Nemotron 3.5 Transcribe مقابل Grok Voice Transcribe 2.0: أوزان مفتوحة على GPU الخاص بك، أو $0.20 في الساعة

تفرض Grok Voice Transcribe 2.0 رسومًا قدرها 0.20 دولار لكل ساعة صوت تمرّرها عبرها، و0.10 دولار لكل ساعة تعالجها على دفعات. أما Nemotron 3.5 Transcribe فلا تفرض أي رسوم لكل ساعة، وتطلب منك امتلاك GPU قادرة على استيعاب نحو 34 مليار معامل. اقرأ تلك الجملة فقط، وستبدو المقارنة وكأنها حرب أسعار بين عداد وآلة، مع خسارة العداد الواضحة. لكنه لا يخسر: في لوحة المعايير الوحيدة التي يظهر فيها كلا النموذجين، يكون النموذج المحاسَب بالعداد أكثر دقة، والنموذج المفتوح ليس قريبًا بما يكفي للجدال في هذه النقطة.

صدر الاثنان بفارق ستة أسابيع — Grok Voice Transcribe 2.0 في 2026-09-18، وNemotron 3.5 Transcribe في 2026-10-28 — وقد صُمّما لمهام مختلفة. أحدهما واجهة API مستضافة مع WebSocket تعيد الكلمات بينما لا يزال الشخص يتحدث. والآخر نقطة تفتيش (checkpoint) تقوم بتنزيلها وتحميلها وتوجيهها إلى تسجيل منتهٍ. إن زمن الاستجابة وعدد اللغات وتسميات المتحدثين وهيكل التكلفة وحتى الشروط القانونية كلها تتبع ذلك الفرق الوحيد، ولهذا فإن السؤال المثير للاهتمام ليس أيّهما يقدّم نسخًا أفضل.

ما كل واحد منها، في ستة أسطر

تباين الشكل حادّ بما يكفي لتبدو معه قائمة المواصفات وكأنها خطأ في التصنيف، وهذا هو المقصود.

• النشر — واجهة برمجة تطبيقات REST وWebSocket مستضافة على البنية التحتية الخاصة بـ xAI مقابل أوزان مفتوحة بموجب OpenMDW-1.1 تشغّلها بنفسك على vLLM أو SGLang-Omni أو NeMo Speech.

• الحجم — لا تنشر xAI أي عدد للمعلمات، مقارنةً بإجمالي 34B مع نحو 4.3B نشطة، بما في ذلك مُرمِّز الصوت، وذلك على بنية أساسية من خليط الخبراء Mamba وTransformer ضمن Nemotron 3.5 Lightning 30B-A3B.

• إدخال صوتي — ملفات حتى 500 ميغابايت في اثنتي عشرة صيغة حاوية بالإضافة إلى ثلاثة ترميزات خام، مع 2-8 قنوات عبر الوضع متعدد القنوات، مقابل تسجيلات تصل إلى ساعة واحدة بمعدل 16kHz أحادية القناة بصيغة PCM ضمن سياق من 65,536 رمزًا.

• المسار الفوري — بثّ مع نتائج مؤقتة كل 500 مللي ثانية تقريبًا، وتحديد نقاط النهاية افتراضيًا عند 400 مللي ثانية، واكتشاف ذكي لنوبات التحدث، ونقطة نهاية منفصلة للمعالجة الدفعية، مقابل غياب البثّ تمامًا؛ إذ يقرأ النموذج ملفًا مكتملًا ويعيد نصًا مكتوبًا.

• تغطية اللغات — 37 لغة مذكورة في وثائق xAI وموصوفة هناك بأنها 38+، مقابل 40 لغة يجري نسخها و31 زوجًا ترجميًا من الإنجليزية أو إليها على بطاقة NVIDIA.

• تسميات المتحدثين — علامة diarize تضيف عددًا صحيحًا للمتحدث إلى كل كلمة، وهي متاحة في المعالجة الدُفعية والبث، مقابل مُرمِّز مدمج لتحديد المتحدثين يُنتج نصوصًا منسوبة إلى المتحدثين في تمريرة واحدة لما يصل إلى 8 متحدثين في 13 لغة.

