Nemotron 3.5 Transcribe مقابل Gemini 3.5 Transcribe: 2.8% على الشريحة، و3.4% على اللوحة

أما Google، فإنGemini 3.5 Transcribe تحتل المرتبة التاسعة على لوحة الكلام غير المتدفق لدى Artificial Analysis بمعدل خطأ 2.6%. أما NVIDIA، فإن Nemotron 3.5 Transcribe، الذي أُطلق بأوزان مفتوحة في 28 أكتوبر 2026، يحتل المرتبة العشرين بمعدل 3.4%. يفصل بينهما أربعة أعشار نقطة على المؤشر العام الوحيد الذي يقيّم كليهما، وتكاد هذه الأربعة أعشار تكون الحقيقة الأقل فائدة في هذه المقارنة. لم يُصمم الاثنان للمهمة نفسها: فأحدهما نقطة نهاية مُدارة تنظّف النص قبل أن تراه، والآخر نقطة تفتيش تُنزّلها وتحافظ على تمييز ثمانية متحدثين أثناء تداخل كلامهم. ولا يُنصف التصنيف أيًا منهما فيما صُمم فعليًا لأدائه.

من الجدير الإشارة مسبقًا إلى تباين واحد، لأنه يتكرر في كل مقال يُكتب عن هذا النموذج هذا الأسبوع. تُفيد مواد إطلاق NVIDIA بوجود 2.8% AA-WER وتعاون على المركز الأول بين الأنظمة المفتوحة الأوزان. أما لوحة النتائج الحية، كما قُرئت في 29 أكتوبر، فتحمل 3.4% في المرتبة العشرين. كلا الرقمين يعودان إلى المؤشر نفسه، وهما ليسا قياسين للتشغيل نفسه — وهذا هو أول درس عملي من هذه المقارنة، وهو السبب في أن قسم الدقة أدناه مكتوب بالطريقة التي هو عليها.

ما طرحته NVIDIA، وما ظلّت Google تشغّله منذ أغسطس

Nemotron 3.5 Transcribe ليس ترانسديوسر ولا مُرمِّزًا عاديًا. إنه نموذج لغوي معزَّز بالكلام: يُغذّي مُرمِّز الكلام نموذجَ Nemotron 3 Diarization المُجمَّد، الذي تُحقَن إشارة نشاط المتحدث الخاصة به في مُرمِّز ASR عبر ما تسمّيه NVIDIA «Parallel Expert Encoder»، ويكون مُفكِّك التشفير نموذجًا لغويًا كبيرًا هجينًا من Mamba–Transformer قائمًا على مزيج الخبراء، بنحو 4 مليارات معامل نشطة لكل رمز من أصل نحو 30 مليارًا إجمالًا. وتستخدم مواد الشركة نفسها التسميتين 30B-A3B و30B-A4B للنصف الخاص بالنموذج اللغوي، بينما يُدرج الشريط الجانبي في Hugging Face الرقم 34B عند احتساب حزمة الصوت، لذا تعامل مع أي رقم مفرد للمعاملات على أنه تقريبي. الأوزان مجانية تحت OpenMDW-1.1، الذي يسمح بالاستخدام التجاري.

Gemini 3.5 Transcribe متاح بشكل عام منذ 26 أغسطس 2026 مقابل 2.00 دولار لكل مليون رمز إدخال صوتي و12.00 دولارًا لكل مليون رمز إخراج نصي، وهو ما تترجمه Google إلى نحو 0.005 دولار في الدقيقة، أو حوالي 0.30 دولار لكل ساعة صوتية. لديه طبقة مجانية ضمن الحصة، وSKU منفصلة للبث المباشر بنحو 0.009 دولار في الدقيقة، وليس له أوزان على الإطلاق.

الرقم الذي تغيّر بين حزمة الإطلاق وصباح اليوم التالي

مؤشر AA-WER من Artificial Analysis مبني على ثلاث مجموعات بيانات — AgentTalk بنسبة 50%، وVoxPopuli-Cleaned بنسبة 25%، وEarnings22-Cleaned بنسبة 25% — والمؤشر عبارة عن درجة مدمجة واحدة، وليس درجة لكل نطاق. وهذا مهم لأن AgentTalk هو كلام خاص بوكلاء الصوت، وهو قصير ونظيف وممثَّل تمثيلًا كبيرًا في مزيج التدريب الخاص بالبائع إذا كان البائع يبيع وكلاء صوتيين. النموذج الذي يفوز في المزيج قد يخسر أرشيفك.

