Nemotron 3.5 Transcribe مقابل MAI Transcribe 2: ساعة بـ100 دولار مقابل GPU تملكه

تكلف ألف ساعة من الصوت Microsoft مئة دولار. وهذا كل حجة التسعير لـMAI Transcribe 2، الذي ظل في المعاينة العامة منذ 3 سبتمبر 2026 بسعر 0.10 دولار لكل ساعة صوت — أي نحو 1.67 دولار لكل ألف دقيقة، وهو سعر أدنى من سعر كل منافس مُدار يذكره، ويعادل نحو ثلث ما تتقاضاه OpenAI مقابل العمل نفسه. Nemotron 3.5 Transcribe، وهو نقطة التحقق المفتوحة من NVIDIA بتاريخ 28 أكتوبر 2026، لا يقدّم أي سعر لكل دقيقة على الإطلاق، لأن السبيل الوحيد لشرائه هو شراء العتاد الذي يعمل عليه. وعند ألف ساعة شهريًا، تكون فاتورة Microsoft خطأ تقريب لا يكاد يُلحظ في ميزانية قسم، بينما فاتورة NVIDIA عملية شراء رأسمالية.

ثم الجزء المحرج. على لوحة الدقة العامة، يحتل MAI Transcribe 2 المرتبة الثانية عالميًا بمعدل 2.0% AA-WER. ويحتل Nemotron 3.5 Transcribe المرتبة العشرين بمعدل 3.4%. والنموذج الأرخص هو أيضًا الأكثر دقة، بفارق يتجاوز الفجوة كاملة بين المرتبة 9 والمرتبة 20. لو كانت هذه المقارنة تتعلق بالكلمات والمال فقط، لانتهت في فقرة واحدة. لكنها ليست كذلك، لأن Microsoft لا تنشر أي رقم عن جودة الفصل بين المتحدثين، بينما تنشر NVIDIA عدة أرقام — وهذا العمود الفارغ هو السبب في أن أي شخص قد لا يزال يختار الخيار الأكثر تكلفة.

ما يقوله المجلس، وما لا يستطيع قوله

تقيّم Artificial Analysis كلا النموذجين على المزيج نفسه المكوّن من ثلاث مجموعات بيانات، لذا فإن {{1}}2.0% مقابل 3.4%{{/1}} يمثل على الأقل مقارنة مكافئة للمؤشر نفسه، أجرتها الجهة نفسها. وهذا أندر مما ينبغي في هذه الفئة، ويستحق أن يُؤخذ على محمل الجد. لا يتقدّم {{2}}MAI Transcribe 2{{/2}} سوى نظام معاينة فوري واحد في صدارة لوحة الترتيب؛ بينما يتعادل Nemotron 3.5 Transcribe مع ثلاثة أنظمة، أحدها نسخة Gemini Flash-Lite في وضع الحد الأدنى من الاستدلال.

تذكر مواد الإطلاق الخاصة بـ NVIDIA نسبة AA-WER تبلغ 2.8%، وهي لو ظلّت ثابتة لظلّت متأخرة عن Microsoft بفارق ثمانية أعشار نقطة مئوية كاملة. أما لوحة النتائج المباشرة فتحمل 3.4%. وفي كلتا الحالتين لا يتغير الترتيب، لذا، على خلاف المواجهات الأخرى في هذه السلسلة، لا يحدد التفاوت بين بيانات الإطلاق ولوحة النتائج شيئًا هنا. إن Microsoft ببساطة متقدمة في المقياس الذي تتفق الشركتان على أن تُقاس به.

ما الذي يشتريه $0.10 في الساعة فعليًا

MAI Transcribe 2 هو نموذج نسخ دفعي مصمم للصوت الطويل: الاجتماعات، والمكالمات، والأرشيف الإعلامي، وتسجيلات مراكز الاتصال. يغطي 60 لغة مع التعرف التلقائي على اللغة، ويضم فصل المتحدثين، ويعيد طوابع زمنية على مستوى الكلمة، ويدعم الترجيح بالكلمات المفتاحية للأسماء والمصطلحات المتخصصة، ويوفر نمطي إخراج — حرفي، يحتفظ بأصوات الحشو والبدايات الخاطئة، ونظيف، يزيلها. تذكر مايكروسوفت معدل إنتاجية يبلغ نحو 411× الزمن الحقيقي على لوحة السرعة لدى Artificial Analysis، بالمرتبة الثانية إجمالًا، ويصوغ منشور الإطلاق الخاص بها ذلك على أنه أسرع بعشر مرات من GPT Transcribe وخمس مرات من Gemini 3.5 Transcribe.

