Nemotron 3.5 Transcribe مقابل Voxtral 3: فجوة النقطتين التي لا تحسم المقارنة

نموذج واحد، وثلاثة معدلات لخطأ الكلمات. تسرد Artificial Analysis NVIDIA Nemotron 3.5 Transcribe بنسبة 3.4% على لوحة الصدارة غير التدفقية الخاصة بها؛ وتصفها الأسئلة الشائعة في الصفحة نفسها بنسبة 2.8%. وفي المقابل، Mistral Voxtral 3 — العائلة التي تُطرح باسم Voxtral Small Transcribe 3 — تحلّ عند 2.1%، في المركز الثالث على تلك اللوحة، ومتقدمة بنحو نصف نقطة مئوية على أفضل رقم نشرته NVIDIA. إذا اعتبرت نسبة 3.4%، تبدو الفجوة حاسمة. وإذا اعتبرت نسبة 2.8%، فهي داخل نطاق الضوضاء الذي أظهره هذا المؤشر عبر نقاط نهاية الخدمة. وإذا نظرت إلى الدرجة الفرعية التي تغطي الصوت الحواري، ينعكس الترتيب.

رقمان لطراز واحد، وليس أي منهما كذبة.

تأتي النسبتان 3.4% و2.8% من لوحة الصدارة نفسها في اليوم نفسه. وهما تختلفان لأن AA-WER v2 يُحتسب مقابل شريحة تقييم محددة عبر نقطة خدمة محددة، وقد تحرّك المؤشر تاريخياً بما يقارب نقطة كاملة بين مزوّدين يشغّلون نقطة التفتيش نفسها. نسبة NVIDIA البالغة 2.8% هي الرقم الذي تذكره الشركة في مواد الإطلاق؛ أما 3.4% فهي ما تعرضه اللوحة لنقطة الخدمة التي اختبرتها فعلاً. لا أيٌّ منهما مُلفّق، ولا ينبغي طرح أيٍّ منهما من نسبة Mistral البالغة 2.1% كما لو أن الاثنين قيسا على عتاد متطابق، وبدقة متطابقة، وعلى صوت متطابق.

هذا لا يجعل الفارق بلا معنى. بل يجعله نطاقًا: ما بين 0.6 و1.3 نقطة لصالح Voxtral على مؤشر الدُفعات، مع اعتماد القيمة الحقيقية على نقطة النهاية التي تستخدمها. بالنسبة إلى نشر خدمة عملاء تكلّف فيه كل نقطة من WER دقائق مراجعة بشرية، فهذا يستحق المال. أما بالنسبة إلى منتج ملاحظات اجتماعات يمرّ فيه إنسان على المخرجات مرورًا سريعًا على أي حال، فليس كذلك.

من أين يأتي الاختلاف في الواقع

مؤشر AA هو متوسط على ثلاثة مكونات: VoxPopuli وEarnings-22 وAgentTalk. المكونان الأولان كلام مقروء ومكالمات أرباح — نظيفة، أحادية المتحدث، جيدة التسجيل، من نوع الصوت الذي يتعامل معه كلا النموذجين جيدًا. AgentTalk حوارية وأكثر ضوضاءً. في تلك الشريحة، يُقال إن نموذج NVIDIA يسجل 1.8% مقابل 2.3% لـ Voxtral Small، وهو انقلاب حقيقي وأكثر رقم مثير للاهتمام في المقارنة.

• VoxPopuli وEarnings-22 — يتصدر Voxtral Small؛ هذه المجموعات تكافئ نموذجًا مضبوطًا على الكلام الطويل النظيف.

• AgentTalk — يتقدّم Nemotron بنسبة 1.8% مقابل 2.3% على الصوت الحواري الذي يشبه مكالمة دعم فعلية أو اجتماعًا يتخلّله تداخل في الكلام.

• المؤشر الإجمالي — Voxtral Small عند 2.1%، وNemotron بين 2.8% و3.4%. تحمل مكونات الكلام النقي وزنًا كافيًا لإنتاج هذا الترتيب.

