Nemotron 3.5 Transcribe مقابل NVIDIA Parakeet TDT 0.6B: الحل المتصدر بـ626,000 عملية تنزيل يلتقي ببديله

أكثر من 626,000 عملية تنزيل على Hugging Face تعود إلى NVIDIA Parakeet TDT 0.6B، المحوّل ذو 600 مليون معامل الذي ظل أداة التعرف على الكلام الإنجليزية الافتراضية ذاتية الاستضافة منذ ظهوره في أغسطس 2025. ولا يكاد أيٌّ منها يشغّله وحده: فالنشر القياسي هو Parakeet للكلمات، وأداة منفصلة لتحديد المتحدثين، وخطوة دمج لربط المخرجين معاً عند حدود المقاطع. Nemotron 3.5 Transcribe، المنشور بأوزان مفتوحة في 28 أكتوبر 2026، هو عرض NVIDIA لحذف تلك الطبقة الوسيطة — نقطة تحقق واحدة تنسخ الكلام، وتفصل ما يصل إلى ثمانية أصوات وتضع لها طوابع زمنية، بأربعين لغة، دون سلسلة معالجة متتابعة. كما أنه أبطأ بمقدار ثلاث وأربعين مرة لكل ثانية GPU وأكبر على القرص بنحو خمس وعشرين مرة، وهو الجزء الذي لا يبدأ به الإعلان.

الأمر المثير للاهتمام في هذه المواجهة هو أن كلا الطرازين ينتميان إلى الشركة نفسها. هذه ليست حالة منافس قادم من الخارج ليزيح منتجًا قائمًا؛ بل هي NVIDIA تبيع لك منتجًا ثانيًا أثقل بكثير لأداء نصف المهمة التي لم يُصمّم منتجها الأول لها أصلًا.

معماريتان، ونظريتان للعمل

Parakeet TDT 0.6B v3 هو مُرمِّز FastConformer يغذّي مفكّك ترميز محوّل من نوع الرمز والمدة. يتنبأ نموذج TDT في كل خطوة برمز ومدة معًا، ما يتيح له تخطّي الإطارات والعمل بسرعة تتجاوز الزمن الحقيقي بفارق كبير؛ وهذا هو السبب الكامل وراء سرعته. ويغطي 25 لغة أوروبية مع كشف تلقائي للغة، ويحمل طوابع زمنية أصلية على مستوى الكلمة، ويُطرح بموجب CC-BY-4.0، وهي رخصة تكاد تكون الأقل تقييدًا على الإطلاق. ولا يمتلك أي تمثيل للمتحدث على الإطلاق — لا تمثيل ضعيف، بل ولا أي شيء.

Nemotron 3.5 Transcribe هو نموذج لغوي معزز بالكلام: مشفّر كلام، ونموذج Nemotron 3 Diarization المجمّد يحقن خصائص نشاط المتحدث عبر مشفّر خبير متوازٍ، وفكّاك هجين من نوع Mamba–Transformer بمزيج من الخبراء، مع نحو 4 مليارات من أصل 30 مليار معامل لديه نشطة لكل رمز. وهو لا يصنّف الإطارات. بل يولّد نصًا، ولهذا يمكن إخباره بكيفية توليده.

• المعلمات — حوالي 30 مليار إجمالًا، ونحو 4 مليارات نشطة لكل رمز مقابل 600 مليون.

• فك الترميز — التوليد الانحداري الذاتي مقابل محوّل الرمز والمدة، غير الانحداري الذاتي.

• الترخيص — OpenMDW-1.1 مقابل CC-BY-4.0.

اللغات — 40 لغة مدعومة بالنسخ النصي، و31 لغة تُترجم من الإنجليزية أو إليها، مقابل 25 لغة أوروبية مع الكشف التلقائي.

• المتحدثون — حتى 8، مع نسبة الكلام إليهم، بـ13 لغة مقابل لا شيء.

• الطوابع الزمنية — محاذاة CTC بعد فك الترميز، والتوقيت المنسوب إلى المتحدث مقابل التوقيت الأصلي على مستوى الكلمة.

• الإنتاجية — RTFx 462 على Open ASR Leaderboard مقابل RTFx 3,333.