قائمة الميزات، على الورق، مجموعة شاملة لما تحتاجه معظم الفرق وتكاد تطابق ما تقدّمه NVIDIA. كلاهما يقوم بفصل المتحدثين، وكلاهما يقوم بتوقيت الكلمات، وكلاهما يقوم بترجيح الكلمات المفتاحية، وكلاهما يقدّم مخرجات حرفية ونظيفة، وكلاهما يحدّ السقف عند نحو ساعة من الصوت، وكلاهما يعمل على الدفعات فقط في وحدة SKU قيد المقارنة. تكمن الاختلافات عند الحدود: 60 لغة مقابل 40، وثمانية متحدثين مقابل عدد غير محدد، وسعر أسهل بثلاث مراتب عشرية في شرحه لفريق مالي.

• السعر — 0.10 دولار لكل ساعة صوتية، بأسعار مخفّضة لفترة محدودة حتى نهاية عام 2026، مقابل عدم وجود سعر مُدرج؛ والتكلفة تتمثل في وقت المسرّع.

• الدقة — 2.0% AA-WER، المرتبة 2 مقابل 3.4%، المرتبة 20 (3.4% على لوحة النتائج المباشرة؛ وتزعم حزمة NVIDIA نسبة 2.8%).

• معدل الإنتاجية — نحو 411× الزمن الحقيقي مقابل ما يصل إلى 2,238 ثانية من الصوت في الثانية على بطاقة RTX PRO 6000 Blackwell واحدة مع NVFP4 ونموذج مسودة، مقاسة على مقاطع مدتها 30 ثانية عند تزامن عالٍ.

• اللغات — 60 مع التعرّف التلقائي مقابل 40 منسوخة نصيًا، و31 مترجمة.

• الترخيص — احتكاري، API-only مقابل OpenMDW-1.1 مع أوزان قابلة للتنزيل.

• المتحدثون — فصل المتحدثين (diarization) مضمّن، ولا يوجد DER منشور مقابل ما يصل إلى 8، منسوب، في 13 لغة، و18.26% DER عبر 21 لغة على معيار David AI.

• الضبط الدقيق — لا يُقدَّم أي خيار مقابل التكيّف على وحدة معالجة رسومات واحدة خلال 0.5–2.3 ساعة GPU لكل مهمة.

• موقعية البيانات — هل يخرج الصوت من شبكتك أم يمكن استضافته ذاتيًا، بما في ذلك العمل دون اتصال.

العمود الذي تتركه Microsoft فارغًا

تضمّن Microsoft فصل المتحدثين ولا تنشر أي معدل خطأ لفصل المتحدثين. ليس معدلاً ضعيفاً — بل لا يوجد على الإطلاق. تنشر NVIDIA أربع نتائج منفصلة لفصل المتحدثين: 18.26% معدل خطأ فصل المتحدثين (DER) عبر 21 لغة على David AI benchmark، وهو الأدنى بين 14 نظاماً؛ و32.4% معدل خطأ الكلمات (WER) المُسلسل بأدنى تبديل على Diarization-Bench من VoiceArena، وهو الأفضل بين 14؛ وإسقاط 8.32% من الكلمات المرجعية في الكلام الإنجليزي المتداخل مقابل وسيط قريب من 31%؛ وإسناد المتحدثين في 13 لغة مقابل عدد غير محدد لدى Microsoft.

