Nemotron 3.5 Transcribe vs. Gemini 3.5 Transcribe: 2,8 % auf der Folie, 3,4 % auf dem Board

Googles Gemini 3.5 Transcribe liegt mit einer Fehlerrate von 2,6 % auf Rang neun im Non-Streaming-Speech-Board von Artificial Analysis. NVIDIAs Nemotron 3.5 Transcribe, am 28. Oktober 2026 als offene Gewichte veröffentlicht, liegt mit 3,4 % auf Rang zwanzig. Vier Zehntelpunkte trennen sie auf dem einzigen öffentlichen Index, der beide bewertet, und diese vier Zehntelpunkte sind so ziemlich die am wenigsten nützliche Tatsache in diesem Vergleich. Die beiden wurden nicht für dieselbe Aufgabe gebaut: Das eine ist ein verwalteter Endpunkt, der ein Transkript bereinigt, bevor man es zu sehen bekommt; das andere ist ein Checkpoint, den man herunterlädt und der acht Sprecher auseinanderhält, während sie durcheinanderreden. Das Ranking schmeichelt keinem von beiden in Bezug auf das, wofür sie tatsächlich ausgelegt wurden.

Es lohnt sich, vorab auf eine Diskrepanz hinzuweisen, denn sie kehrt in jedem Artikel wieder, der diese Woche über dieses Modell geschrieben wurde. NVIDIAs Einführungsmaterial nennt 2,8 % AA-WER und einen geteilten ersten Platz unter Systemen mit offenen Gewichten. Das Live-Board, abgelesen am 29. Oktober, führt 3,4 % auf Rang zwanzig. Beide Zahlen gehen auf denselben Index zurück, und sie sind keine Messungen desselben Laufs – was die erste praktische Lehre dieser Paarung ist und der Grund, warum der Genauigkeitsabschnitt unten so geschrieben ist, wie er ist.

Was NVIDIA veröffentlicht hat – und was Google seit August laufen lässt

Nemotron 3.5 Transcribe ist kein Transducer und auch kein reiner Encoder. Es ist ein sprach-erweitertes Sprachmodell: Ein Sprach-Encoder speist ein eingefrorenes Nemotron-3-Diarization-Modell ein, dessen Sprecheraktivitätssignal über einen von NVIDIA als Parallel Expert Encoder bezeichneten Mechanismus in den ASR-Encoder injiziert wird, und der Decoder ist ein hybrides Mamba-Transformer-Mixture-of-Experts-LLM mit etwa 4 Milliarden pro Token aktiven Parametern von insgesamt rund 30 Milliarden. Die eigenen Materialien des Unternehmens verwenden für die Sprachmodell-Hälfte sowohl die Bezeichnungen 30B-A3B als auch 30B-A4B, und in der Hugging-Face-Seitenleiste sind es 34B, sobald der Audio-Stack mitgezählt wird; daher sollte jede einzelne Parameterangabe als Näherungswert betrachtet werden. Die Gewichte sind unter OpenMDW-1.1 frei verfügbar, was kommerzielle Nutzung erlaubt.

Gemini 3.5 Transcribe ist seit dem 26. August 2026 allgemein verfügbar, und zwar zu $2.00 pro Million Audio-Eingabe-Tokens und $12.00 pro Million Text-Ausgabe-Tokens, was Google auf ungefähr $0.005 pro Minute bzw. etwa $0.30 pro Audiostunde umrechnet. Es bietet eine kostenlose Stufe innerhalb des Kontingents, eine separate Live-Streaming-SKU zu ungefähr $0.009 pro Minute und überhaupt keine Gewichte.

Die Zahl, die sich zwischen dem Startpaket und dem Morgen danach verändert hat

Der AA-WER von Artificial Analysis basiert auf drei Datensätzen – AgentTalk zu 50 %, VoxPopuli-Cleaned zu 25 %, Earnings22-Cleaned zu 25 % – und der Index ist ein einziger zusammengeführter Score, kein domänenspezifischer. Das ist wichtig, weil AgentTalk die Sprache von Voice-Agents ist, die kurz, sauber und im Trainingsmix eines Anbieters stark vertreten ist, wenn der Anbieter Voice-Agents verkauft. Ein Modell, das den Blend gewinnt, kann Ihr Archiv verlieren.