هذا النمط متسق مع البنيتين. فـ Voxtral Small نموذج نسخ مُدرَّب ليكون بارعًا في النسخ؛ أما نقطة حفظ NVIDIA فهي نموذج لغوي مزوّد بمشفّر صوتي مثبّت في المقدمة، والنماذج اللغوية تميل إلى الأداء بشكل أفضل عندما يكون الصوت فوضوئيًا والسياق حواريًا. وهذا يفسر أيضًا لماذا لا تقع أكبر الانتصارات المعلنة لـ NVIDIA في WER النظيف على الإطلاق: 15.80 متوسط cpWER في الكلام المتداخل المنسوب إلى المتحدث، وWER للكيانات المسماة الذي ينخفض من 12.21% إلى 2.20% عند تقديم قائمة كيانات.

جداول المورّد لا تتداخل هي الأخرى أيضًا.

تنشر Mistral متوسطًا ماكرويًا لنسبة معدل خطأ الكلمات (WER) على مجموعة FLEURS-45: 4.1% للغة المفروضة و4.0% لللغة المستنتجة بالنسبة إلى Voxtral Small Transcribe 3، مقابل 4.6% لنظيره 4B Mini و16.0% لـ Whisper large-v3. وتنشر NVIDIA لوحة Open ASR Leaderboard: 4.71% كمتوسط عبر تسع مجموعات إنجليزية و4.62% عبر سبع مجموعات متعددة اللغات. وكلاهما عبارة عن منصات اختبار تديرها الجهات الموردة على مجموعات بيانات مختلفة وبتطبيع مختلف، والتطابق شبه التام في القيم مصادفة، وليس مقارنة وجهاً لوجه. أي شخص يعرض 4.0 مقابل 4.62 على أنه فوز بفارق 0.6 نقطة إنما يقارن نتيجة FLEURS بنتيجة Open ASR.

أرقام فصل المتحدثين تعاني المشكلة نفسها لكن في الاتجاه المعاكس. إذ تُبلغ Mistral عن معدل خطأ الكلمات المتسلسل بأقل تبديل ممكن (WER) قدره 18.4% على AMI وSwitchboard وCallHome وAISHELL-4. وتُبلغ NVIDIA عن متوسط cpWER قدره 15.80 على مجموعتها الخاصة متعددة المتحدثين. رقم NVIDIA أقل ومجموعتها مختلفة؛ ومن دون مجموعة بيانات مشتركة، فإن البيان الوحيد القابل للدفاع هو أن كلا الشركتين تعتقدان أنهما تفوقتا على المسارات المتتالية المتخصصة التي اختبرتا مقابلها، ولم تنشر أي منهما تجربة على بيانات الأخرى.

ما الذي يفعلُه Voxtral 3 ولا يستطيع Nemotron فعله

إصدار Mistral هو عائلة وليس نقطة تحقق (checkpoint)، وتغطي العائلة مجالات لا يغطيها نموذج NVIDIA الواحد غير المتصل.

• اتساع نطاق اللغات — يغطي Voxtral Small Transcribe 3 أكثر من 50 لغة، بما في ذلك جميع اللغات الرسمية الـ24 في الاتحاد الأوروبي؛ بينما تغطي NVIDIA 40 لغة، مع تسميات المتحدثين في 13 منها.

• في الوقت الفعلي — يعمل Voxtral Mini Transcribe Realtime 3 على البث بزمن استجابة أقل من 500 مللي ثانية بتكلفة 0.008 دولار لكل دقيقة، مع نسبة خطأ كلمات WER تبلغ 7.4% عند تأخير 240 مللي ثانية و5.7% عند 2,400 مللي ثانية. ولا يوفّر NVIDIA أي وضع بثّ لهذه نقطة التحقق بأي سعر.

• وكلاء صوتيون — أطلقت Voxtral 3 حزمة تطوير برمجيات (SDK) لوكلاء صوتيين مبنية على LiveKit، تربط النسخ النصي، ونموذج استدلال مع استدعاءات أدوات، وتوليد الكلام، مع المقاطعة أثناء التحدث والاتصالات الهاتفية عبر SIP. هذه فئة منتجات كاملة لا تعالجها نقطة التحقق الخاصة بـ NVIDIA.