مدة الصوت والبثّ — ساعة واحدة لكل ملف، التسجيل فقط مقابل التسجيل، مع نموذج شقيق للبثّ بحجم 0.6B يتولّى الصوت المباشر بشكل منفصل.

تتغير أرقام الدقة حسب من يقوم بالاستضافة.

على لوحة Hugging Face Open ASR Leaderboard، وفي متوسط اللغة الإنجليزية للكلام قصير الشكل، يأتي Parakeet TDT 0.6B v3 عند 6.34% وNemotron 3.5 Transcribe عند 5.33%. وهذا فارق بنقطة واحدة على اللوحة العامة ذاتها، وهو مقارنة أجدر بالاحترام من معظم المقارنات في هذه السلسلة — نفس إطار الاختبار، ونفس مجموعات الاختبار، وتقديمات البائعين أنفسهم. غير أنها لا تزال ليست الصورة كاملة، لأن المدخلين قُيّما في أوقات مختلفة، ولأن متوسط اللوحة يهيمن عليه الكلام المقروء النظيف.

يروي {{1}}Artificial Analysis{{/1}} قصة مختلفة تمامًا، ويستحق الأمر فهم السبب. في تلك اللوحة تأتي مشاركة {{2}}Parakeet{{/2}} عند 4.5%، متقدمة كثيرًا على ما يوحي به متوسط {{3}}Open ASR{{/3}} الخاص بها، بينما يقع {{4}}Nemotron 3.5 Transcribe{{/4}} عند 3.4%. نسبة 4.5% تخص إعدادات نقطة نهاية مستضافة، وليست نقطة التحقق الموجودة على عتادك الخاص، كما أن خيارات التجميع وفك الترميز التي يختارها الموزّع تحرّك الرقم بنحو نقطة مئوية. إن مقارنة نتيجة {{5}}Parakeet{{/5}} مستضافة بنتيجة مستضافة ذاتيًا هي الخطأ الأكثر شيوعًا في تغطية هذا الأسبوع، وينطبق ذلك في الاتجاه المعاكس أيضًا: فادعاء {{6}}NVIDIA{{/6}} بنسبة 2.8% عند إطلاق {{7}}Nemotron{{/7}} هو رقم مُرسَل، بينما نسبة 3.4% الحالية في لوحة الصدارة هي القياس.

الصورة المستقلة التي راجعها البشر أضيق نطاقًا حتى الآن. في مجموعة Perit الإنجليزية، يحل Parakeet TDT 0.6B v3 عند 2.13% لمعدل خطأ الكلمات، في المرتبة 14 من 22، مع نسخ 54% من المقاطع نسخًا مثاليًا. يقع GPT Transcribe وMAI Transcribe 2 عند 1.76% في المرتبتين السادسة والسابعة. نقطة التفتيش 30B لـ Nemotron 3.5 Transcribe ليست على تلك اللوحة على الإطلاق؛ أما نموذج nemotron-3.5-asr-streaming-0.6b الموجود عليها فيحل عند 3.35%، في المرتبة 21 — نموذج مختلف لمهمة مختلفة، ويُخطئ كثيرًا في اعتباره النموذج الذي يتناوله هذا المقال.

ما الذي يحذفه الاستبدال فعليًا

تتكون السلسلة المتتالية التي يشغّلها مستخدمو Parakeet اليوم من ثلاثة أجزاء وثلاثة أنماط فشل. تنتج أداة التعرّف نصًا مصحوبًا بتوقيتات الكلمات. وتنتج أداة تمييز المتحدثين أدوارًا للمتحدثين. ويقوم الدمج بإسناد الأدوار إلى الكلمات، ويفعل ذلك عبر استدلالات تداخل خاطئة تحديدًا حيث يهم الأمر — عندما يتحدث شخصان في آن واحد. وتستهدف الأرقام التي أعلنتها NVIDIA بنفسها للبديل ذي النموذج الواحد ذلك الفشل مباشرة: معدل خطأ تمييز المتحدثين 18.26% عبر 21 لغة في معيار David AI، وهو الأفضل بين 14 نظامًا؛ ومعدل خطأ الكلمات بأدنى تبديل متصل 32.4% في VoiceArena، وهو الأفضل بين 14، مع حلول سلسلة Multitalker Parakeet مع Nemotron 3 Diarization في المركز الثاني عند 34.2%؛ و8.32% من الكلمات المرجعية محذوفة في الكلام الإنجليزي المتداخل مقابل وسيط يقارب 31%.

