Nemotron 3.5 Transcribe مقابل Whisper Large v3 Turbo: بصمة أكبر بـ 40× مقابل نقطة واحدة في معدل خطأ الكلمات

إذا كانت مهمة النسخ لديك عبارة عن مجلد من مقاطع مقابلات أحادية القناة مدتها ثلاث دقائق، والجهاز الذي تملكه بطاقة محطة عمل بسعة 24GB، فإن المقارنة بين Nemotron 3.5 Transcribe وWhisper Large v3 Turbo محسومة قبل أن تحضر الدقة إلى النقاش. نموذج NVIDIA الجديد هو نظام كلامي بـ34 مليار معامل جرى التحقق من صحته على مسرّع 80GB. أما النسخة Turbo من OpenAI فهي نموذج بـ809 ملايين معامل يتسع في 0.8GB من أوزان int8 ويعمل على CPU. تتم مقارنتهما هذا الأسبوع لأن معدلات الخطأ لديهما جاءت ضمن نحو نقطة واحدة من بعضها، وهذه أقل حقيقة مفيدة عن هذه المقارنة الثنائية.

صدر Nemotron 3.5 Transcribe في 2026-10-28 بأوزان مفتوحة بموجب رخصة OpenMDW-1.1، التي تسمح بالاستخدام التجاري. أما Whisper Large v3 Turbo فهو من 2024-10-01 ومرخّص بموجب MIT؛ وهو ليس خبرًا، بل هو خط الأساس الذي يُقاس عليه كل نموذج كلام جديد. السؤال الذي تجيب عنه هذه المقالة ليس أيّهما يحقق نتائج أفضل — إذ يودّ كلا المورّدين أن تقرأها بهذه الطريقة — بل أيّهما يمكنك تشغيله فعلاً، وبأي تكلفة، على الصوت الذي لديك.

ما هو كل نموذج في الواقع

اختلاف البنية ليس فجوة بين الأجيال. إنه اختلاف في الفئة، ويفسّر تقريبًا كل المقايضات اللاحقة.

• البنية المعمارية — نموذج لغوي كبير هجين من نوع Mamba–Transformer بمزيج خبراء، مع مُرمِّز كلام ومُرمِّز تمييز متحدثين مُجمَّد بحجم 99M مدمجين فيه، بإجمالي نحو 34B مع 4.3B نشطة لكل رمز، مقابل مُرمِّز–مُفكِّك مُقطَّر من large-v3 مع تقليص مُفكِّكه من 32 طبقة إلى 4.

• نافذة الصوت — تُعالَج التسجيلات التي تصل مدتها إلى ساعة واحدة في تمريرة واحدة، مقابل نافذة ثابتة مدتها 30 ثانية مع فك ترميز مُجزّأ للتسجيلات الطويلة لأي مدة أطول.

• تسميات المتحدثين — مدمجة في المخرجات، لما يصل إلى 8 متحدثين، في 13 لغة، مقابل عدم وجودها إطلاقًا؛ فلا يملك Whisper أي رمز للمتحدث في مفرداته، ولذلك فإن أداة منفصلة لتمييز المتحدثين أمر إلزامي.

• توقيت على مستوى الكلمة — يعمل محوّل CTC خفيف الوزن على محاذاة النص المفرّغ النهائي مع الصوت، مقابل رموز الطوابع الزمنية على مستوى المقطع فقط، إذ يتطلب توقيت الكلمات محاذاة قسرية.

• تغطية اللغات — 40 لغة تُنسخ نصيًا، و31 تُترجم من الإنجليزية أو إليها، و13 مع نسب المتحدث، مقابل 99 لغة تُنسخ نصيًا دون ترجمة.

• الأوزان على القرص — نحو 68GB بتقنية BF16 بموجب OpenMDW-1.1، مقابل 1.6GB عند fp16، و0.81GB لـ int8، بموجب MIT.