Lies die Rangliste in ihrem aktuellen Stand: Die Reihenfolge ist MAI Transcribe 2 mit 2,0 %, Voxtral Small Transcribe 3 mit 2,1 %, Gemini 3.5 Transcribe mit 2,6 %, GPT Transcribe mit 3,3 %, Nemotron 3.5 Transcribe mit 3,4 %. NVIDIAs 2,8%-Behauptung hätte, wenn sie Bestand gehabt hätte, das neue Modell auf Augenhöhe mit Gemini 3.1 Pro Preview und Voxtral Small gebracht und es deutlich vor OpenAIs Batch-Modell platziert. Bei 3,4 % liegt es hinter all diesen und gleichauf mit drei Systemen, darunter eine Gemini Flash-Lite-Variante, gegen die es nie positioniert wurde. Eine Korrektur um 0,6 Punkte ist kein Rundungsfehler in einem Index, dessen gesamte Top-10 von 1,7 % bis 2,9 % reicht.

Die ehrliche Lesart ist nicht, dass NVIDIA gelogen hat. AA misst erneut, wenn ein Modell über einen neuen Endpunkt bereitgestellt oder mit aktualisierten Eingaben erneut ausgeführt wird, und die Zahl zum Marktstart spiegelt mit ziemlicher Sicherheit NVIDIAs eigene Einreichung wider und nicht den Standard-Host des Boards. Aber es ist genau die Art von Diskrepanz, die zu einem Beschaffungsfehler wird: Ein Team, das seine Budgetplanung auf „Erster unter den offenen Gewichten“ stützt und dann 3,4 % misst, hat ein Modell anhand einer Präsentationsfolie gekauft.

Was Google verkauft, NVIDIA aber nicht

Das Merkmal, das mehr über Transkriptionsaufträge entscheidet als der WER, ist das, was nach der Erkennung mit den Wörtern geschieht – und Gemini 3.5 Transcribe ist darum herum gebaut. Der standardmäßige Verbatim-Modus behält Füllwörter, Fehlstarts und Wiederholungen für Compliance-Aufgaben bei; der Smart-Modus entfernt Disfluenzen, löst Selbstkorrekturen auf und normalisiert gesprochene Zahlen und Währungsangaben in einem einzigen Durchlauf. Ein benutzerdefiniertes Vokabular gewichtet die Erkennung zugunsten von bis zu 1.000 Begriffen, wobei Google etwa 100 gut gewählte empfiehlt. Beides gibt es in Nemotron 3.5 Transcribe nicht: Es kann *per Prompt* auf eine Entitätsliste ausgerichtet und angewiesen werden, wortgetreue oder schriftsprachliche Ausgabe zu erzeugen, überlässt jedoch die Zahlenformatierung und die Reparatur von Selbstkorrekturen dem, was das Transkript als Nächstes liest.

Google gewinnt außerdem bei der Breite der benannten Locales: 85+, mit automatischer Erkennung und Code-Switching innerhalb eines Satzes, gegenüber NVIDIAs 40 bei der Transkription und 31 bei der Übersetzung. Gezählt wurden nur namentlich benannte Sprachvarianten. Wenn Ihre Warteschlange eine Sprache enthält, die auf Googles Liste steht, aber nicht auf NVIDIAs, gibt es keinen Benchmark, über den es sich zu streiten lohnt.

Was NVIDIA verkauft, Google aber nicht

Die Sprecherzuordnung ist der umgekehrte Fall, und sie ist schärfer, als das Marketing nahelegt. Gemini 3.5 Transcribe dokumentiert bis zu acht Sprecher, doch Googles eigene Materialien kennzeichnen die Zuordnung bei drei oder mehr Sprehern als experimentell, und der Blog betont eher „bis zu drei“. Nemotron 3.5 Transcribe kennzeichnet bis zu acht Sprecher, tut dies in 13 Sprachen und liefert sprecherspezifisch zugeordnete Zeitstempel auf Wortebene über einen CTC-Adapter nach der Dekodierung, der das fertige Transkript am Audio ausrichtet.

• Parameter — insgesamt 30B mit etwa 4B aktiven, hybrides Mamba–Transformer-MoE vs. einem nicht offengelegten proprietären Sprach-Stack.

• Lizenz — OpenMDW-1.1, kommerzielle Nutzung, Gewichte herunterladbar vs. nur per API ohne Weiterverbreitungsrechte.

• Preis — keine veröffentlichte Listenrate; die Kosten bestehen in GPU-Zeit, und ein NVFP4-Build auf einer RTX PRO 6000 Blackwell soll bis zu 2.238 Sekunden Audio pro Sekunde verarbeiten, gegenüber 0,005 US-Dollar pro Minute im kombinierten Durchschnitt.