اقرأ لوحة الصدارة كما هي في وضعها الحالي، وترتيب التصنيف هو: MAI Transcribe 2 بنسبة 2.0%، وVoxtral Small Transcribe 3 بنسبة 2.1%، وGemini 3.5 Transcribe بنسبة 2.6%، وGPT Transcribe بنسبة 3.3%، وNemotron 3.5 Transcribe بنسبة 3.4%. ادعاء NVIDIA بنسبة 2.8%، لو كان قد صمد، كان سيضع النموذج الجديد في مستوى Gemini 3.1 Pro Preview وVoxtral Small، ومتقدمًا بفارق مريح على نموذج الدفعات من OpenAI. وعند 3.4% يكون متخلفًا عن جميعها ومتعادلًا مع ثلاثة أنظمة، من بينها نسخة Gemini Flash-Lite لم يُوضع قط في مواجهتها. إن مراجعة بمقدار 0.6 نقطة ليست خطأ تقريب على مؤشر يمتد فيه كامل العشرة الأوائل من 1.7% إلى 2.9%.

القراءة الصادقة ليست أن NVIDIA كذبت. {{1}}تُعيد AA القياس عندما يُخدَم نموذج على نقطة نهاية جديدة أو يُعاد تشغيله على مدخلات محدّثة{{/1}}، ومن شبه المؤكد أن رقم الإطلاق يعكس {{2}}تقديم NVIDIA نفسه بدلاً من المضيف الافتراضي للوحة الصدارة{{/2}}. لكنه بالضبط نوع الفجوة التي تتحول إلى خطأ في المشتريات: فريق يضع ميزانيته على أساس {{3}}«الأول بين الأوزان المفتوحة»{{/3}} ثم يقيس {{4}}3.4%{{/4}} يكون قد اشترى نموذجًا بناءً على شريحة عرض.

ما الذي تبيعه Google ولا تبيعه NVIDIA

السمة التي تحسم عددًا أكبر من عقود النسخ مما يحسمه WER هي ما يحدث للكلمات بعد التعرّف عليها، وقد بُني Gemini 3.5 Transcribe حولها. يحتفظ وضعها الافتراضي الحرفي بالحشوات والبدايات الخاطئة والتكرارات لأعمال الامتثال؛ بينما يزيل وضعها الذكي اضطرابات الكلام، ويحل التصحيحات الذاتية، ويوحّد الأرقام والعملات المنطوقة في تمريرة واحدة. تميل مفردات مخصصة بالتعرف نحو ما يصل إلى 1,000 مصطلح، مع توصية Google بنحو 100 مصطلح جيد الاختيار. لا يوجد أي منهما في Nemotron 3.5 Transcribe، الذي يمكن *توجيهه* نحو قائمة كيانات ويمكن إخباره بإنتاج مخرجات حرفية أو مكتوبة، لكنه يترك تنسيق الأرقام وإصلاح التصحيحات الذاتية لأي شيء يقرأ النص التالي.

تتفوق Google أيضًا في اتساع نطاق اللغات المُسمّاة المدعومة: أكثر من 85 لغة، مع الكشف التلقائي والتبديل بين اللغات داخل الجملة، مقابل 40 لغة لدى NVIDIA للنسخ و31 للترجمة. وتُحتسب حالات التفوق المُسمّاة. إذا كانت قائمة الانتظار لديك تتضمن لغة موجودة في قائمة Google وليست في قائمة NVIDIA، فلا يوجد معيار أداء للجدال بشأنه.

ما تبيعه NVIDIA ولا تبيعه Google

إسناد المتحدثين هو الحالة المعاكسة، وهو أكثر حدّةً مما يوحي به التسويق. يوثّق Gemini 3.5 Transcribe ما يصل إلى ثمانية متحدثين، لكن مواد Google الخاصة بها تصنّف الإسناد لثلاثة متحدثين أو أكثر على أنه تجريبي، ومدونتها ترتكن إلى عبارة "ما يصل إلى ثلاثة". أما Nemotron 3.5 Transcribe فيسمّي ما يصل إلى ثمانية متحدثين، ويفعل ذلك في 13 لغة، ويعيد طوابع زمنية على مستوى الكلمة منسوبةً إلى المتحدثين عبر محوّل CTC لاحق لفك الترميز يوائم النص المنسوخ النهائي مع الصوت.

• المعاملات — 30B إجمالًا مع نحو 4B نشطة، هجين Mamba–Transformer MoE مقابل منظومة صوتية احتكارية غير معلنة.

• الترخيص — OpenMDW-1.1، الاستخدام التجاري، الأوزان قابلة للتنزيل مقابل API فقط دون حقوق إعادة التوزيع.

السعر — لا يوجد سعر قائمة منشور؛ التكلفة هي زمن GPU، ويُزعم أن بناء NVFP4 على بطاقة RTX PRO 6000 Blackwell واحدة يعالج ما يصل إلى 2,238 ثانية من الصوت في الثانية الواحدة، مقابل 0.005 دولار للدقيقة كمعدل مختلط.

