過去幾年，我們習慣的語音轉文字（STT）服務，像是把錄音檔丟進去，然後吐出一堆文字。但企業應用的痛點從來不是「把話變成字」，而是「這句承諾是誰說的」。隨著會議記錄、客服分析、即時 AI 助理的普及，單純的逐字稿已經無法滿足需求，「說話人分離」（Diarization） 成了決定這套系統可不可信的關鍵。
Meta 選在這個時間點切入，其實頗有意思。一方面，市場已經有 AWS、Speechmatics、Deepgram 這些老牌玩家卡位；另一方面，即時語音 AI 的應用場景正在爆炸性成長。Meta 這次拋出的定價——每小時 $0.18 美金，而且內建 20 人以上的即時說話人分離——顯然是衝著「用價格打破現有市場秩序」而來。這不是單純的技術競賽，而是一場總體擁有成本的戰爭。
核心段落：20 人以上分離很強，但真正的殺手鐧是「整合」
說話人分離：為什麼它比你想的更重要？
傳統 STT 回答的是「說了什麼」，但企業 AI 系統真正需要的是「誰說的」。想像一下，一個會議助理如果能把「我同意這個預算」這句話，正確地歸因給財務副總而不是實習生，這份會議記錄才有法律與商業價值。反之，歸因錯誤的逐字稿，甚至比沒有逐字稿更危險，因為它會誤導下游的 AI 分析。
Meta 的 Muse 架構把這件事變成一個單一的串流決策過程。音訊每 80 毫秒 切成一個 chunk，模型在每個步驟決定要「繼續聽」還是「輸出文字」。這種稱為 adaptive delay 的機制，讓模型在語音模糊時多等一點，在上下文足夠時提早輸出。更關鍵的是，它把「誰在說話」直接標記在 token 序列裡（例如 <|speaker_A|>），而不是像傳統系統那樣，先跑完轉錄再事後做聲紋聚類。
這是一個重要的思維轉變：Meta 不是把「分離」當作附加功能，而是把它當作語音理解的基礎建設。
20 人不是世界紀錄，但 $0.18 的價格是
先講結論：Muse 的 20+ 人分離能力，不是市場上最高的。依據目前各家公開文件，Speechmatics 宣稱即時模式預設支援 50 人，最高可調到 100 人；AWS 的 Amazon Transcribe 則支援最多 30 人。Meta 的數字落在市場前段班，但沒有打破紀錄。
然而，價格讓這個比較變得很有趣。以下是我們根據各家公開定價，統一換算成「每小時串流音訊」的粗略比較：
| 服務 | 約略每小時成本 | 即時說話人分離 |
|---|---|---|
| Soniox stt-rt-v5 | $0.12 |
內建，最高 15 人 |
| Meta Muse Voice Transcribe | $0.18 |
內建，20+ 人 |
| xAI Speech to Text | $0.20 |
支援，未公佈上限 |
| Speechmatics Real-time Standard | $0.24 |
內建，預設 50 人 |
| Deepgram Nova-3 Multilingual | $0.35 + $0.12 分離附加費 |
需額外加購 |
| AssemblyAI Universal-3.5 Pro | $0.45 + $0.12 分離附加費 |
需額外加購，最高 10 人 |
| Amazon Transcribe Streaming | $0.60（N. Virginia 區域範例） |
內建，最高 30 人 |
這張表透露了兩個訊息。第一，Meta 不是最便宜的（Soniox 更便宜），但考慮到它同時具備低延遲、多語碼轉換、關鍵字偏置與 20+ 人分離，$0.18 的性價比確實很有威脅性。第二，Deepgram 和 AssemblyAI 都把說話人分離當作「加價購」，Meta 直接內建的做法，等於變相幫企業省下 20% 到 30% 的帳單。
準確率才是真正的護城河
價格再漂亮，如果辨識錯誤率慘不忍睹，企業也不會買單。根據 Meta 提供的基準測試數據，Muse 在 Artificial Analysis AA-WER Streaming Index 上拿下 3.1% 的最終轉錄詞錯率（WER），領先 Cartesia（3.4%）、ElevenLabs（3.6%）與 GPT Live Transcribe（3.9%）。
更值得注意的是它的分離錯誤率（DER）。Meta 宣稱在 AMI-IHM、AMI-SDM 與 VoxConverse 等公開資料集上，平均 17.5% 的錯誤率低於圖表中的競爭對手。這代表的不只是「認得出來有幾個人」，而是即使在吵雜的遠場麥克風環境下，也能正確地把話歸給對的人。
未來一兩年：價格戰開打，分離功能將成標配
Muse 的出現，我認為會加速幾個產業趨勢。首先，「內建說話人分離」將從選配變為標配。當 Meta 用 $0.18 的價格把門檻打下來，其他廠商很難再對這項功能收取額外費用，否則在企業採購的 CP 值比較上會立刻落居下風。
其次，競爭焦點將從「每小時多少錢」轉向「每小時多少正確的說話人歸屬」。單純的 WER 已經不夠看了，企業會開始要求供應商提供 DER（Diarization Error Rate） 的第三方驗證數據。這對擅長做整合式模型的 Meta 相對有利，因為它的架構天生就是為了同時最佳化這兩個指標。
最後，中小型開發者將是最大贏家。過去要做出具備說話人分離的會議助理，往往得串接兩到三個不同服務（一個做 STT，一個做聲紋辨識），現在一個 API 就能搞定，而且成本還更低。這會大幅降低語音 Agent 的開發門檻，讓更多新創團隊有機會在垂直領域做出創新應用。
延伸思考與常見問題
Q1：什麼是「說話人分離」（Diarization），它跟一般的語音轉文字有什麼不同？
語音轉文字（STT）只負責把音訊變成文字，而說話人分離更進一步，會在文字上標註「這段話是誰說的」。它通常透過聲紋特徵來區分不同的說話者，輸出的結果會像是「Speaker A：我同意這筆預算」而不是單純的「我同意這筆預算」。
Q2：為什麼即時（串流）的說話人分離比離線處理更困難？
因為即時系統必須在音訊「還在發生當下」就做出判斷，無法偷看後面的內容來確認前面的歸屬是否正確。離線系統則可以分析完整段音訊後，再回頭修正分離結果。這就是為什麼有些廠商在文件裡會提醒，即時模式的準確率通常會比非同步模式稍微低一些。
Q3：Meta 的
$0.18定價真的算便宜嗎？為什麼其他廠商要另外收費？以「內建 20+ 人分離」的條件來看，
$0.18確實落在市場低價區間。其他廠商如 Deepgram 或 AssemblyAI 之所以將分離列為加價購，是因為這項功能需要額外的模型推理成本。Meta 選擇把它包進主方案，一方面是為了搶市佔，另一方面也反映出其整合式架構在推論效率上的優勢。