السعر — 0.10 دولار لكل ساعة صوتية في المعالجة الدفعية و0.20 دولار لكل ساعة صوتية في البث، مقابل عدم وجود سعر منشور لكل ساعة، لأن NVIDIA تبيع الأوزان وأنت توفّر القدرة الحاسوبية.

اللوح الوحيد الذي يلتقون عنده، وهو لا ينكسر بالطريقة التي تتوقعها

تُشغّل Artificial Analysis لوحة صدارة للتحويل من الكلام إلى نص بمسارين: مسار دفعي للملفات المكتملة، ومسار بثّ للنماذج التي تُصدر نتائج جزئية. ولا يتأهل Nemotron 3.5 Transcribe إلا للمسار الأول. وهناك يحتل Grok Voice Transcribe 2.0 نسبة 2.3% في مقياس AA-WER، وهو الخامس بين نحو ستين نموذجًا، بينما يُذكر نموذج NVIDIA بنسبة 2.80% في مواد الإطلاق، ويظهر بنسبة 3.4% على الجدول المباشر في الأيام التي تلت الإصدار. سمِّها 2.8% أو 3.4%؛ وفي الحالتين يفوز النموذج المستضاف في المقياس الوحيد المشترك بينهما، بفارق يتراوح بين نصف نقطة ونقطة كاملة.

هذه النتيجة أقل ضررًا مما تبدو عليه للوهلة الأولى، لأنّ النموذجين ليسا على اللوحة للسبب نفسه. وتقول NVIDIA إنّ Nemotron 3.5 Transcribe هو أفضل نموذج كلام مفتوح الأوزان، وهو كذلك على تلك اللوحة الأضيق: فالمقارنة التي يفوز بها هي مقابل نقاط تحقّق أخرى قابلة للتنزيل، حيث الرقم الذي ينبغي التغلّب عليه هو 2.8%. أمّا Grok Voice Transcribe 2.0 فهو مملوك ويُنافس في مسار مختلف. وإنّ اقتباس أحدهما في مقابل الآخر يُنتج عنوانًا رئيسيًا — «النموذج المستضيف يتفوّق على النموذج المفتوح بـ 0.5 نقطة» — إنما يقيس مزيجًا من المعايير، لا قرارًا بشأن منتج.

مسار البث هو حيث يصبح عدم التماثل بنيويًا لا إحصائيًا. يحتل Grok Voice Transcribe 2.0 صدارة فئة البث بمعدل WER نهائي قدره 2.7%، ويُخرَج بعد 0.49 ثانية من انتهاء الكلام، و3.4% في أول نتيجة جزئية له عند التأخير نفسه، وهو الأول بين نحو اثنين وثلاثين نموذجًا للبث. أما Nemotron 3.5 Transcribe فليس له إدخال، لأنه لا يستطيع البث. فهو نموذج يدخل ملفًا ويخرج نصًا، ولا يوجد له مسار بث مُقسَّم موثَّق. وأي شخص يقارن النموذجين على الدقة بينما يخطط لنشر ترجمة توضيحية حية فإنه يقارن نموذجًا لا يمكنه استخدامه.

تحمل كلتا اللوحتين ملصق تحذيري يستحق التكرار. يتغيّر AA-WER بما يقارب نقطة كاملة للنموذج نفسه عبر نقاط خدمة مختلفة، لذا فإن فجوة الـ0.5 نقطة أعلاه تعادل تقريبًا عرض ضجيج القياس — حقيقية في الاتجاه، ضعيفة كحُكم. ورقم xAI نفسه البالغ 6.8% للعبارات القصيرة متعددة اللغات، المنخفض من 20.6% في الإصدار 1.0، مستمدّ من مجموعة داخلية مبنية من حركة الإنتاج، لا من مدوّنة نصوص مُصدَرة. إنه ادعاء مورّد بشأن مجموعة مورّد، ولا يظهر على Artificial Analysis إطلاقًا.

البث هو الخط الذي لا يستطيع النموذج المفتوح تجاوزه.