• {{1}}اللغات{{/1}} — {{2}}40 منسوخة نصيًا، و31 مترجمة من الإنجليزية أو إليها، و13 مع تسميات المتحدثين مقابل أكثر من 85 لغة محلية مع التبديل اللغوي.{{/2}}

• السماعات — 8، موثّقة وتم قياس أدائها مقابل 8 موثّقة، و3+ موسومة كتجريبية.

• مدة الصوت — ساعة واحدة في تمريرة واحدة مقابل ساعة واحدة، تنخفض إلى 30 دقيقة عند طلب فصل المتحدثين أو الطوابع الزمنية.

• البث — لا يوجد؛ صوت مسجّل فقط مقابل SKU مباشر منفصل بنحو 0.009 دولار في الدقيقة.

• المعالجة اللاحقة — الشكل الحرفي أو المكتوب المتحكم فيه عبر الموجّه؛ لا تنظيف مدمج مقابل وضع ذكي يزيل كلمات الحشو ويصلح التصحيحات الذاتية.

أرقام التمييز بين المتحدثين لا ينشرها سوى طرف واحد.

هنا لم تعد المقارنة متقاربة وتبدأ تميل لصالح طرف واحد، وهنا أيضاً تقلّ المصادر. تُبلِغ NVIDIA عن معدل خطأ فصل المتحدثين قدره 18.26% عبر 21 لغة في معيار David AI، وهو الأدنى بين 14 نظاماً جرى تقييمه، إذ يأتي في المرتبة التالية نموذجها الخاص Nemotron 3 Diarization بنسبة 18.38%، بينما تقع جميع النماذج الأخرى بين 22.85% و37.55%. وفي Diarization-Bench الخاص بـ VoiceArena، تُبلِغ عن معدل خطأ الكلمات WER بأدنى تبديل متسلسل قدره 32.4%، وهو الأفضل بين 14، مع حلول الثاني عند 34.2%. وفي جلسات الكلام الإنجليزي المتداخل، تُبلِغ عن إسقاط 8.32% من الكلمات المرجعية مقابل وسيط يبلغ نحو 31%.

لا تنشر Google على الإطلاق أي معدل خطأ لتمييز المتحدثين خاص بـ Gemini 3.5 Transcribe. ليس معدلًا أسوأ، بل لا يوجد أي معدل. هذا التفاوت ينطبق في الاتجاهين، وينبغي أن يُقال بوضوح: أرقام NVIDIA مُبلَّغ عنها من البائع على منصة اختبار NVIDIA، ولا يوجد رقم من طرف ثالث لفحصها به، لأن لوحات الصدارة المستقلة لتمييز المتحدثين الموجودة تمتلئ في معظمها بالأنظمة التي أدخلتها NVIDIA نفسها. وما لا شك فيه هو السقف الموثق: يضع Gemini حدًا أقصى عند ثمانية متحدثين، مع إسناد تجريبي لما فوق ثلاثة متحدثين، ويخفض الحد الأقصى لطول الصوت لديك من ساعة إلى ثلاثين دقيقة بمجرد أن تطلب تسميات المتحدثين وتوقيتات الكلمات معًا. إذا كانت مادتك اجتماع مجلس إدارة من ستة أشخاص، فهذا قيد في المنتج وليس مسألة جودة، ولن تكشف عنه أي مقارنة WER.

ما التكلفة الفعلية لساعة من الصوت على كلٍّ منها

شغّله على ألف ساعة شهريًا، وهو حمل واقعي لمركز اتصال أو أرشيف إعلامي. Gemini 3.5 Transcribe بتكلفة 0.005 دولار لكل دقيقة يكلّف 300 دولار لكل ألف ساعة. ولا يملك Nemotron 3.5 Transcribe سعر قائمة لأنه لا يوجد شيء يُدرج: أنت تشتري وحدة GPU. وواحد RTX PRO 6000 Blackwell يعمل بـ checkpoint NVFP4 هو التكوين الذي تعرضه NVIDIA، وادعاء الإنتاجية — ما يصل إلى 2,238 ثانية من الصوت في الثانية — يأتي بشرط يذكره منشور Hugging Face وتتجاهله العناوين: فقد قُيس على مقاطع مدتها 30 ثانية وبالتزامن العالي. والاجتماعات الطويلة ذات المتحدثين المتداخلين لن تبلغ هذا الرقم.

