Nemotron 3.5 Transcribe مقابل Muse Voice Transcribe: أحدهما يعالج الاجتماع، والآخر يحضره
- OrcaجديدOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29110 tok/s
- OrcaجديدOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 95 tok/s
- OrcaجديدOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 278 tok/s
- OrcaجديدOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 93 tok/s
- MoonshotجديدMoonshotAI: Kimi K3.1 Pro2026-10-2446الذكاء
- OrcaجديدOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 لكل مليون رمز · 105 tok/s
- minimaxجديدMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaجديدOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 67 tok/s
- deepseekجديدDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekجديدDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 لكل مليون رمز · 101 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955الذكاء
- anthropicAnthropic: Claude Sonnet 5.52026-09-2854الذكاء
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 لكل مليون رمز · 180 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228الذكاء
- OpenAIOpenAI: GPT-6 Sol2026-09-2248الذكاء
- AnthropicAnthropic: Claude Opus 5.52026-09-2258الذكاء
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2127الذكاء
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2130الذكاء
- xAIGrok 4.72026-09-2134الذكاء
يحدد تسجيلان هذه المقارنة قبل أن يفعل ذلك أي اختبار مرجعي. أحدهما مكالمة تجري الآن، حيث يجب أن يواكب النص المكتوب المحادثة، ويجعل تأخر بثانيتين الأداة عديمة الفائدة. والآخر أرشيف لمدة ساعتين لمكالمات العملاء في الربع الأخير، حيث لا يهم أحدًا ما إذا كانت الكلمات تصل في 200 مللي ثانية أم في عشرين دقيقة. NVIDIA Nemotron 3.5 Transcribe، الذي صدر في 28 أكتوبر 2026 كنقطة حفظ غير متصلة مفتوحة الأوزان، مصمم للتسجيل الثاني. Meta Muse Voice Transcribe، الذي أطلقته Meta Superintelligence Labs في 1 سبتمبر 2026، مصمم للأول. تضع معظم صفحات المقارنة معدلات خطأ الكلمات الخاصة بها في عمود واحد وتكتفي بذلك، وهي بالضبط المقارنة التي لا يمكن إجراؤها.
الساعة، وليس معدل خطأ الكلمات
تُعدّ نموذج Meta طبقة إدراك تدفقية. فهو يستهلك الصوت في كتل مدتها 80 مللي ثانية، ويُصدر رموزًا مرنة، ويستخدم آلية «تأخير تكيفي» مدرَّبة بالتعزيز لتقرر كلمةً بكلمة مقدار السياق الذي ينبغي انتظاره قبل الالتزام بالنص. وتضع مواد إطلاق Meta، كما ورد في التقارير، الفجوة من نهاية الكلام إلى النص النهائي عند نحو 0.16 ثانية، ويُقدَّم النموذج عبر WebSocket للصوت المباشر أو نقطة نهاية HTTP لملفات المعالجة لمرة واحدة. كما يتولى بنفسه تحديد نقاط النهاية وكشف النشاط الصوتي، لذا تكون البنية المحيطة به رفيعة.
نموذج NVIDIA على الشكل المعاكس. تقول البطاقة ذلك بوضوح: «هذا نموذج يعمل دون اتصال»، وتضيف أن التقسيم الداخلي إلى أجزاء لا يجعل منه خدمة بث. تُسلِّمه ملفًا يصل طوله إلى ساعة فيُعيد إليك نصًا مكتوبًا. لا إخراج جزئي، ولا فرضية مؤقتة، ولا مقاطعة من المستخدم أثناء الكلام. وتبيع NVIDIA مُتعرِّفًا منفصلًا بحجم 0.6B للبث من أجل الصوت الحي؛ وهو نقطة تحقق مختلفة، لا وضعًا من أوضاع هذا النموذج.
إذن، فالأرقام الرئيسية مقاسة بأدوات مختلفة. تُبلغ Meta عن معدل خطأ في الكلمات قدره 3.1% وعن المركز الأول في لوحة صدارة تحويل الكلام إلى نص المتدفق لدى Artificial Analysis. وتذكر بطاقة NVIDIA متوسطًا قدره 4.71% عبر مجموعات Open ASR الإنجليزية العامة التسع، بينما يُظهر جدول النتائج غير المتدفقة لدى Artificial Analysis نسبة 3.4% لنقطة النهاية المنشورة — وتقول الأسئلة الشائعة الخاصة بها إن النسبة 2.8% للنموذج نفسه. هذه ثلاثة قياسات مختلفة لمهمتين مختلفتين. نسبة 3.1% نتيجة متدفقة؛ ونسبة 3.4% نتيجة دفعية على توزيع صوتي مختلف. وطرح إحداهما من الأخرى ينتج «فوزًا» بمقدار 0.3 نقطة لا يعني شيئًا، كما أن ضعف النموذج المتدفق على الصوت الطويل والمشوّش وذا اللهجات حقيقي لكنه غير مرئي في تلك الحسابات.