أرقام الدقة لا تتماشى، وهذا هو المغزى.

يشغّل Artificial Analysis المؤشر العام الوحيد الذي يظهر فيه كلا النموذجين على المقياس نفسه، وأرقامه جديرة بالقراءة بعناية لأنها تتناقض فيما بينها. في جدول لوحة الصدارة، يُدرَج Whisper Large v3 Turbo بنسبة 4.6% AA-WER على نقطة نهاية واحدة للاستدلال السريع و5.5% على نقطة ثانية. ويُدرَج Nemotron 3.5 Transcribe بنسبة 3.4% لنقطة نهاية مستضافة. ويذكر إعلان NVIDIA نفسه نسبة 2.80% AA-WER، متعادلًا على المركز الأول بين النماذج مفتوحة الأوزان، ويكرر القسم النثري في لوحة الصدارة نفسها نسبة 2.8% بينما يحمل جدولها 3.4% — تناقض داخل صفحة واحدة، قبل أن يبدأ أي شخص بمقارنة البائعين.

خذ الجدول كما هو ظاهريًا، فـ Nemotron 3.5 Transcribe أفضل بنحو 1.2 نقطة. لاحظ الآن أن إدخالي Whisper Large v3 Turbo نفسهما يختلفان بمقدار 0.9 نقطة على النموذج نفسه. معظم الفجوة الظاهرة بين هذين النظامين تعود إلى إعداد نقاط النهاية — التجميع، وإعدادات فك الترميز، والمعالجة المسبقة للصوت — وليس إلى البنية. أي شخص يستشهد بفارق WER واحد كحكم نهائي إنما يستشهد برقم يتغير بما يقارب المقدار نفسه عندما تغيّر المضيفين.

يقدّم لوحة Open ASR Leaderboard قصة تبدو أكبر. يبلغ متوسط الإنجليزية للنصوص القصيرة لدى Whisper Large v3 Turbo نحو 7.8% هناك، بينما تذكر NVIDIA أن نموذجها يحقق 4.71% عبر تسع مجموعات اختبار في صفحة البحث، و5.33% متوسط WER الإنجليزي في منشور Hugging Face المرافق. هذه خلطات اختبار مختلفة بتطبيع مختلف، لذا فإن فجوة الثلاث نقاط مؤشرية في أفضل الأحوال. الأهم هو ما لا يوجد: مقارنة رأسًا برأس من المورّد مع Whisper Large v3 Turbo. تقارن NVIDIA نموذجها بأنظمة فصل المتحدثين المتتالية وبنماذج كلام أخرى مفتوحة الأوزان، وليس بنقطة التفتيش turbo التي يشغّل معظم الفرق اليوم. كل رقم «يتفوق على Whisper» متداول هو استنتاج عبر مقاييس الأداء، بما في ذلك أرقامنا.

فجوة القدرات التي لا يستطيع Whisper سدّها

إذا وضعنا جانبًا المخرجات المستندة إلى المطالبة، فإن الفرق العملي هو أن Nemotron 3.5 Transcribe يُنتج نصوصًا منسوبة إلى المتحدثين في تمريرة واحدة. تأتي وسوم المتحدثين من مُرمِّز تمييز المتحدثين المُجمَّد المدمَج في ميزات الصوت، وتحمل الاستجابة مقاطع المتحدثين الخام إلى جانب النص الموسوم، ويضع النموذج عليها وسومًا من <spk:0> إلى <spk:7>. بالنسبة إلى بودكاست بشخصين، هذا تسهيل. أما في جلسة استماع تأديبية مدتها 60 دقيقة، أو زيارة لممارس سريري، أو مكالمة مبيعات متعددة الأطراف، فهو المنتج بعينه.