• Sprachen — 40 transkribiert, 31 aus dem Englischen oder ins Englische übersetzt, 13 mit Sprecherbezeichnungen vs. 85+ Locales mit Code-Switching.

Lautsprecher — 8, dokumentiert und Benchmark-Tests unterzogen vs. 8 dokumentiert, 3+ als experimentell gekennzeichnet.

• Audiolänge – 1 Stunde in einem einzigen Durchgang gegenüber 1 Stunde, die auf 30 Minuten sinkt, wenn Diarisierung oder Zeitstempel angefordert werden.

• Streaming – keine; nur aufgezeichnetes Audio im Vergleich zu einer separaten Live-SKU zu rund 0,009 US-Dollar pro Minute.

• Nachbearbeitung — promptgesteuerte wörtliche oder schriftliche Form; keine integrierte Bereinigung vs. Smart-Modus, der Füllwörter entfernt und Selbstkorrekturen repariert.

Die Diarisierungszahlen, die nur eine Seite veröffentlicht.

An diesem Punkt ist der Vergleich nicht mehr knapp, sondern wird einseitig – und auch die Quellenlage wird dünn. NVIDIA meldet eine Diarisierungsfehlerrate von 18,26 % über 21 Sprachen im David AI Benchmark, den niedrigsten Wert von 14 bewerteten Systemen, wobei der nächste Eintrag das eigene Modell Nemotron 3 Diarization mit 18,38 % ist und alles andere zwischen 22,85 % und 37,55 % liegt. Im Diarization-Bench von VoiceArena meldet es 32,4 % verkettete Min-Permutation-WER, den besten Wert von 14, wobei der Zweitplatzierte bei 34,2 % liegt. In englischsprachigen Sitzungen mit überlappender Sprache meldet es, dass 8,32 % der Referenzwörter ausgelassen werden, gegenüber einem Median von rund 31 %.

Google veröffentlicht für Gemini 3.5 Transcribe überhaupt keine Diarisierungsfehlerrate. Nicht etwa eine schlechtere – gar keine. Diese Asymmetrie wirkt in beide Richtungen und sollte klar benannt werden: NVIDIAs Zahlen sind Anbieterangaben, erhoben auf NVIDIAs eigenem Prüfstand, und es gibt keine Drittanbieter-Zahl, gegen die man sie prüfen könnte, weil die unabhängigen Diarisierungs-Ranglisten, die es gibt, überwiegend mit den Systemen bestückt sind, die NVIDIA selbst eingereicht hat. Was außer Zweifel steht, ist die dokumentierte Obergrenze: Gemini ist auf acht Sprecher begrenzt, wobei die Sprecherzuordnung oberhalb von drei experimentell ist, und die maximale Audiolänge fällt von einer Stunde auf dreißig Minuten, sobald man Sprecherkennzeichnungen und Wort-Zeitstempel gemeinsam anfordert. Wenn es sich bei Ihrem Material um eine Vorstandssitzung mit sechs Personen handelt, ist das eine Produktbeschränkung und keine Qualitätsfrage, und kein WER-Vergleich wird das aufdecken.

Was eine Stunde Audio auf den einzelnen tatsächlich kostet

Rechnet man mit tausend Stunden pro Monat – einer realistischen Auslastung für ein Contact-Center oder ein Medienarchiv –, dann kostet Gemini 3.5 Transcribe bei 0,005 US-Dollar pro Minute 300 US-Dollar pro tausend Stunden. Nemotron 3.5 Transcribe hat keinen Listenpreis, weil es nichts aufzulisten gibt: Man kauft die GPU. Eine RTX PRO 6000 Blackwell mit dem NVFP4-Checkpoint ist die Konfiguration, die NVIDIA demonstriert, und die Durchsatzangabe – bis zu 2.238 Sekunden Audio pro Sekunde – geht mit einer Bedingung einher, die der Hugging-Face-Beitrag nennt und die Schlagzeilen unterschlagen: Sie wurde bei 30-Sekunden-Clips unter hoher Parallelität gemessen. Lange Meetings mit gleichzeitig sprechenden Teilnehmenden werden diesen Wert nicht erreichen.