المتحدثون: قرابة العشرين مقابل ثمانية
فجوة فصل المتحدثين هي المكان الوحيد الذي تقيس فيه الأرقام الشيء نفسه تقريبًا، وهي كبيرة.
• سقف عدد المتحدثين — تعلن Meta عن أكثر من 20 متحدثًا في تسجيل واحد؛ وتدرّب NVIDIA على مخاليط تصل إلى ثمانية متحدثين، ولا تحدد بطاقة النموذج الخاصة بها أي حد أقصى أثناء الاستدلال.
• التداخل — توضح صفحة Meta نفسها أن فصل المتحدثين (diarization) ينطبق على «الكلام غير المتداخل». أما حجة NVIDIA المعمارية بأكملها فهي الكلام المتداخل: إذ يُحقن نشاط المتحدث من أداة فصل المتحدثين المجمّدة في المُشفّر حتى يتمكن النموذج من نسب الكلمات بينما يتحدث الناس فوق بعضهم بعضًا. هذا هو الادعاء الذي يقف خلف متوسط cpWER البالغ 15.80 على مجموعة NVIDIA متعددة المتحدثين.
• تغطية اللغات للتسميات — تخدم Meta أكثر من 25 لغة؛ وتدعم NVIDIA 40 لغة للنسخ، لكنها تحدد 13 منها لإخراج متعدد المتحدثين. الاجتماع باللغة التركية يُنسخ ولا يحصل على التسميات.
• تنسيق التسمية — تُصدر Meta أحرف متحدثين مجرّدة مثل "A"؛ بينما تُصدر NVIDIA وسومًا بنمط <spk:0> تعود بالربط إلى مقاطع تمييز المتحدثين.
إذا كانت حالة الاستخدام لديك عبارة عن جلسة نقاش، أو قاعة محكمة، أو مكالمة دعم تضم ثلاثة مشاركين يتداخلون في الكلام، فإن سقف المتحدثين الثمانية هو القيد الذي يحسم الأمر، وليس عمود WER. أما إذا كانت حالتك عبارة عن اجتماع عام يضم عشرين شخصًا يتناوبون الكلام في الغالب، فإن رقم Meta البالغ 20+ هو الرقم المهم، بينما يمثل رقم NVIDIA البالغ ثمانية حائطًا صلبًا.
اللغات: 25 مقابل 40، وليس أيٌّ من الرقمين كما يبدو عليه
تقول صفحة مطوري Meta نفسها إنها تدعم "أكثر من 25 لغة" وتدعم التبديل اللغوي داخل الجمل وفيما بينها، وهو أمر مهم للاجتماعات ثنائية اللغة. وذكرت تقارير الإطلاق أن النموذج دُرّب على أكثر من 70 لغة، مع التحقق الموسّع من 25 منها — وهو تمييز مفيد، لأن اللغة التي "دُرّبت" دون التحقق منها هي لغة ينبغي اختبارها قبل الوثوق بها. وتُدرج بطاقة NVIDIA 40 لغة مدعومة بالتعرف الآلي على الكلام (ASR)، و31 لغة بترجمة ثنائية الاتجاه من الإنجليزية وإليها، ومكوّنًا منفصلًا لتحديد اللغة بـ48 تسمية.
• إذا كنت بحاجة إلى اتساع التغطية الأوروبية — فإن لغات Meta الـ25 المعتمدة أضيق من لغات NVIDIA الـ40، لكن قائمة Meta تميل نحو اللغات التي يسجلها عملاء المؤسسات فعليًا.
• إذا كنت بحاجة إلى ترجمة — فإن NVIDIA وحدها هي التي تقوم بها. نموذج Meta يقوم بالنسخ؛ ولا يترجم النص المنسوخ إلى لغة أخرى.
• إذا كنت بحاجة إلى التبديل بين اللغات — تدّعي Meta أنها تدعمه أصلاً؛ بينما لا تذكر بطاقة NVIDIA أي شيء مماثل، كما أن فهمها الصوتي يقتصر على الإنجليزية بغض النظر عن لغة النسخ.
