نيموترون 3.5 Transcribe مقابل GPT Transcribe: بفارق 0.1 نقطة، وأحدهما يمنحك الـ Checkpoint

اطلب من GPT Transcribe طوابع زمنية على مستوى الكلمة، ولن تمنحك واجهة البرمجة (API) إياها. ليس بشكل سيئ ولا تقريبي — فالنموذج لا يملك رأس توقيت، وتوجّهك وثائق OpenAI إلى whisper-1 لهذه المهمة، والأمر نفسه ينطبق على تسميات المتحدثين، التي تقيم في نموذج فصل متحدثين منفصل. الآن اطلب من Nemotron 3.5 Transcribe، الذي أصدرته NVIDIA بأوزان مفتوحة في 28 أكتوبر 2026، فيعود كلاهما من تمريرة واحدة: توقيت كلمات منسوب إلى المتحدث من محول CTC يطابق النص المكتمل مع الصوت بعد فك الترميز. النموذجان ضمن عُشر نقطة من بعضهما على لوحة الدقة العامة. أما الأشياء التي تفعلها بنص مكتوب، فهما ليسا في فئة المنتج نفسها.

هذا هو القرار بكامله، ويستحق أن نتناوله بالتفصيل وببطء، لأن التغطية الإعلامية للإطلاق اختزلت هذا الاقتران في معظمها إلى سباق على WER لا يحسمه أيٌّ من الطرفين فعليًا بفارق يُعتد به.

فجوة الدقة مجرد ضجيج؛ أما فجوة الميزات فليست كذلك.

في مؤشر Artificial Analysis غير المتدفق، يُدرَج GPT Transcribe — نموذج OpenAI للنسخ الصوتي بالدفعات، الذي طُرح في 28 يوليو 2026 إلى جانب نظير له يدعم البث المباشر — بنسبة 3.3%، متعادلًا في المرتبة الثامنة عشرة مع منافس صغير. ويُدرَج Nemotron 3.5 Transcribe بنسبة 3.4%، متعادلًا في المرتبة العشرين. إنه فارق عُشر نقطة واحدة، على مؤشر يمكن أن تختلف فيه إدخالاته الخاصة بالنموذج نفسه بما يقارب نقطة كاملة تبعًا لنقطة النهاية التي قدّمت الخدمة عبرها. لا ينبغي لأحد أن يختار بين نظامين صوتيين على هذا الأساس.

في المقابل، تذكر مواد الإطلاق الخاصة بـ NVIDIA نسبة 2.8% في AA-WER وتعافُلًا على المركز الأول بين النماذج المفتوحة الأوزان. أما قراءة اللوحة المباشرة يوم 29 أكتوبر فتحمل 3.4%. اعتبر نسبة 2.8% رقمًا مُقدَّمًا، و3.4% القياس الحالي؛ فالفارق بينهما أكبر من الفجوة بين Nemotron وGPT Transcribe، مما يدل على مقدار الأهمية التي يستحقها فارق واحد في لوحة الصدارة.

• المعاملات — نحو 30B إجمالًا وحوالي 4B نشطة لكل رمز في نموذج MoE هجين من Mamba–Transformer، مقابل نموذج غير مُفصح عنه وغير توليدي.

• الترخيص — OpenMDW-1.1، الاستخدام التجاري، الأوزان قابلة للتنزيل مقابل توفّرها عبر واجهة برمجة التطبيقات فقط.

• السعر — لا يوجد سعر قائمة؛ زمن GPU، مع بناء NVFP4 يُزعم أنه يصل إلى 2,238 ثانية من الصوت لكل ثانية على بطاقة RTX PRO 6000 Blackwell واحدة مقابل $0.0045 لكل دقيقة، أي نحو $0.27 لكل ساعة صوت.

• تسميات المتحدثين — ما يصل إلى 8 متحدثين في 13 لغة، مدمجة مقابل عدم وجودها؛ يلزم نموذج منفصل لفصل المتحدثين.

• توقيت الكلمات — محاذاة CTC بعد فك التشفير، مع نسبتها إلى المتحدث أو عدم توفيرها؛ whisper-1 هو البديل الموثّق.

• اللغات — 40 لغة منقولة كتابيًا، و31 لغة تُترجم من الإنجليزية أو إليها، مقابل تعدد اللغات مع الكشف التلقائي وإشارات اللغة، دون عدد منشور.

• طول الصوت — ساعة واحدة في تمرير واحد مقابل النهج القائم على الملفات مع تقسيم يتولى API إدارته.

• المعالجة اللاحقة — الشكل الحرفي أو المكتوب الذي تتحكم فيه المطالبة مقابل السياق الحر وتلميحات الكلمات المفتاحية، دون مرحلة تنظيف.