Der Übergang ist daher eine Frage der Auslastung, nicht des Preises. Eine einzelne Karte, die etwa so viel kostet wie einige Monate Managed-Transkription, amortisiert sich nur, wenn man sie auslastet, und sie amortisiert sich nie gegenüber 300 US-Dollar monatlich an API-Aufrufen bei einer kleinen Warteschlange. Das Argument für den Checkpoint sind nicht günstigere Minuten bei geringem Volumen. Es ist, dass die Minuten überhaupt keine eigene Kostenposition mehr sind, das Audio Ihr Netzwerk nie verlässt und Fine-Tuning ein Nachmittag auf einer einzelnen GPU ist – NVIDIA berichtet von 0,5 bis 2,3 GPU-Stunden pro Aufgabe und von einer Anpassung für medizinische Sprache, die die Wortfehlerrate bei 3.619 Clips von 30,8 % auf 11,8 % senkte, wobei sich zurückgehaltene Sprecher von 22,44 % auf 12,17 % verbesserten.

NVIDIAs eigene Forschungsseite ist der einzige Ort, an dem die Durchsatz- und Fine-Tuning-Aussagen gemeinsam erscheinen, und es lohnt sich, sie neben den oben genannten Zahlen zu lesen: Die Zahl von 2.238 Sekunden pro Sekunde setzt den NVFP4-Checkpoint und das DFlash2-Draft-Modell auf Blackwell-Hardware voraus, und die Aussage von 0,5 bis 2,3 GPU-Stunden für das Fine-Tuning setzt eine einzelne GPU und eine Aufgabe voraus, die klein genug ist, um auf eine zu passen. Keine der beiden ist eine Schlagzeile, die man ohne diese Einschränkungen in einen Kapazitätsplan übernehmen kann.

Auf welche Seite Sie sich auch schlagen, das Transkript ist nicht das Ende der Pipeline. Es wird zusammengefasst, klassifiziert, durchsucht und weitergeleitet, und genau in dieser nachgelagerten Hälfte zählt ein einziger Endpunkt: OrcaRouter bietet 200+ Text- und multimodale Modelle hinter einem Schlüssel, mit durchgereichten Listenpreisen der Anbieter zu 0 % Aufschlag, automatischem Failover und einer Routing-DSL, die Meeting-Protokolle an einen Summarizer und Compliance-Prüfungen an einen anderen schicken kann, ohne eine zweite Integration. Weder Gemini 3.5 Transcribe noch Nemotron 3.5 Transcribe ist heute in diesem Katalog – Speech-to-Text ist weiterhin ein separater Vertrag, wo immer Sie es einkaufen –, sodass der Punkt enger gefasst ist, als er klingt: Wählen Sie den Transkribierer anhand der Transkription, und lassen Sie die Ebene darüber portabel bleiben.

Welcher gehört in deinen Stack

Wählen Sie Gemini 3.5 Transcribe, wenn Ihr Problem der Text ist: Interview-Audio mit Sprechstockungen, Callcenter-Sprache voller „nein, warte, ich meinte“, eine Locale-Liste, die Sie anhand des Namens prüfen müssen, und ein verwalteter Endpoint, den Sie noch heute Nachmittag hinter einen Schlüssel legen können. Es ist heute das genauere Modell auf der öffentlichen Rangliste – mit einem Vorsprung, der klein, aber real ist –, es korrigiert das Transkript im laufenden Betrieb, und es kostet dreißig Cent pro Stunde mit einer kostenlosen Teststufe.

Wählen Sie Nemotron 3.5 Transcribe, wenn Ihr Problem der Raum ist. Mehr als drei Sprecher, überlappende Sprache, Sprecherbezeichnungen in dreizehn Sprachen, Wortzeitstempel, die eine einstündige Datei überstehen, und eine Audiorichtlinie, die das Senden der Aufnahme an Dritte verbietet – das sind die Bedingungen, unter denen der offene Checkpoint kein Kompromiss, sondern die einzige Option ist, die die Anforderung erfüllt. Er ist außerdem der einzige der beiden, den Sie feinabstimmen können, was bei akzentbehaftetem oder domänenspezifischem Audio mehr als vier Zehntelpunkte wert ist.

Was dieses Urteil ändern würde: ein unabhängiger erneuter Diarisierungslauf, der Gemini irgendwo in die Nähe von NVIDIAs 18,26 % DER rückt, oder eine erneute Messung durch AA, die Nemotron zwischen 2,8 % und 3,4 % einordnet. Bis eines davon eintrifft, bleibt das Genauigkeitsargument eine Anbieteraussage, und das Funktionsargument ist dasjenige, das Sie selbst an einem Nachmittag mit Ihrer eigenen schlechtesten Aufnahme überprüfen können.