ما يحتويه النص المكتوب فعليًا
الطوابع الزمنية هي الموضع الذي يتحوّل فيه اختلاف يبدو زهيدًا إلى اختلاف باهظ التكلفة. توفّر Meta طوابع زمنية على مستوى الأدوار — أي حدود المقاطع، لا أزمنة لكل كلمة — ولا تكشف درجات الثقة على الإطلاق. وتوفّر NVIDIA طوابع زمنية للكلمات عبر محوّل CTC، مع تحفّظ مفاده أن الطوابع الزمنية غير متاحة عند تمكين مسودة فك التشفير التخميني DFlash2.
• الطوابع الزمنية — Meta على مستوى الدور؛ NVIDIA على مستوى الكلمة، ولكن ليس إلى جانب مسار فك الترميز الأسرع لديها.
• الثقة — لا تنشر Meta أي منها؛ كما لا تنشر NVIDIA الثقة لكل كلمة.
• تنسيق الإدخال — تشترط Meta أن يكون الصوت بصيغة PCM أحادي بقيمة 16 بت وتردد 16 أو 24 كيلوهرتز، وتخبرك بتحويل أي تنسيق آخر باستخدام ffmpeg؛ بينما تقبل NVIDIA الصوت الأحادي بتردد 16 كيلوهرتز وتتعامل مع الملف مباشرةً.
• التحفيز (Prompting) — كلاهما يحيّز المخرجات. وتقول وثائق Meta إن التحفيز بالكلمات المفتاحية واللغة "لا يفعل سوى دفع النموذج دفعًا لطيفًا ولا يضمن الإملاء". أما التحفيز السياقي من NVIDIA فيذكر انخفاض معدل خطأ الكلمات (WER) في الكيانات المسماة من 12.21% إلى 2.20% مع قائمة كيانات دقيقة التفصيل — وهو اختبار أجرته الشركة المورّدة، لكنه ادعاء أقوى بكثير، ويفترض آلية مختلفة عن مجرد دفعة لطيفة.
أنماط الإخراج — تُحدَّد أنماط NVIDIA الخمسة (الحرفي، والصيغة المكتوبة، والسياقي، والمنسوب إلى المتحدث، والغني) وفقًا للتعليمات. وتُعيد Meta تنسيقًا واحدًا وتتوقع منك المعالجة اللاحقة.
سعر الساعة الصوتية
تتقاضى Meta 3.00 دولارات لكل 1000 دقيقة، أي ما يعادل 0.18 دولار لكل ساعة من الصوت، دون نشر أي شرائح أسعار أو حصة مجانية. أما إدراج NVIDIA المُستضاف على Artificial Analysis فتبلغ تكلفته 2.00 دولار لكل 1000 دقيقة — أي نحو 0.12 دولار لكل ساعة — كما أن الأوزان متاحة للتنزيل مجانًا بموجب OpenMDW-1.1، لذا فإن الاستضافة الذاتية خيار ثالث لا تقدّمه Meta بأي سعر.
الحساب عند الأحجام الكبيرة واضح ولا يصب في مصلحة السعر الأرخص المعلن. ألف ساعة من الصوت شهريًا تكلف 180 دولارًا عبر Meta و120 دولارًا عبر نقطة نهاية Nemotron مستضافة. وعند الاستضافة الذاتية، تكلف نفس الألف ساعة أقل من ساعة من زمن GPU على RTX PRO 6000 Blackwell وفق ادعاء NVIDIA بشأن إنتاجية NVFP4 — لنقل إنها 2 دولار من الحوسبة بسعر GPU مستأجر، إضافة إلى التشغيل والتخزين والمهندس المسؤول عنها. عند 10,000 ساعة شهريًا، الفجوة بين 1,800 دولار وبضع مئات من الدولارات تغطي الكثير من تكاليف التشغيل؛ وعند 100 ساعة شهريًا، لا تغطي أيًا منها.
ما تشتريه الاستضافة الذاتية فعليًا ليس السعر، بل القدرة على تشغيل تحويل الكلام إلى نص على تسجيلات صوتية يحظر العقد مغادرتها لشبكتك، والقدرة على إبقاء خط المعالجة يعمل عندما تتدهور نقطة نهاية أحد المورّدين. هذان هما السببان اللذان يدفع من أجلهما الفرق الخاضعة للتنظيم مقابل وحدات معالجة رسومات (GPUs) كان بإمكانها استئجارها لولا ذلك.