ما الذي يفعله GPT Transcribe على نحو أفضل من نقطة التحقق المفتوحة

ثلاثة أمور، وليست بالأمور التافهة. أولها أنه واجهة برمجة تطبيقات. لا توجد نقطة حفظ بمعاملات 30B يجب قياس حجمها، ولا بناء NVFP4 يجب انتظاره، ولا وصفة vLLM يجب تثبيتها. تُبلغ OpenAI عن معالجة أسرع من الزمن الحقيقي بنحو 34×، وهو أبطأ من الإنتاجية التي تدّعي NVIDIA تحقيقها على بطاقة Blackwell، ولا يهم معظم الفرق، لأن 34× من الزمن الحقيقي أسرع بالفعل من أي طابور تشغّله.

الثاني هو معالجة السياق. يقبل GPT Transcribe سياقًا حرَّ الشكل، وتلميحاتٍ بالكلمات المفتاحية والمفردات، وتلميحاتٍ لغوية متعددة، ويعيد مصفوفةً للغات المكتشفة إلى جانب النص المنقول. وهذا المزيج مفيدٌ حقًا في الصوت الذي يشهد تبديلًا لغويًا وفي المصطلحات المتخصصة بالمجال، وهو واجهة توجيهٍ لا ضبطًا دقيقًا — ما يعني أن فريق منتجٍ يستطيع ضبطه دون امتلاك وحدة معالجة رسوميات. ويُنسَب إلى نظير NVIDIA، وهو قائمة الكيانات المتوقعة المضمَّنة في التوجيه، تحقيقُ انخفاضٍ بمقدار ستة أضعاف في أخطاء الكيانات المسماة على ContextASR-Bench، لكن هذا الرقم مُبلَّغٌ عنه من المورّد ولم يُعَد إنتاجه.

الثالث هو سطح التكامل: نقطة النهاية نفسها تخدم تفريغ الملفات الصوتية، ونصوص الملفات المُتدفّقة، والأدوار الفورية المُثبَّتة عبر WebSocket، وواجهة Responses API، وواجهة Batch. والفريق الموجود أصلًا على منصة OpenAI يحصل على التفريغ الصوتي كمعامل واحد، لا كعملية نشر.

ادعاءات الجودة المنشورة من OpenAI نفسها واسعة ويصعب التحقق منها: معدل خطأ كلمي بنسبة 19.27% على مجموعة Common Voice ذات الـ22 لغة مقابل 40.37% لـWhisper، و8.98% على معيار واقعي من تسع لغات مقابل 15.21%. هذه أرقام بائعين مقارنة بأساس من 2024، وليست مقارنة بمنافس من 2026. الصورة المستقلة أكثر ودًّا لـGPT Transcribe مما توحي به لوحة AA: على مجموعة Perit الإنجليزية المراجعة بشريًا يسجل 1.76% WER، في المرتبة السادسة من 22، مع نسخ 61.3% من المقاطع بشكل مثالي. هذه مجموعة اختبار مختلفة عن مجموعة Artificial Analysis، والأرقام غير قابلة للمقارنة بين اللوحتين — لكن الاتجاه متسق، وهي تضع نموذج OpenAI متقدمًا على نقطة نهاية Parakeet المستضافة على المجموعة نفسها.

حيث تُظهر الميزات المفقودة تأثيرها الفعلي

إذا كان ناتجك نصًا عاديًا لفهرس بحث، فإن فجوات GPT Transcribe لا تكلفك شيئًا. لكن لحظة احتياجك إلى المزيد، يتضاعف العمل. توقيت الكلمات يعني تمريرة ثانية عبر whisper-1 أو أداة محاذاة قسرية، وهو ما يعيد إدخال نمط الفشل نفسه الذي وُجدت المحاذاة لإصلاحه: نص مُزاح الحدود يُقرأ جيدًا لكنه يفسد العناوين الفرعية. أما تسميات المتحدثين فتعني نموذجًا ثالثًا يُدمج عند حدود المقاطع، وله معدل خطأ خاص به يحتاج إلى تنقيح. ولا تعرف أي من هاتين التمريرتين الثانية عن الأخرى، لذا تتحول مكالمة بمتحدثين اثنين إلى ثلاثة نماذج وخطوة دمج.

ليس التتابع نقدًا لهندسة OpenAI. بل هو ما عليه المنتج: مُفرّغ عالي الدقة بمخرجات ضيقة عمدًا. وتطرح Microsoft وGoogle التقسيم نفسه — تمييز المتحدثين كوحدة SKU منفصلة أو كوضع منفصل له حدوده الخاصة. أما رهان NVIDIA فهو العكس، والطريقة الصادقة لوصفه هي أن Nemotron 3.5 Transcribe يتطلب حوسبة أكبر لتجنّب خط أنابيب.

إن ما تحققه تلك القدرة الحاسوبية من نتائج موثّق، لكنه مُبلَّغ من المورّد: معدل خطأ تحديد المتحدثين 18.26% عبر 21 لغة في معيار David AI، وهو الأفضل بين 14 نظامًا؛ ومعدل خطأ الكلمات (WER) المتسلسل بأدنى تبديل البالغ 32.4% على VoiceArena، وهو أيضًا الأفضل بين 14؛ و8.32% من الكلمات المرجعية سقطت في الكلام الإنجليزي المتداخل مقابل متوسط قريب من 31%. لا يوجد رقم لتحديد المتحدثين من OpenAI يُقارن بهذه الأرقام، لأن OpenAI لا تنشر رقمًا لهذا النموذج.