كل هذه الأرقام مُبلَّغ عنها من المورّد على أداة اختبار يوفّرها المورّد، والقراءة الصادقة لها هي أنها ادعاء بشأن القدرة لا دليل على الجودة. لكن عدم التماثل مفيد. فالشركة التي لديها رقم لتمييز المتحدثين تنشره، لأن تمييز المتحدثين أصعب جزء في النص المكتوب يصعب إتقانه والجزء الذي يشتكي منه العملاء. أما الشركة التي تدرج تمييز المتحدثين دون رقم فإنها تقول لك إنها لا تعتبر ذلك نقطة البيع. قد يعني هذا أن الميزة كافية وغير جديرة بالملاحظة. وقد يعني أنها ضعيفة. لا شيء في مواد إطلاق Microsoft يميّز بين الحالتين، ولا توجد بعد لوحة تقييم مستقلة تقيس معدل خطأ تمييز المتحدثين بهذا القدر من التفصيل.

في مكالمة مبيعات بين شخصين، لا يهم هذا — فأي من النموذجين سيقوم بتسمية صوتين تسمية صحيحة. أما في اجتماع مجلس إدارة مؤلف من ستة أشخاص مع تداخل في الكلام، فإن الفرق بين DER البالغ 18% ورقم غير معروف هو الفرق بين سجل قابل للاستخدام دقيقة بدقيقة ومستند لا يثق به أحد. ذلك هو عبء العمل الذي يتوقف عنده سعر نقطة التحقق المفتوحة عن الظهور كسعر سخيف.

لماذا يشتري أي شخص النسخة الغالية؟

أربعة أسباب، مرتبة تنازليًا حسب مدى تكرار ظهورها فعليًا في قرارات الشراء.

الأول هو توطين البيانات. فـ {{1}}MAI Transcribe 2{{/1}} واجهة برمجية (API): يغادر الصوت شبكتك، ويستقر في مستأجر خاص بأحد المورّدين، ويخضع لشروط الاحتفاظ الخاصة بهذا المورّد. أما {{2}}Nemotron 3.5 Transcribe{{/2}} فيعمل على عتاد تتحكم به أنت، بما في ذلك العمل دون اتصال بالإنترنت تمامًا، وهو ما يُعدّ بالنسبة للتسجيلات السريرية والإجراءات القانونية وتحقيقات الموارد البشرية وأي شيء يخضع لنظام إقامة البيانات ليس تفضيلًا بل شرطًا إلزاميًا. فلا سعر بالساعة ينافس قيدًا امتثاليًا.

العامل الثاني هو الاستمرارية. سعر Microsoft البالغ $0.10 هو صراحةً عرض محدود المدة يمتد حتى نهاية 2026، ولم يُفصح عن أي سعر قياسي في أي موضع من مواد الإطلاق. أي فريق يبني منتجًا على ذلك الرقم إنما يبني على سعر ترويجي بموعد انتهاء غير معلوم. لا تعاني الأوزان المفتوحة من نمط الفشل هذا: فنقطة التحقق التي حمّلتها تظل تعمل بتكلفة الكهرباء، مهما فعل المورّد بعد ذلك.

الثالث هو التكيف. تُبلغ NVIDIA عن ضبط دقيق على وحدة GPU واحدة بما يتراوح بين 0.5 و2.3 ساعة GPU لكل مهمة، وعن دراسة حالة للكلام الطبي جعل فيها التكيف معدل خطأ الكلمات ينخفض من 30.8% إلى 11.8% عبر 3,619 مقطعًا، مع تحسّن المتحدثين المحتجزين من 22.44% إلى 12.17%. أما Microsoft فلا تقدم مسار ضبط دقيق على الإطلاق. بالنسبة إلى الصوت ذي اللكنات أو الضوضاء أو المشبع بالمصطلحات التخصصية — وهو تحديدًا الصوت الذي يتحول فيه متوسط 2.0% إلى واقع 25% — فإن القدرة على التكيف تستحق أكثر من نقطتين في ترتيب لوحة الصدارة. وتحكي مجموعة Perit الإنجليزية المراجَعة بشريًا القصة نفسها من الاتجاه المعاكس: فهي تضع MAI Transcribe 2 وGPT Transcribe على بُعد جزء من مئة من النقطة الواحدة بعضهما من بعض عند 1.76%، وهو تذكير بأن هذه اللوحات تتجمع بإحكام على الصوت النظيف وتتباعد على كل ما عدا ذلك.