نقطة التقاطع إذن مسألة استغلال، لا مسألة سعر. فالبطاقة الواحدة التي تكلّف تقريبًا ما تكلّفه بضعة أشهر من النسخ المُدار لا تسدّد تكلفتها إلا إذا أبقيتها مشغولة، وهي لا تسدّد تكلفتها أبدًا مقابل 300 دولار شهريًا من استدعاءات API على قائمة انتظار صغيرة. والحجة لصالح نقطة التحقق ليست دقائق أرخص عند الحجم المنخفض، بل إن الدقائق تكفّ عن كونها بندًا في الفاتورة على الإطلاق، ولا يغادر الصوت شبكتك أبدًا، والضبط الدقيق مسألة ظهيرة واحدة على وحدة معالجة رسومات واحدة — إذ تفيد NVIDIA بأن المهمة تستهلك من 0.5 إلى 2.3 ساعة GPU، وأن تكييفًا للكلام الطبي خفّض معدل خطأ الكلمات من 30.8% إلى 11.8% على 3,619 مقطعًا، مع تحسّن المتحدثين المحجوزين للاختبار من 22.44% إلى 12.17%.

{{1}}صفحة الأبحاث الخاصة بـ NVIDIA{{/1}} هي المكان الوحيد الذي تظهر فيه {{2}}ادعاءات الإنتاجية والضبط الدقيق معًا{{/2}}، ويستحق قراءتها إلى جانب الأرقام أعلاه: {{3}}رقم 2,238 ثانية لكل ثانية{{/3}} يفترض {{4}}نقطة التحقق NVFP4 ونموذج المسودة DFlash2 على أجهزة Blackwell{{/4}}، و{{5}}ادعاء الضبط الدقيق البالغ 0.5 إلى 2.3 ساعة GPU{{/5}} يفترض {{6}}وحدة GPU واحدة ومهمة صغيرة بما يكفي لتلائمها{{/6}}. لا يُعد أي منهما عنوانًا يمكنك نسخه إلى خطة سعة دون تلك التحفظات.

أيًّا كان الجانب الذي تستقر عليه، فإن النص المفرَّغ ليس نهاية المسار. إذ يتم تلخيصه وتصنيفه والبحث فيه وتوجيهه، وهذا النصف اللاحق هو حيث تهمّ نقطة نهاية واحدة: يحمل OrcaRouter أكثر من 200 نموذج نصي ومتعدد الوسائط خلف مفتاح واحد، مع تمرير أسعار قوائم المزوّدين كما هي بهامش ربح 0%، وتحويل تلقائي عند الفشل ولغة مجال لتوجيه المسارات (DSL) يمكنها إرسال محاضر الاجتماعات إلى ملخِّص واحد ومراجعة الامتثال إلى آخر دون تكامل ثانٍ. لا يتوفر Gemini 3.5 Transcribe ولا Nemotron 3.5 Transcribe في ذلك الكتالوج اليوم — فلا يزال تحويل الكلام إلى نص عقدًا منفصلًا أينما تشتريه — لذا فإن المغزى أضيق مما يبدو: اختر الناسخ بناءً على النسخ، ودع الطبقة التي فوقه تبقى قابلة للنقل.

أيٌّ منها يناسب مجموعتك التقنية

اختر Gemini 3.5 Transcribe إذا كانت مشكلتك هي النص: صوت مقابلات غير طليق، وكلام مراكز اتصال مليء بعبارة «لا، انتظر، كنت أقصد»، وقائمة أماكن/لغات تحتاج إلى التحقق منها بالاسم، ونقطة نهاية مُدارة يمكنك وضعها خلف مفتاح هذا بعد الظهر. إنه النموذج الأكثر دقة على اللوحة العامة اليوم بهامش صغير لكنه حقيقي، ويصلح النص أثناء جريانه، ويكلف ثلاثين سنتًا في الساعة مع طبقة مجانية تختبر مقابلها.

اختر Nemotron 3.5 Transcribe إذا كانت مشكلتك هي الغرفة. أكثر من ثلاثة متحدثين، وكلام متداخل، وثلاث عشرة لغة من تسميات المتحدثين، وتوقيت كلمات يصمد في ملف يمتد لساعة كاملة، وسياسة صوتية تمنع إرسال التسجيل إلى طرف ثالث — تلك هي الظروف التي لا تكون فيها نقطة التحقق المفتوحة تنازلاً بل الخيار الوحيد الذي يلبي المتطلب. وهو أيضاً الوحيد بين الخيارين الذي يمكنك ضبطه الدقيق، وهو ما يستحق أكثر من أربعة أعشار نقطة في حالة الصوت ذي اللهجات أو المتخصص في مجال معين.

ما الذي قد يغيّر هذا الحكم: إعادة تشغيل مستقلة للتمييز الصوتي تضع Gemini في أي مكان قريب من معدل DER البالغ 18.26% لدى NVIDIA، أو إعادة قياس من AA تحسم Nemotron بين 2.8% و3.4%. وإلى أن يتحقق أحد هذين، فإن حجة الدقة هي حجة مورّد، وحجة الميزات هي التي يمكنك التحقق منها بنفسك في جلسة بعد ظهر واحدة باستخدام أسوأ تسجيل لديك.