تلك أرقام مورّد على منصة اختبار تابعة للمورّد، ولم يُعَد إنتاجها بشكل مستقل. لكن لاحظ ما هو الوصيف: نظام NVIDIA المتتالي الخاص، المبني من النموذج المذكور في عنوان هذه المقارنة. تنشر الشركة اختبارًا معياريًا يتفوق فيه منتجها الجديد على منتجها القديم مضافًا إليه أداة تحديد المتحدثين. وهذا دليل مباشر على نحو غير معتاد، وهو أيضًا نوع الأدلة التي تكون الجهة البائعة في أفضل وضع لإنتاجها وأقل احتمالًا لنشرها لو جاءت النتيجة على العكس.

الشيء الثاني الذي يحذفه البديل هو معالجة اللغات. يغطّي Parakeet 25 لغة أوروبية؛ أما Nemotron فيغطّي 40 لغة للنسخ و31 للترجمة من الإنجليزية أو إليها، مع إسناد المتحدث في 13 لغة. إذا كانت قائمة المهام لديك تتوقف عند الاتحاد الأوروبي، فإن هذا الفرق نظري لا أثر له. أما إذا كانت تشمل العربية أو الماندرين أو الهندية أو اليابانية، فإن Parakeet لم يكن خيارًا أصلًا، وتكون المقارنة بين Nemotron وشيء آخر بالكامل.

كم يكلفك استبداله

الإنتاجية أولًا. الفرق بين 3,333 RTFx لدى Parakeet و462 لدى Nemotron هو فرق 7.2× على منصة اختبار لوحة الصدارة نفسها — وهو فجوة أصغر مما توحي به نسبة المعاملات، لأن MoE لا ينشّط سوى نحو 4 مليارات من أوزانه البالغة 30 مليارًا لكل رمز، لكنها لا تزال فجوة حقيقية. إن ادعاء NVIDIA الأكثر جرأة، أي ما يصل إلى 2,238 ثانية من الصوت لكل ثانية على بطاقة RTX PRO 6000 Blackwell واحدة، يفترض نسخة نقطة تفتيش NVFP4 بالإضافة إلى نموذج مسودة DFlash2، وقُيس على مقاطع مدتها 30 ثانية عند تزامن مرتفع. لا يوجد خطأ في أي من الرقمين؛ فهما يقيسان تكوينين مختلفين، وأي خطة سعة مبنية على الرقم الأكبر ستخيب توقعاتك في الاجتماعات التي تستغرق ساعة.

البصمة، ثانياً. يتّسع Parakeet TDT 0.6B في بضعة غيغابايتات ويعمل بسلاسة على وحدة معالجة رسومات متوسطة المستوى، كما تعمل نسخه المكمَّمة على وحدات المعالجة المركزية. أما Nemotron 3.5 Transcribe فيبلغ حجمه عشرات الغيغابايتات بصيغة BF16، ويحتاج إلى vLLM مع إضافة NeMo Speech أو SGLang-Omni على مسرّع في مركز بيانات. ولا توجد نسخة من هذا يحلّ فيها نموذج 30B محلّ نموذج 0.6B على العتاد نفسه.

ثالثًا، النضج. يمتلك Parakeet عامًا من عمليات النشر، وألف إجابة في المنتديات، وسلسلة أدوات عاملة في NeMo وTransformers وبيئة تشغيل C++. أما Nemotron 3.5 Transcribe فعمره يوم واحد. ويوصف دعمه لـ GGUF وNeMo-Speech.cpp بأنه قادم قريبًا؛ ولم تُطرح نسخه المحلية المكمّاة بعد. إذا كان خط أنابيبك يحتاج إلى أن يكون مملًا، فهذا سبب للانتظار ربع سنة بدلًا من أن يكون سببًا لرفض النموذج.