الرابع هو أن MAI Transcribe 2 في معاينة عامة. تعني المعاينة عدم وجود التزام بوقت التشغيل، ولا فترة إشعار بالإهمال، ومجموعة ميزات يمكن أن تتغير تحتك. Nemotron 3.5 Transcribe عمره يوم واحد ولديه مشكلة نضج خاصة به — فلا تزال أدوات GGUF الخاصة به موصوفة بأنها ستتوفر قريبًا، ونسخه المحلية المكمّمة لم تُشحن بعد — لكن نقطة التحقق لا تُسحب منها صفة المعاينة.

التحوّط الذي لا يكلّف شيئًا

لا تحتاج معظم الفرق إلى الاختيار. شغّل واجهة API الرخيصة على الجزء الأكبر من قائمة الانتظار، ووجّه الملفات التي لا يمكنها مغادرة المبنى، أو الاجتماعات التي يجب أن يكون فيها إسناد المتحدثين صحيحًا، إلى نقطة التحقق. هذا المزيج أرخص من أي من الاستراتيجيتين الخالصتين، ويفشل بأمان: إذا انتهى السعر الترويجي من Microsoft عند رقم غير جذاب، فمسار الاستضافة الذاتية يكون جاهزًا مسبقًا؛ وإذا لم يصمد ادعاء النموذج المفتوح بشأن تمييز المتحدثين أمام صوتك، فإن واجهة API تكون موصولة بالفعل.

ما يجعل هذا التحوط مجديًا عمليًا هو إبقاء نصفَي خط المعالجة قابلَين للفصل. فالتعرّف على الكلام عقد واحد؛ أما الملخِّص والمصنِّف والموجِّه التي تستهلك النصوص المنسوخة فهي عقد آخر. وتغطّي OrcaRouter النصف الثاني بـأكثر من 200 نموذج نصي ومتعدد الوسائط خلف مفتاح واحد، مع تمرير أسعار القوائم المعلنة من المزوّدين بهامش ربح 0% — بحيث يصل تخفيض سعر أحد المزوّدين إلى فاتورتك في اليوم نفسه بدلًا من موعد تجديد العقد التالي — إضافةً إلى التبديل التلقائي عند الفشل ولغة توجيه DSL يمكنها توجيه فئات مختلفة من النصوص المنسوخة إلى نماذج مختلفة. لا يوجد MAI Transcribe 2 ولا Nemotron 3.5 Transcribe في ذلك الكتالوج، كما أننا لا نقدّم تحويل الكلام إلى نص إطلاقًا، لذا يبقى عقد النسخ حيث وقّعته. والفكرة فقط أن النموذج الذي يأتي لاحقًا في المسار منه لا ينبغي أن يكون ملحومًا بالمزوّد نفسه.

الحكم، من حيث الحجم

عند أقل من بضع مئات من الساعات الصوتية شهريًا تقريبًا، وبغياب أي قيد على إقامة البيانات وأي متطلب لإسناد المتحدثين يتجاوز المكالمات الثنائية، فإن MAI Transcribe 2 هو الخيار الأفضل شراءً على كل محور يظهر في جدول بيانات: أرخص، وأدق على المؤشر المشترك، وأسرع، ومتاح اليوم دون تجهيز مسبق. التسعير الترويجي خطر حقيقي ويستحق النمذجة عند ضعف أو ثلاثة أضعاف السعر الحالي، لكنه لا يمحو فجوة بمقدار ثلاثة مراتب عشرية.

فوق ذلك الحجم، أو مع أيٍّ من القيود الأربعة المذكورة أعلاه، ينقلب الحساب — لا لأن النموذج المفتوح أرخص لكل ساعة، بل لأن الساعات تتوقف عن كونها قابلة للشراء أصلاً. وتقوم حجة Nemotron 3.5 Transcribe على المتحدثين واللغات والمحلية والتكيّف والدوام، بهذا الترتيب تقريباً. أما حجة دقته فتستند إلى ادعاء من المورّد لا تدعمه لوحة النتائج العامة حالياً، وأي شخص يكرر «الأول بين الأوزان المفتوحة» وكأنه حسم المقارنة إنما يقتبس شريحة عرض لا قياساً.