兩者皆不提供逐詞（word-level）時間戳記，不過 VibeVoice 系列的批次模型則具備此功能。

價格形態與所有權問題

兩種成本結構可說天差地遠，而且沒有哪一種絕對較優。GPT Transcribe 是依用量計費的 API：每音訊小時 0.27 美元，不需基礎設施、不需 GPU、每次請求 25 MB，並享有 OpenAI 的營運保證——這正是你不自行執行語音模型所付出的代價。VibeVoice-ASR-Streaming-7B 的權重雖免費，但 KV cache 之前就需要約 18 GB 的 bf16，也就是你需要一張 24 GB 等級的 GPU、microsoft/VibeVoice 示範程式碼或 vLLM 外掛，並自行負責監控與擴充。MIT 授權正是任何按分鐘計價都無法呈現的差異：權重歸你所有，你可以保留、微調，並在你掌控的硬體上執行，沒有按席次計費，也沒有 25 MB 的上限。

語言覆蓋範圍是雙方都比買家所期望的更模糊的地方。VibeVoice-ASR-Streaming-7B 在其模型卡中列出了 10 種語言——英語、中文、西班牙語、葡萄牙語、德語、日語、韓語、法語、俄語、義大利語——相較之下，VibeVoice-ASR 批次則涵蓋 50 多種語言。OpenAI 並未為 GPT Transcribe 發布可比較的經認證語言清單；其在發布材料中宣稱在 22 種 Common Voice 語言上表現優異，而其經審計的 Earnings22 聲學弱點提醒我們，「支援」與「能處理該語言的嘈雜音訊」是兩種不同的宣稱。如果你的覆蓋需求很廣泛，這兩份清單都無法解決問題——請實際測試你的方言。

重點是：按路線選擇，而不是按分數。

當音訊是已完成的檔案、當您想要一個有已知限制且附文件記錄的準確度數字，或當認為不必自己運行語音基礎設施的好處值每小時 0.27 美元時，請選擇 GPT Transcribe——而且只有當即時傳送能證明接近 4 倍的價格合理時，才將它與 GPT Live Transcribe 搭配使用。當工作是即時且多說話者、當您希望對話還在進行時就能收到逐字稿、當您想評估帶有說話者標記的串流輸出這項功能，或當開放權重和資料控制比已測量的基準更重要時，請選擇 VibeVoice-ASR-Streaming-7B。

給基於任一方案建置的團隊一個結構性說明：轉錄層目前並非 OrcaRouter 路由的對象——本頁面上的語音轉文字模型都不在其目錄中，因此 ASR 的選擇完全由你決定。路由真正為你帶來的是轉錄稿之上的那一層。即時轉錄串流只有在有東西對其採取行動時才有價值——摘要器、警示規則、語音代理的規劃器——而這正是 OrcaRouter 以單一 API 覆蓋 200 多個模型所支撐的技術堆疊，按供應商列表價格原價轉嫁、不加任何加成，並具備自動故障轉移。讓像 VibeVoice-ASR-Streaming-7B 這樣尚未經實證的檢查點也能低成本嘗試的模式，正是如此：保持取用你轉錄稿的端點可替換，如此一來，一個尚無基準數據的模型，便能憑藉你自己音訊的實證、而非發布當天的宣稱，來贏得或失去你的流量。