لا يستطيع Whisper Large v3 Turbo التعبير عن المتحدث إطلاقًا. فلم تحمل نصوصه التدريبية يومًا تسميات للمتحدثين، كما أن مدخله يُخفض إلى صوت أحادي القناة بتردد 16 كيلوهرتز، وهو ما يُتلف الإشارة الفيزيائية الوحيدة التي ربما كانت ستنجو. وطلب إنتاج تسميات منه يُنتج نصًا يبدو صحيحًا لكنه لا يستند إلى الصوت. الحل المعتاد هو WhisperX: محاذاة قسرية لتوقيت الكلمات، إضافةً إلى نموذج منفصل لتمييز المتحدثين مستضاف بشكل مستقل، ويُدمجان عند حدود المقاطع. إنه يعمل، وهو منتشر على نطاق واسع، لكنه ثلاثة مكونات متحركة حيث يكون Nemotron 3.5 Transcribe مكوّنًا واحدًا.

تنطبق الميزة البنيوية نفسها على الصوت الطويل. فتمريرة واحدة على ساعة كاملة تتفوّق على تجميع نوافذ من 30 ثانية، ولتجميع النوافذ نمط فشل معروف: فكّ الترميز دون رموز الطوابع الزمنية يُسقِط كلمات عند كل حدّ تقريبًا — فقد حديثٌ مقيسٌ مدّته 20 دقيقة نحو 3% من كلماته بهذه الطريقة. ومحوّل CTC في Nemotron 3.5 Transcribe موجود تحديدًا لتجنّب هذه الفئة من الأخطاء، مع الإشارة إلى أن الطوابع الزمنية للكلمات لم تكن جزءًا من دعم vLLM الأولي.

في المهام التي بُني من أجلها، فإن أرقام NVIDIA المعلنة قوية وهي أرقامٌ مُبلَّغ عنها من الشركة المصنعة: 18.26% DER عبر 21 لغة على معيار David AI لتمييز المتحدثين، الموصوف بأنه الأفضل بين 14 نظامًا؛ و32.4% cpWER على VoiceArena، وهو أيضًا الأفضل بين 14. ويُعزى إلى قوائم الكيانات السياقية، المقدَّمة في الموجّه، انخفاضٌ بمقدار ستة أضعاف في أخطاء الكيانات المسماة على ContextASR-Bench. ولا يوجد أي من ذلك تكرار مستقل حتى الآن، وكل ذلك ادعاء حول نموذج عمره يوم واحد.

المجالات التي لا يزال فيها Whisper Large v3 Turbo يتفوق بلا منازع

اتساع اللغات هو الإجابة الأولى، وهو أقل إثارة للملل مما يبدو. يغطي Whisper Large v3 Turbo ‏99 لغة. ويغطي Nemotron 3.5 Transcribe ‏40 لغة للنسخ، و31 للترجمة، و13 لإسناد المتحدثين. إذا كانت قائمة الانتظار لديك تضم الكازاخية أو التاميلية أو السواحيلية أو الويلزية، فالمقارنة تنتهي عند هذا الحد: نموذج turbo ينسخها، بينما النموذج الأحدث والأكبر لا يدّعي ذلك.

الإجابة الثانية هي عقبات النشر. يعمل Whisper Large v3 Turbo ضمن whisper.cpp وfaster-whisper وMLX، على CPU، وعلى حاسوب محمول، وعلى Jetson. أما Nemotron 3.5 Transcribe فيتطلب vLLM 0.32.0 إضافةً إلى إضافة NeMo Speech، أو SGLang-Omni 0.2.0، على H100 بسعة 80GB بصيغة BF16، أو L40S بصيغة FP8، أو RTX 5090 بصيغة NVFP4. هذه ليست التزامات تشغيلية قابلة للمقارنة.