بالنسبة لموظف مركز اتصال، أو ترجمة نصية حية، أو مساعد اجتماعات، أو روبوت صوتي، يُحسم القرار قبل أن تُؤخذ الدقة في الاعتبار أصلاً. يقبل Grok Voice Transcribe 2.0 إطارات صوتية ثنائية خام عبر WebSocket — pcm أو mulaw أو alaw أو opus — ويعيد نتائج مؤقتة نحو مرتين في الثانية، ويوفر إشارات نهاية الدور عبر تحديد نقطة النهاية والكشف الذكي عن الأدوار. تلك هي الآليات التي تجعل النص المكتوب يبدو حياً، وهي السبب الذي دفع Loom التابع لـ Atlassian إلى نقل مكتبة الفيديو الخاصة به إلى النموذج عند الإطلاق.

يتمتع Nemotron 3.5 Transcribe بالشكل المعاكس بحسب التصميم. فهو يقرأ ما يصل إلى ساعة من الصوت في تمريرة واحدة ويعيد نصًا كاملًا، مع طوابع زمنية للكلمات ينتجها محول CTC خفيف بعد التوليد وليس أثناءه. يشتري هذا التصميم الدقة في التسجيلات الطويلة والفوضوية، ويكلّف زمن استجابة في كل ما هو قصير وتفاعلي. لدى NVIDIA في خطها متعرف صوتي متدفق منفصل وأصغر بكثير — Nemotron Speech Streaming EN 0.6B — لكنه نموذج مختلف بتغطية مختلفة، وليس وضع تدفق لنقطة التحقق هذه. إن شراء نموذج 30B توقعًا لإضافة التدفق عليه لاحقًا هو شراء الشيء الخطأ مرتين.

أربعون لغة مقابل سبعٍ وثلاثين، وعدّادٌ تحرّك

على الورق، الفارق ثلاثة لغات. عمليًا، يتوقف الأمر على الصفحة التي تقرأها. توثيق xAI للتحويل من الكلام إلى نص يسرد 37 لغة مسمّاة — من العربية والبوسنية وصولاً إلى الأردية والفيتنامية، مع متغيّرات إقليمية للإسبانية والبرتغالية والعربية — ويصف الإجمالي بأنه 38+. أما التغطية المنشورة حول إطلاق سبتمبر فقد ذكرت 25. الوثائق هي المصدر الأحدث والأكثر تحديدًا، لكن عدد لغات يتغيّر بمقدار ثلاثة عشر بين منشور إطلاق وصفحة وثائق هو عدد ينبغي التحقق منه مقابل الصوت الخاص بك بدلاً من تبنّيه.

بطاقة NVIDIA أكثر تفصيلًا، وهذه المرة أكثر تحفظًا: 40 لغة مع جدول علامات صح لكل لغة، و13 منها مُعلَّمة للنسخ متعدد المتحدثين. أما اللغات المهمة لتحديد هوية المتحدث فهي مجموعة أضيق من الـ40 — العربية والماندرين والإنجليزية والفرنسية والألمانية والهندية والإيطالية واليابانية والكورية والبرتغالية والروسية والإسبانية والتايلاندية. إذا كان أرشيفك بالبولندية أو التركية، فسيقوم Nemotron 3.5 Transcribe بنسخه جيدًا ولن يخبرك من قال ماذا، وهي القدرة التي كنت على الأرجح تشتريها.

الترجمة عمود مخصص لـ Nemotron فقط هنا. يترجم النموذج من الإنجليزية وإليها عبر 31 زوجًا لغويًا في نفس تمريرة النسخ، وهو ما لا يقدمه Grok Voice Transcribe 2.0؛ إذ تُعيد واجهة برمجة تطبيقات xAI النص باللغة المنطوقة. وإذا كانت المهمة تتمثل في محضر اجتماع ثنائي اللغة، فهذه ميزة لن تُعيد إنتاجها أي هندسة أوامر من جانب Grok.