حيث لا يزال شاغل المنصب يفوز فوزًا حاسمًا

أي شيء تفاعلي، على سبيل المثال. ففك الترميز بالمحوّل في Parakeet يعيد الكلمات فور وصول الصوت، وتُعدّ الطوابع الزمنية الأصلية فيه خاصيةً في مفكك الترميز نفسه لا خطوة مواءمة لاحقة. وقد بُني Nemotron 3.5 Transcribe صراحةً للصوت المسجّل — كما تقول منشور NVIDIA على Hugging Face — وهناك نموذج بثّ منفصل بحجم 0.6B للجلسات المباشرة. إذا كان منتجك يقدّم ترجمة حية، فليس أيٌّ من النموذجين في هذا العنوان هو الإجابة الصحيحة؛ بل النموذج الشقيق للبث، وهي مقارنة مختلفة.

أي نشر محلي على نطاق صغير، لشخصين. عيادة لديها بطاقة محطة عمل واحدة، وشركة محاماة لديها أرشيف ومسؤول امتثال، ومجموعة بحثية لديها منحة GPU واحدة: إن Parakeet بحجم 0.6B يمثل نشرًا واقعيًا، بينما Nemotron بحجم 30B لا يمثل ذلك. فرق الدقة البالغ نحو نقطة واحدة في الإنجليزية النقية لا يبرر تكلفة العتاد.

أي شيء بالإنجليزية فقط دون متطلب تحديد المتحدث، لثلاثة. وهو ما يمثل معظم أعمال النسخ. الخلاصة الصادقة هي أن معظم عمليات التنزيل البالغة 626,000 لـParakeet تخص مهام لا تُحسّنها الترقية.

إبقاء خط الأنابيب قائمًا حين يكون نصفه من عتادك الخاص

إن استضافة أداة التعرّف على الكلام على خوادمك تُدخل نمط فشل لا تملكه واجهات برمجة التطبيقات المُدارة: بطاقتك، وبرنامج التشغيل لديك، ونافذة الصيانة الخاصة بك. وهذا تحديدًا هو سبب الإبقاء على النصف الآخر من خط المعالجة — أداة التلخيص، وأداة التصنيف، وأداة الاستخراج التي تحوّل النص المفرّغ إلى سجلات مُهيكلة — على نقطة نهاية تتضمن التكرار المدمج. يشغّل OrcaRouter أكثر من 200 نموذج نصي ومتعدد الوسائط خلف مفتاح واحد، مع التحويل التلقائي عند الفشل بين المزوّدين عندما يتدهور أحد الأنظمة المنبع، وأسعار قوائم المزوّدين تُمرَّر بهامش ربح 0%، ولغة نطاق توجيه (DSL) تتيح لك توجيه محاضر الاجتماعات وملاحظات المكالمات إلى نماذج مختلفة دون تكرار عمليات التكامل. إن Nemotron 3.5 Transcribe وParakeet TDT 0.6B كلاهما خارج ذلك الكتالوج — نحن لا نقدّم خدمة تحويل الكلام إلى نص — لكن الطبقة التي تقرأ مخرجاتها لا يجب أن تفشل عندما تتعطل وحدة معالجة الرسومات.

قرار الترقية

استبدل Parakeet بـ Nemotron 3.5 Transcribe إذا كانت البنية المتتالية هي ما يضرك: إذا كنت تدير أداة تمييز متحدثين وخطوة دمج، أو إذا كانت اجتماعاتك تضم أكثر من صوتين، أو إذا كانت موادك الصوتية ليست أوروبية، أو إذا ظهرت عبارة "الكلام المتداخل" في تذاكر الدعم لديك. في هذه الحالة، نقطة التحقق 30B ليست ترفًا، بل هي إزالة جزأين متحركين وميزانية الخطأ الخاصة بهما، وتكلفة الإنتاجية هي تكلفة إنتاجية — فلا تزال بطاقة واحدة تعالج كمية صوت أكبر بكثير مما يستطيع فريق كثيف الاجتماعات إنتاجه.

أبقِ على Parakeet إذا كان صوتك إنجليزيًا أو أوروبيًا، وكان المتحدثون معروفين أو غير مهمين، وكانت أجهزتك محطة عمل، وكان خط معالجتك يعمل. النموذج الجديد لا يجعل القديم عتيقًا؛ فهو يغطي الحالات التي لم يُصمَّم لها القديم أصلًا. وواصل مراقبة لوحات الاختبار المستقلة، لأن كل رقم في هذا المقال يرجّح Nemotron 3.5 Transcribe في تمييز المتحدثين هو رقم NVIDIA نفسها، ولم يُنشر رأي ثانٍ بعد.