الثالث هو أن سعر turbo هو سعر معلن وممل بالساعة. تتفوتر نقاط النهاية المستضافة بنحو 0.04 دولار لكل ساعة صوتية مع حد أدنى عشر ثوانٍ، ويعمل بسرعة تعادل نحو 250 ضعف الزمن الحقيقي على نقطة نهاية سريعة. وتكلف ألف ساعة صوتية نحو 40 دولارًا. لا يوجد لدى Nemotron 3.5 Transcribe سعر قائمة معلن للنسخة الكاملة (checkpoint)، كما أن نقاط النهاية المستضافة التي توفره لا تنشر أسعارًا بالدقيقة.

تحقق من أي إصدار من Nemotron 3.5 تقوم بقياس أدائه

الخطأ الأكثر شيوعًا في تغطية هذا الأسبوع هو مقارنة النموذج الخطأ. فحصة كبيرة من مقارنات "Nemotron 3.5" المنشورة تقيّم في الواقع nvidia/nemotron-3.5-asr-streaming-0.6b — وهو نموذج تدفقي بحجم 0.6B واعٍ بالذاكرة المؤقتة من إصدار سابق، وله أرقامه الخاصة ونقاط ضعفه الخاصة. وإذا ذكر جدول مقاطع من 80ms إلى 1120ms، فهو لا يختبر Nemotron 3.5 Transcribe. وهذا مهم لأن النموذج التدفقي يخسر أمام Whisper Large v3 Turbo في الدقة الخام في المقارنات الواقعية (3.35% مقابل 2.55% على أحد لوحات الصدارة متعددة اللغات)، ويخسر بشدة في محاذاة الكلمات، بينما النموذج المطروح هنا هو نظام مختلف غير تدفقي بحجم 34B.

الفخ الثاني هو تقديم الخدمة. المسار السهل، SGLang-Omni 0.2.0، يمنحك نقطة نهاية عاملة دون NeMo — ودون طوابع زمنية أو تسميات متحدثين أو ترجمة. أما المسار الكامل، vLLM 0.32.0 مع إضافة NeMo Speech، فيمنحك الثلاثة جميعًا، لكن الطوابع الزمنية على مستوى الكلمة وصلت كتحديث لاحق بدلًا من أن تكون ضمن طلب السحب (PR) الأول. وهكذا يمكن لثلاث وصفات نشر تُسمى "Nemotron 3.5 Transcribe" أن تتصرف كثلاثة منتجات مختلفة. إذا كان إسناد المتحدثين هو سبب انتقالك، فتحقق من ذلك المسار قبل أن تخصص وقتًا هندسيًا له.

ما تكلفة تشغيله، بصدق

المقارنة عبر الخدمة المستضافة تكاد تكون بسيطة للغاية: Whisper Large v3 Turbo بسعر يقارب 0.04 دولار لكل ساعة صوتية، أي نحو 40 دولارًا لكل ألف ساعة، دون الحاجة إلى امتلاك أي عتاد. أما Nemotron 3.5 Transcribe فلا يُباع بهذه الطريقة بعد، لذا فإن الفريق الذي يريده يضع سعرًا لوحدة معالجة رسومات (GPU)، لا لفاتورة.

ادعاء NVIDIA نفسه بشأن الإنتاجية هو الحدّ الأدنى الحسابي: 2,238 ثانية من الصوت مقابل كل ثانية من زمن GPU، عبر NVFP4 مع مُسوّد DFlash2 على بطاقة RTX PRO 6000 Blackwell، وهو ما يُترجم إلى نحو 100 ساعة من الصوت في أقل من ثلاث دقائق. وبسعر يقارب $2 لكل ساعة GPU عند الطلب، يعني ذلك حدًّا أدنى يقلّ كثيرًا عن سنت واحد لكل ساعة صوت — عند التجميع الكامل، وهو ما لا يتصرف به طابور الإنتاج. تعامل معه على أنه السقف الذي يقدر العتاد على بلوغه، لا كمعدّل ستحققه فعليًا.