تسميات المتحدث: مُشفّر مدمج مقابل قيمة منطقية

هذا هو الجانب الوحيد الذي يكون فيه الاثنان أقرب مما يوحي به التسويق، والذي تكون فيه الإجابة الصادقة أن كليهما يقوم بذلك.

• Nemotron 3.5 Transcribe — يُغذّي نموذج Nemotron 3 Diarization المجمّد تمثيلات نشاط المتحدث إلى مُشفّر ASR، بحيث يرى نموذج اللغة مَن يتحدث كجزء من مدخلاته. يحمل الناتج وسوم المتحدثين ومقاطع خام، لما يصل إلى 8 متحدثين، وطوابع زمنية على مستوى الكلمة. إنه تمريرة واحدة دون خدمة ثانية في المنتصف.

• Grok Voice Transcribe 2.0 — اضبط diarize=true فتعود كل كلمة مصحوبة بحقل متحدّث من نوع عدد صحيح، سواء في المعالجة بالدفعات أو البث المباشر على حدّ سواء. ويذهب وضع القنوات المتعددة أبعد من ذلك: إذ يُنقل حتى 8 قنوات بشكل مستقل وتُعاد مع فهرس قناة، وهو إسناد دقيق حين يكون مصدرك تسجيلًا متعدد القنوات لا تسجيلًا مختلطًا.

الفرق العملي في التغطية، لا في الوجود. ميزة Grok تعمل عبر اللغات التي تدعمها واجهتها البرمجية؛ أما مسار NVIDIA المدمج فمدرّب على 13 لغة. وتعدد القنوات ميزة حقيقية في القاعات التي تنطبق عليها — فقاعة اجتماعات بميكروفون واحد لكل مقعد لا تحتاج إلى أداة تمييز المتحدثين كي تخمّن. أما ملف أحادي القناة مختلط من قاعة مؤتمر فيحتاج إليها، وهناك تكون فجوة الجودة بين مُرمّز مدمج وميزة مستضافة أمرًا لا يستطيع حسمه سوى صوتك أنت.

الحساب على أساس ألف ساعة في الشهر

السعر هو نقطة التباين الحقيقي بين النموذجين، ومن الجدير إجراء الحساب بدلًا من تبادل الحكايات عن فواتير GPU.

عند 1,000 ساعة صوتية شهريًا، تكلّف Grok Voice Transcribe 2.0 مبلغ 100 دولار في وضع الدفعات أو 200 دولار في وضع البث — أي 1,200 أو 2,400 دولار سنويًا، دون أجهزة، ودون نافذة صيانة، ودون بدء بارد. أما Nemotron 3.5 Transcribe فتكلفتها هي تكلفة GPU مهما كانت. وتزعم صفحة أبحاث NVIDIA أن نقطة فحص NVFP4 مع نموذج DFlash2 المسودّي تنسخ 2,238 ثانية من الصوت في الثانية على بطاقة RTX PRO 6000 Blackwell واحدة، وهو ما يضع، حتى بعد تخفيضه بمقدار رتبة قدر واحدة، 1,000 ساعة من الصوت ضمن بضع ساعات GPU شهريًا. الحوسبة ليست القيد؛ الملكية هي.

• نقطة التعادل مقابل تعريفة البث — بطاقة محطة عمل بقيمة $8,000 تستعيد تكلفتها بعد 40 شهرًا من 1,000 ساعة بث، أو 80 شهرًا مقابل تعريفة الدفعات.

• عند 10,000 ساعة شهريًا — تصل البطاقة نفسها إلى نقطة التعادل خلال أربعة أشهر مقارنةً بخدمات البث، وينخفض معدل التكلفة لكل ساعة إلى نحو 2 سنت.

• وحدة معالجة رسوميات سحابية مستأجرة — إنّ H100 بنحو دولارين في الساعة يتفوق على أسعار القائمة لكلا الطرازين بمجرد أن يصحّ ادعاء المورّد بشأن الإنتاجية ولو بجزء ضئيل من رقمه المعلن؛ إذ تصبح التكلفة الثابتة هي وقت الهندسة والتخزين وحقيقة أنك تدير الآن خادم نموذج.