• بساطة تشغيلية — تسعير بالدقيقة، دون GPU، ودون حزمة خدمة، ونقاط نهاية في الاتحاد الأوروبي والولايات المتحدة وعالمية. وبالنسبة لفريق بلا بنية تحتية، هذا هو الفرق بين تكامل يستغرق يومين وآخر يستغرق شهرين.

• التحيز السياقي — استدعاء العبارات المفتاحية بنسبة 94.6% مع السياق مقابل 81.4% بدونه، على Earnings-22. قابل للمقارنة من حيث الجوهر بآلية قائمة الكيانات لدى NVIDIA، وتم قياسه على مجموعة نصوص مختلفة.

ما الذي يستطيع Nemotron فعله ولا يستطيع Voxtral 3 فعله

القائمة العكسية أقصر، لكنها أثقل على المشتري المناسب.

• أوزان مفتوحة — OpenMDW-1.1، يُسمح بالاستخدام التجاري، ومنشورة بصيغ BF16 وFP8 وNVFP4 وGGUF. تعرض صفحة Mistral الوصول عبر API و«النشر الذاتي على بنيتك التحتية الخاصة» عبر Mistral، واعتبارًا من وقت النشر لا تنشر أي أوزان أو ترخيص أو نقطة حفظ. إذا كان فريق الامتثال لديك بحاجة إلى تدقيق الأصل، فلا يوجد سوى واحد من هذه يمكن تدقيقه.

• تمريرة واحدة لمدة ساعة — سياق يتسع لـ 65,536 رمزًا وتسجيلات تصل مدتها إلى ساعة. لا تنشر Mistral حدًا أقصى لطول التسجيل أو لنافذة السياق الخاصة بـ Voxtral 3، وهذا بحد ذاته سبب يدعو إلى الاختبار قبل الاعتماد على سير عمل للمحتوى الطويل.

• الترجمة — 31 لغة في الاتجاهين من وإلى الإنجليزية. توثّق صفحة إطلاق Voxtral 3 النسخ الصوتي وتمييز المتحدثين والتحيّز السياقي؛ لكنها لا توثّق مهمة ترجمة الكلام بالطريقة التي توثّقها نقطة التحقق الخاصة بـ NVIDIA.

• إخراج قابل للتوجيه — خمسة أنماط لنصوص النسخ تُختار بالتوجيه، بدلًا من تنسيق واحد مع معالجة لاحقة.

• فهم الصوت — الإجابة عن الأسئلة واتباع التعليمات المنطوقة على التسجيل. الإنجليزية فقط في نقطة التحقق هذه، وغير موثّقة في أي من مواد إطلاق Voxtral 3.

مقارنة التكلفة ليست متقاربة، وهذا هو المقصد.

Voxtral Small Transcribe 3 يكلف $0.0040 لكل دقيقة، أو $0.24 لكل ساعة صوت. أما 4B Mini فيكلف $0.0035، أو $0.21 لكل ساعة. تبلغ تسعيرة NVIDIA المستضافة $2.00 لكل 1,000 دقيقة، أو $0.12 لكل ساعة. الاستضافة الذاتية حساب مختلف تمامًا: بمعدل NVIDIA المعلن البالغ 2,238 ثانية من الصوت لكل ثانية على بطاقة RTX PRO 6000 Blackwell واحدة، فإن ألف ساعة من الصوت — 3.6 مليون ثانية — تستغرق نحو 27 دقيقة من وقت GPU. وحتى عند نصف هذه الإنتاجية، وهو ما تقول NVIDIA إن التكامل مفتوح المصدر يقدّمه، فإن ذلك يقل عن ساعة.

• 1,000 ساعة شهريًا — Voxtral Small بسعر $240، وVoxtral Mini بسعر $210، وNemotron المستضاف بسعر $120، وNemotron ذاتي الاستضافة نحو $2 من وقت GPU بمعدل إيجار $2/ساعة، بالإضافة إلى العمليات.

• 10,000 ساعة شهريًا — 2,400 دولار، و2,100 دولار، و1,200 دولار، ونحو 20 دولارًا من وقت GPU على التوالي.