ما يعني أن المقارنة الحقيقية ليست بين Whisper Large v3 Turbo وNemotron 3.5 Transcribe، بل بين Nemotron 3.5 Transcribe وWhisper Large v3 Turbo مضافًا إليه نموذج فصل المتحدثين، ومُحاذٍ قسري، وشيفرة دمج المقاطع، والضبط الخاص بكل لغة الذي يتطلبه هذا الربط. إذا كنت تشغّل WhisperX في الإنتاج بالفعل، فقد دفعت معظم تلك التكلفة، وتصبح حجة التبديل أضعف مما توحي به فجوة WER. وإذا لم تكن قد بنيته، فإن نموذج 30B ينافس خط أنابيب ستضطر في غير ذلك إلى توفير الكوادر لتشغيله.

ملاحظة عملية واحدة لكل من يشغّل النظامين معًا أثناء الترحيل: إن إبقاء واجهتين خلفيتين للنسخ النصي خلف نقطة نهاية واحدة متوافقة مع OpenAI يحوّل الانتقال إلى تغيير في الإعدادات بدلًا من عقد مع مورّد ثانٍ. تلك هي الطبقة التي وُجد OrcaRouter لتوفيرها — مفتاح واحد ونقطة نهاية واحدة عبر المزوّدين الذين يوجّه إليهم، مع تمرير سعر القائمة الخاص بالمزوّد دون أي هامش ربح وتبديل تلقائي عند الفشل بينهم. إنه لا يغيّر أي نموذج أفضل. بل يغيّر ما يكلّفه اكتشاف ذلك، وما يكلّفه أن تكون مخطئًا بشأنه.

من الذي يجب أن يختار ماذا

• تسجيلات الاجتماعات أو القانونية أو السريرية أو مراكز الاتصال متعددة المتحدثين مع مسار تدقيق — Nemotron 3.5 Transcribe. إن إسناد المتحدثين وتوقيتات الكلمات في تمريرة واحدة هي القدرة التي كنت ستضطر إلى تجميعها بنفسك، كما أن نافذة الساعة الواحدة تُزيل منطق التقسيم إلى أجزاء بالكامل.

• صوت أحادي القناة بكميات كبيرة، وتغطية لغوية واسعة، ونشر على حاسوب محمول أو وحدة معالجة مركزية، وفوترة متوقعة لكل ساعة — Whisper Large v3 Turbo. بعدد 809 مليون معامل وبتكلفة 0.04 دولار في الساعة، فهو أرخص إجابة صحيحة لحصة كبيرة جدًا من حركة المرور الحقيقية، وقد خضع للاختبار الميداني لمدة عامين.

• أحمال عمل مختلطة — شغّل turbo على كل شيء، ولا تُوجّه إلى النموذج الأكبر إلا الصوت الذي يحتاج إلى متحدثين أو قوائم مصطلحات أو ترجمة. قاعدة الاختيار هي خصائص الصوت، لا مكانة النموذج: عدد المتحدثين، ووجود مسرد مصطلحات خاص بالمجال، وطول التسجيل.

أسئلة تستحق الطرح قبل الترحيل

هل يمكن تشغيل Nemotron 3.5 Transcribe على وحدة معالجة رسومات واحدة بسعة 24 غيغابايت؟

ليس بأريحية. تحققت NVIDIA من صحة BF16 على بطاقة H100 بسعة 80 غيغابايت، وFP8 على L40S، ونقطة التحقق NVFP4 على RTX 5090، وهي بطاقة بسعة 32 غيغابايت. الجهاز بسعة 24 غيغابايت يقع دون كل التكوينات التي جرى التحقق منها، كما أن برج الصوت يُنسخ على كل رتبة توازٍ تنسوري، لذا فإن التوزيع على عدة وحدات معالجة رسومات لا ينقذ بطاقة واحدة صغيرة.