نقطة التعادل، إذن، لا تتعلق بدقة النسخ إطلاقًا. بل تتعلق بحجم الاستخدام وبما إذا كان مسموحًا للصوت بمغادرة شبكتك. دون بضعة آلاف من الساعات شهريًا، يكون سعر الخدمة المستضافة أرخص من كلفة الهندسة. وفوق ذلك، أو خلف جدار امتثال، تنتصر الأوزان وينقلب وجه المقارنة.

أين يتلاءم OrcaRouter، وأين لا يتلاءم

لا توجد أيٌّ من أداتَي النسخ هاتين في كتالوج OrcaRouter اليوم؛ فالنماذج التي نقدّمها هي نماذج نصية وبصرية، ولا ينبغي قراءة أي شيء هنا على أنه نقطة نهاية لأيٍّ منهما. وما يولّده خط أنابيب النسخ هو كومة كبيرة من النصوص تحتاج بعد ذلك إلى التلخيص واستخراج الكيانات وإخفاء المعلومات الحساسة والتصنيف والبحث. وفي هذه الاستدعاءات مفتاح واحد متوافق مع OpenAI عبر أكثر من 200 نموذج يُثبت جدواه: إذ يُمرَّر سعر القائمة من المزوّد بهامش ربح 0%، لذا يصل تخفيض سعر المورّد في اليوم نفسه، والتحويل الاحتياطي التلقائي عند تدهور أحد المصادر الأولية، وDSL للتوجيه يمكنه إرسال أعمال التصنيف منخفضة التكلفة إلى نموذج صغير مع الإبقاء على التلخيص المكلف على نموذج رائد. إذا كنت تستضيف Nemotron 3.5 Transcribe بنفسك، فإن وحدة GPU هي أداة النسخ لديك؛ والتوجيه هو ما يحدث للنص المنسوخ بعد ذلك.

أيّ واحد تختار

يتعلق القرار بالساعة على الصوت، لا ببطاقة النموذج.

• الصوت المباشر، ووكلاء الصوت، والتسميات التوضيحية، وتوجيه المكالمات — Grok Voice Transcribe 2.0، دون جدال يُذكر. البث مدمج أصلاً، وزمن الاستجابة أقل من نصف ثانية للوصول إلى نص نهائي، ونقطة نهاية الدُفعات تستخدم النموذج نفسه لإعادة التعبئة الليلية.

• تسجيلات مكتملة تضم متحدثين متعددين، بلغات غير الإنجليزية — Nemotron 3.5 Transcribe، بشرط أن تتوفر لديك وحدة معالجة رسومات (GPU) وأن يغطي مسار المتحدثين ذو الـ13 لغة صوتك. هذه هي الحالة التي صُمم النموذج من أجلها، والتي تتفوق فيها 40 لغة وتحديد المتحدثين بتمرير واحد على فارق دقة قدره 0.5 نقطة.

• أرشيفات ثنائية اللغة — Nemotron 3.5 Transcribe، لأن أزواج الترجمة تصدر ضمن التمريرة نفسها ولا يترجم Grok.

• حجم صغير، بلا GPU، الإنجليزية فقط — Grok Voice Transcribe 2.0 في وضع الدفعات بسعر 0.10 دولار للساعة. تكلف ألف ساعة مئة دولار؛ ولا يعوّض أي قدر من حرية ترخيص الأوزان المفتوحة عن شراء بطاقة Blackwell لتوفير ذلك.

الإجابة الرابعة المغرية — نشر Nemotron الآن وإضافة البث لاحقًا — غير موجودة. فالنموذج الذي أطلقته NVIDIA مصمم عمدًا للعمل دون اتصال، وخط البث الذي تبيعه إلى جانبه هو نظام تعرّف إنجليزي بحجم 0.6B، وليس وضعًا من أوضاع هذا النموذج. اختر الشكل الذي تحتاجه أولًا؛ أما جدال لوحة الصدارة فيمكنه الانتظار، لأن نصف نقطة في AA-WER يقع تمامًا داخل النطاق الذي يتحرك فيه النموذج نفسه عندما يغيّر المضيفين.