طريقتان للتوقف عن الدفع لكل دقيقة

تفرض GPT Transcribe رسومًا قدرها 0.0045 دولار لكل دقيقة، أي 4.50 دولارات لكل ألف دقيقة، ونحو 270 دولارًا لكل ألف ساعة صوتية. ولا تفرض Nemotron 3.5 Transcribe أي رسوم لكل دقيقة، بل تطلب وحدة GPU بدلًا من ذلك. وتتمثل إعدادات العرض التوضيحي لدى NVIDIA في بطاقة RTX PRO 6000 Blackwell واحدة تشغّل نسخة NVFP4 مع نموذج مسودة DFlash2، وقد قِيس الرقم الرئيسي للإنتاجية — 100 ساعة من الصوت في أقل من ثلاث دقائق — على مقاطع مدتها 30 ثانية وبدرجة تزامن عالية، لا على اجتماعات تدوم ساعة. اقرأ ذلك على أنه حد أعلى للعمل المجمّع على نحو جيد.

وهذا يترك نقطة تقاطع تحدّدها كثافة الاستخدام لا سعر القائمة. فالبطاقة التي تمتلكها بالفعل وتُبقيها مشغولة تتفوق بسهولة على 270 دولارًا لكل ألف ساعة. أما البطاقة التي ستضطر إلى شرائها من أجل صف انتظار من أربعين ساعة شهريًا فلا تتفوق، ولا يغيّر أي قدر من كفاءة المعلمات تلك الحسابات.

ثمة خيار ثالث يخفيه هذا التأطير الثنائي، وهو الخيار الذي تتبعه معظم الفرق في الواقع: الإبقاء على الـ API المُدار للجزء الأكبر، وتوجيه الملفات الصعبة — اجتماعات الستة أشخاص، والمقابلات السريرية ذات اللكنات، والصوت الذي لا يُسمح لك برفعه — إلى checkpoint مستضاف ذاتيًا. ولا ينجح ذلك إلا إذا جاء المخرَجان بالشكل نفسه، وهو ما يشكّل حجةً للتوحيد القياسي على مخطط نصّي (schema) يحوي حقلي المتحدث والتوقيت حتى عندما لا يملأهما مزوّدك الحالي. وحّد المخطط أولًا؛ يصبح النموذج قابلًا للتبديل لاحقًا.

في الطبقة التي تعلو النص المكتوب، تتمثل مهمة OrcaRouter في ضمان ألا تتوقف قابلية التبديل تلك عند حدود النموذج. يمكن للملخِّص والمصنِّف ومدقِّق الامتثال التي تقرأ هذه النصوص أن تعمل جميعًا خلف مفتاح واحد عبر أكثر من 200 نموذج، مع تمرير أسعار القائمة لدى المزوّدين بهامش ربح 0%، تجاوز الفشل التلقائي عندما تتعثّر الخدمة المصدرية، ولغة DSL للتوجيه ترسل كل عبء عمل إلى نموذج مختلف دون تكامل ثانٍ. يقع كلٌّ من GPT Transcribe وNemotron 3.5 Transcribe خارج ذلك الكتالوج — ولا نقدّم أيًّا منهما — لذا يبقى استدعاء الصوت حيثما تشتريه، ولا يصبح قابلًا للنقل سوى النصف اللاحق.

النسخة المختصرة، حسب الحالة

إذا كنت تريد نسخة نصية ولا شيء غير ذلك، وتريدها الأسبوع المقبل دون تهيئة أي شيء، فإن GPT Transcribe هو الخيار الأقل مخاطرة: المرتبة السادسة في مجموعة Perit المستقلة، وسطح تكامل من المرجح أنك تملكه بالفعل، وسعر لا يتطلب شراءً رأسماليًا. وإذا كانت نسخك النصية تغذي ترجمات النصوص المرئية أو تحليلات الاجتماعات أو بحثًا منسوبًا إلى المتحدثين أو أرشيف امتثال، فإن النماذج الإضافية التي ستضيفها إلى GPT Transcribe تستهلك من وقت الهندسة أكثر مما يستهلكه نموذج التحقق من ساعات GPU، بينما ينجز Nemotron 3.5 Transcribe ذلك العمل في تمريرة واحدة.

التحفّظ الذي ينطبق على كليهما: هذا نموذج عمره يوم واحد، ومعاييره الرئيسية المعلنة هي معايير مورّده نفسه، ولم تُقيّم لوحات التقييم المستقلة بعد نقطة الحفظ ذات الـ30 مليار معامل على الإطلاق. لا تخلط بينه وبين nvidia/nemotron-3.5-asr-streaming-0.6b، نموذج البثّ التدفقي 600M من يونيو الذي يظهر بالفعل على لوحات التقييم المستقلة ويسجّل أداءً أسوأ بكثير (3.35% WER، المرتبة 21 من 22 على Perit). لا يشتركان إلا في اسم العائلة، ولا شيء غير ذلك.