هل يدعم Whisper Large v3 Turbo تسميات المتحدثين أو الترجمة؟

لا هذا ولا ذاك. لقد دُرِّست نسخة turbo على التفريغ النصي فقط، لذا فإن إسناد مهمة ترجمة إليها يُنتج مخرجات غير قابلة للاستخدام — فالترجمة تحتاج إلى نقطة التفتيش الكاملة large-v3. وتتطلب تسميات المتحدثين أداةَ تمييز متحدثين منفصلة مثل pyannote، وربط نوباتها بالطوابع الزمنية المقطعية الخشنة الخاصة بـ Whisper هو الجزء من خط المعالجة الذي يستغرق أطول وقت للوصول به إلى نتيجة صحيحة.

هل تظهر فجوة المعامل كزمن استجابة؟

لا، ليس لكل دقيقة من الصوت. يعيد Whisper Large v3 Turbo نافذة مدتها 30 ثانية في أقل بكثير من ثانية على نقطة نهاية سريعة مستضافة، بينما يعالج Nemotron 3.5 Transcribe ملفًا مدته ساعة واحدة في تمريرة واحدة بمعدل إنتاجية تصفه NVIDIA بأنه آلاف الثواني الصوتية لكل ثانية GPU. الفرق الملحوظ في مكان آخر: لا يملك turbo وضع بث، ولا يملك Nemotron 3.5 Transcribe ذلك أيضًا، لذا فإن التعليق التوضيحي المباشر خارج نطاق كليهما.

أيّهما أفضل للصوت غير الإنجليزي؟

لا يُعدّ أيٌّ من الجوابين آمنًا. يغطي Whisper Large v3 Turbo 99 لغة بجودة تتفاوت تفاوتًا واسعًا حسب اللغة، بينما يغطي Nemotron 3.5 Transcribe 40 لغة بنتائج متعددة اللغات أعلنتها الجهة المورّدة ووصفة تكييف — إذ تُفيد NVIDIA بأن مجالًا طبيًا محجوزًا تحسّن من 22.44% إلى 12.17% في معدل خطأ الكلمات (WER) بعد الضبط الدقيق على وحدة معالجة رسومات واحدة لبضع ساعات. لا توجد حتى الآن مقارنة مباشرة مستقلة متعددة اللغات، لذا فإن التصرف المسؤول لأي لغة خارج الإنجليزية هو إجراء اختبار أعمى على بياناتك الصوتية الخاصة.

ما الذي قد يغيّر هذا الحكم؟

ثلاثة أمور، مرتبة حسب الاحتمال. وصول الطوابع الزمنية على مستوى الكلمة إلى واجهة برمجة تطبيقات النسخ في vLLM سيجعل مسار الخدمة الكامل هو المسار الافتراضي، ويقلّص الفجوة بين وصفات النشر الثلاث. وتوزيع نقاط التحقق الكمية على نطاق واسع سينقل الحد الأدنى للعتاد من بطاقة بسعة 80GB نحو أجهزة المستهلكين. وستستبدل مقارنة وجهاً لوجه متعددة اللغات ومستقلة حقاً مع Whisper Large v3 Turbo الاستدلال بالقياس.

حتى يتحقق أحد تلك الأمور، لا يكون القرار قريبًا حتى من عُشر نقطة في معدل خطأ الكلمات (WER). إنه سؤال يتعلق بملفاتك الصوتية: إذا كان فيها أكثر من صوت، وكنت تحتاج إلى معرفة أي صوت قال ماذا، فإن Nemotron 3.5 Transcribe هو أول نموذج مفتوح يفعل ذلك في تمريرة واحدة دون وجود خط معالجة خلفه. وإذا لم يكن الأمر كذلك، فإن نموذجًا بحجم 809M صدر قبل عام لا يزال يفي بالغرض مقابل أربعين دولارًا لكل ألف ساعة، ونموذج 34B يمثل قدرًا كبيرًا من العتاد يُشترى من أجل رقم يتغيّر عندما تغيّر المضيفين.