أين ينكسر كل واحد
أنماط فشل Meta قريبة الصلة بزمن الاستجابة. ففصل المتحدثين فيها يفترض كلامًا غير متداخل، لذا ستخطئ مكالمة دعم محتدة فيها مقاطعات في تحديد أدوار التحدث. ولا يحتوي النص المنسوخ فيها على طوابع زمنية على مستوى الكلمات، ما يعطّل إنشاء الترجمات المرئية والبحث الصوتي وأي محاذاة لاحقة مع الفيديو. وعقد الإدخال فيها صارم، والتوجيه السياقي فيها إرشادي. ولا توفر الترجمة، ولا الإجابة عن الأسئلة الصوتية، ولا خيار الاستضافة الذاتية.
تتعلق أنماط فشل NVIDIA بأمور مجاورة لسير العمل. فهي لا تستطيع البث، وبالتالي لا يمكنها تقديم التعليقات النصية المباشرة أو وكلاء الصوت أو توجيه المكالمات في الوقت الفعلي. وفهمها للصوت مقتصر على اللغة الإنجليزية. والحد الأقصى لها هو ساعة واحدة لكل تسجيل. كما أن تكامل SGLang-Omni المرفق بها يغفل المخرجات المنسوبة إلى المتحدث والطوابع الزمنية للكلمات والترجمة، لذا فإن بعض ما تَعِد به البطاقة يتطلب مسار vLLM أو حاوية NIM. وقد يفشل أحيانًا في الإنهاء، وهو ما توصي البطاقة بالاحتراز منه.
لا تشكّل أي من مجموعتي الإخفاقات خللًا يصبّ في مصلحة النموذج الآخر. بل هما وجهان للمشكلة: نموذج حاضر أثناء حدوث الصوت، ونموذج يتقصّى الأمر بعد انتهائه.
إذا كنت بحاجة إلى كليهما، فإن خط الأنابيب ليس حلاً وسطاً
أكثر عمليات النشر الواقعية شيوعًا ليست خيارًا على الإطلاق. يمر الصوت المباشر عبر نقطة نهاية البث الخاصة بـ Meta، لأن ذلك هو السبيل الوحيد للحصول على نص أثناء حدوث المكالمة — الترجمة النصية، ومساعدة الوكيل، والبحث المباشر. ثم يُعاد نسخ التسجيل نفسه دون اتصال بواسطة نموذج NVIDIA المحفوظ خلال الليل، لأن تمريرة الدفعة تنتج نصًا أنظف وطوابع زمنية للكلمات منسوبة إلى المتحدثين، وعند الحاجة ترجمة إنجليزية لمكالمة غير إنجليزية. نسخة البث من النص هي للحظة الآنية؛ أما نسخة الدفعة فللسجل. الفرق التي تحاول فرض نموذج واحد في الدورين تنتهي عادةً إما بعرض مباشر متأخر أو بفاتورة بث مكلفة لصوت لا يراقبه أحد.
النصف اللاحق من خط المعالجة هذا — تلخيص المكالمات، وتقييم أداء الوكيل، وتنقية البيانات الشخصية، وتوجيه المحادثات المُعلَّمة إلى إنسان — هو عمل نصي عادي، ولا ينتمي إلى وحدة معالجة الرسومات (GPU) نفسها التي يعمل عليها ASR. يشغّل OrcaRouter تلك الاستدعاءات النصية خلف مفتاح واحد بهامش ربح 0%، مع تمرير سعر قائمة المزوّد دون تغيير، مع تجاوز فشل تلقائي عند تعثّر أحد المزوّدين، ولغة DSL للتوجيه تتيح إرسال التلخيص والتصنيف إلى نماذج مختلفة داخل سير عمل واحد. لا يوجد Meta Muse Voice Transcribe ولا NVIDIA Nemotron 3.5 Transcribe في كتالوج OrcaRouter؛ فالموجِّه يقع بعد النص المنسوخ، حيث يعيش عبء العمل النصي.
ثلاثة أسئلة تحسم الأمر أسرع من أي لوحة صدارة. كم من الوقت بعد وصول الصوت يجب أن يوجد النص؟ إذا كانت الإجابة "أثناء المكالمة"، فالقرار قرار Meta ونقاش WER مجرد زينة. كم عدد الأشخاص الذين يتحدثون في آن واحد، وهل يتداخل كلامهم؟ إذا كانت الإجابة "أكثر من ثمانية، ونعم"، فتلك ساحة NVIDIA. وهل يُسمح للصوت بمغادرة شبكتك؟ إذا كانت الإجابة لا، فلا يمكن نشر سوى واحد من هذين النموذجين على الإطلاق.
كل ما عدا ذلك — نسبة 3.1%، ونسبة 4.71%، ومبلغ 0.18 دولار — هو عامل ترجيح بين منتجين صُمّما للحظات مختلفة في الاجتماع نفسه.