• المشكلة — يفترض مسار الاستضافة الذاتية أنك تملك بالفعل وحدة GPU، ومنظومة تقديم الخدمة، وشخصًا قادرًا على إبقائها تعمل. فوحدة RTX PRO 6000 واحدة تمثل عملية شراء رأسمالية بمبلغ من خمسة أرقام؛ وعند 1,000 ساعة شهريًا لن تسترد تكلفتها قبل إطلاق الجيل التالي. أما عند 10,000 ساعة، فتسترد تكلفتها خلال أشهر.

• الثغرة الأخرى — تعتمد أرقام معدل الإنتاجية تلك على NVFP4 بالإضافة إلى نموذج المسودة DFlash2، وهذا المزيج يعطّل الطوابع الزمنية للكلمات. إذا كنت بحاجة إلى المحاذاة، فأنت تستخدم إعدادًا أبطأ من ذلك المذكور في جدول التسويق.

لذا تنقسم حجة التسعير بحسب الحجم وبحسب ما إذا كان يمكن للصوت مغادرة شبكتك. سعر Mistral لكل دقيقة رخيص بما يكفي بحيث لا ينبغي لمعظم الفرق التي تقل ساعاتها عن بضع مئات من الساعات شهريًا أن تفكر في وحدات GPU على الإطلاق. فوق عشرة آلاف ساعة، تصبح الاستضافة الذاتية لنقطة تحقق مفتوحة الخيار الأرخص بعشرة أضعاف تقريبًا، ويبقى العبء التشغيلي هو السؤال الحقيقي الوحيد.

اختبار الخمسين ساعة

كل رقم مما سبق هو تسجيل صوتي لشخص آخر. قبل اعتماد أي من الطرازين في مسار الإنتاج، حوّل خمسين ساعة من تسجيلاتك الخاصة إلى نصوص باستخدام كليهما، وقيّمهما بالطريقة التي سيقيّم بها مستخدموك: صحة الكيانات المسماة، وصحة أدوار المتحدثين، وصحة الأرقام ومبالغ العملات، واللكنات المحددة لدى عملائك. لن يخبرك مؤشر AA بأي الطرازين يتعامل بشكل أفضل مع مركز اتصال في غلاسكو، ولن تفعل ذلك أداة الاختبار الخاصة بأي من المورّدين كذلك.

ذلك الاختبار هو أيضًا الموضع الذي يكون فيه الموجّه مفيدًا لشيء آخر غير التكلفة. يضع OrcaRouter نداءات النص اللاحقة — التلخيص، واستخراج الكيانات، وإخفاء المعلومات الحساسة، وترجمة النص المفرّغ النهائي — خلف مفتاح واحد بهامش ربح 0%، مع تمرير سعر قائمة المزوّد كما هو، والتبديل التلقائي عند الفشل بين المزوّدين، ولغة توجيه DSL يمكنها إرسال مراحل مختلفة إلى نماذج مختلفة في سير عمل واحد. لا يوجد Nemotron 3.5 Transcribe ولا Voxtral 3 في كتالوج OrcaRouter، لذا لا يساعدك الموجّه على استدعائهما؛ بل يساعدك على معالجة ما يعيدانه دون تأسيس علاقة مورّد ثانية لطبقة النص.

يعتمد الحكم على الجملة التي تصف مشكلتك. فإن كانت "نحتاج إلى نسخٍ دقيقٍ بخمسين لغة، ولا نريد امتلاك وحدة معالجة رسومات، وزمن الاستجابة مهم"، فإن Voxtral Small Transcribe 3 هو المنتج الأفضل، ونسبة 2.1% سببٌ حقيقي. وإن كانت "نحتاج إلى نصوصٍ منسوبةٍ إلى المتحدثين لاجتماعاتٍ تستغرق ساعة، وإلى ترجمة، وإلى مخرجٍ يستطيع فريق الامتثال لدينا فحصه"، فإن Nemotron 3.5 Transcribe هو الخيار الوحيد في هذه القائمة الذي يلبي المطالب الثلاثة جميعًا، ونقطة واحدة في معدل خطأ الكلمات (WER) في الكلام المقروء النظيف هي ثمن ذلك. وإن كانت "نحتاج كليهما"، فالإجابة الصادقة هي أنهما ليسا بديلين، والفرق التي تحقق أقصى استفادة من هذا الجيل تشغّل أحدهما للصوت المباشر والآخر للأرشيف.