Nemotron 3.5 Transcribe vs. GPT Transcribe: Nur 0,1 Punkte Unterschied – und einer liefert dir den Checkpoint

Verlange von GPT Transcribe Zeitstempel auf Wortebene, und die API wird sie dir nicht liefern. Nicht schlecht, nicht ungefähr — das Modell hat keinen Timing-Kopf, OpenAIs Dokumentation verweist dich für diese Aufgabe an whisper-1, und dasselbe gilt für Sprecherbezeichnungen, die in einem separaten Diarisierungsmodell liegen. Verlange nun von Nemotron 3.5 Transcribe, das NVIDIA am 28. Oktober 2026 als offene Gewichte veröffentlicht hat, und beides kommt aus einem einzigen Durchlauf zurück: sprecherspezifische Wort-Zeitstempel von einem CTC-Adapter, der das fertige Transkript nach dem Dekodieren an das Audio ausrichtet. Die beiden Modelle liegen auf der öffentlichen Genauigkeitsrangliste innerhalb eines Zehntelpunkts voneinander. Bei den Dingen, die du mit einem Transkript machst, gehören sie nicht zur selben Produktkategorie.

Das ist die ganze Entscheidung, und es lohnt sich, sie langsam durchzugehen, denn die Berichterstattung zum Marktstart hat dieses Duell größtenteils auf ein WER-Rennen reduziert, das keine der beiden Seiten tatsächlich mit einem nennenswerten Vorsprung gewinnt.

Die Genauigkeitslücke ist Rauschen; die Feature-Lücke nicht.

Im Nicht-Streaming-Index von Artificial Analysis steht GPT Transcribe – OpenAIs Batch-Transkriptionsmodell, das am 28. Juli 2026 zusammen mit einem Live-Streaming-Geschwistermodell erschien – mit 3,3 % gemeinsam auf Rang achtzehn mit einem kleinen Herausforderer. Nemotron 3.5 Transcribe steht mit 3,4 % gemeinsam auf Rang zwanzig. Ein Zehntelpunkt – in einem Index, dessen eigene Einträge für dasselbe Modell je nachdem, welcher Endpunkt sie ausgeliefert hat, um fast einen ganzen Punkt voneinander abweichen können. Auf dieser Grundlage sollte niemand zwischen zwei Sprachsystemen entscheiden.

Das Launch-Material von NVIDIA berichtet unterdessen von 2,8 % AA-WER und einem geteilten ersten Platz unter den Open-Weight-Modellen. Der Live-Board-Wert vom 29. Oktober liegt bei 3,4 %. Betrachten Sie die 2,8 % als Einreichwert und die 3,4 % als aktuelle Messung; der Unterschied ist größer als die Lücke zwischen Nemotron und GPT Transcribe, was zeigt, wie viel Gewicht man einem einzelnen Leaderboard-Delta beimessen sollte.

• Parameter — insgesamt etwa 30 Mrd. und rund 4 Mrd. aktiv pro Token in einem hybriden Mamba–Transformer-MoE im Vergleich zu nicht offengelegten, nicht generativen.

• Lizenz — OpenMDW-1.1, kommerzielle Nutzung, Gewichte herunterladbar vs. nur über API.

• Preis — kein Listenpreis; GPU-Zeit, wobei ein NVFP4-Build laut Hersteller bis zu 2.238 Sekunden Audio pro Sekunde auf einer RTX PRO 6000 Blackwell erreicht – gegenüber 0,0045 US-Dollar pro Minute, etwa 0,27 US-Dollar pro Audio-Stunde.

• Sprecherbezeichnungen — bis zu 8 Sprecher in 13 Sprachen, integriert vs. nicht integriert; ein separates Diarisierungsmodell ist erforderlich.

• Wort-Timing — CTC-Alignment nach dem Decodieren, sprecherattribuiert vs. nicht angeboten; whisper-1 ist die dokumentierte Alternative.

• Sprachen — 40 transkribiert, 31 nach oder aus Englisch übersetzt gegenüber mehrsprachig mit automatischer Erkennung und Sprachhinweisen, keine veröffentlichte Anzahl.

• Audiolänge — 1 Stunde in einem Durchgang vs. dateibasiert, wobei die Aufteilung in Abschnitte von der API übernommen wird.

• Nachbearbeitung — promptgesteuerte wortgetreue oder verschriftlichte Form vs. freier Kontext und Keyword-Hinweise, kein Bereinigungslauf.

Was GPT Transcribe besser macht als der offene Checkpoint

Drei Punkte – und sie sind alles andere als trivial. Der erste: Es ist eine API. Es gibt keinen 30B-Parameter-Checkpoint, dessen Größe man bemessen müsste, keinen NVFP4-Build, auf den man warten müsste, kein vLLM-Rezept, das man festzurren müsste. OpenAI gibt eine Verarbeitung mit rund 34-facher Echtzeit an – das ist langsamer als der Durchsatz, den NVIDIA für eine Blackwell-Karte beansprucht, und für die meisten Teams irrelevant, denn 34-fache Echtzeit ist bereits schneller als jede Warteschlange, die sie betreiben.

Der zweite Punkt ist die Kontextverarbeitung. GPT Transcribe akzeptiert frei formulierten Kontext, Keyword- und Vokabularhinweise sowie mehrere Sprachhinweise und gibt neben dem Transkript ein Array der erkannten Sprachen zurück. Diese Kombination ist bei Code-Switching-Audio und bei Fachjargon wirklich nützlich, und es handelt sich um eine Prompting-Schnittstelle statt um ein Fine-Tuning – was bedeutet, dass ein Produktteam sie abstimmen kann, ohne eine GPU zu besitzen. NVIDIAs Entsprechung – eine im Prompt bereitgestellte Liste erwarteter Entitäten – soll die Fehler bei benannten Entitäten auf ContextASR-Bench um das Sechsfache senken, doch diese Angabe stammt vom Anbieter und wurde nicht unabhängig reproduziert.

Die dritte ist die Integrationsoberfläche: Derselbe Endpunkt bedient Dateitranskription, gestreamte Dateitranskripte, committete Echtzeit-Turns über WebSocket, die Responses API und Batch. Ein Team, das bereits auf der OpenAI-Plattform arbeitet, erhält Transkription als Parameter, nicht als Deployment.

Die von OpenAI selbst veröffentlichten Qualitätsaussagen sind weit gefasst und schwer nachprüfbar: eine Wortfehlerrate von 19,27 % auf einem 22-sprachigen Common-Voice-Datensatz gegenüber 40,37 % bei Whisper und 8,98 % auf einem neunsprachigen Real-World-Benchmark gegenüber 15,21 %. Das sind Herstellerzahlen gegenüber einer Baseline aus 2024, nicht gegenüber einem Wettbewerber aus 2026. Das unabhängige Bild fällt für GPT Transcribe freundlicher aus, als das AA-Board nahelegt: Auf Perits von Menschen überprüftem englischen Datensatz kommt es auf 1,76 % WER, Rang sechs von 22, wobei 61,3 % der Clips perfekt transkribiert sind. Das ist ein anderer Testsatz als der von Artificial Analysis, und die Zahlen sind zwischen den beiden Boards nicht vergleichbar – aber die Richtung ist konsistent, und damit liegt OpenAIs Modell auf demselben Datensatz vor dem gehosteten Parakeet-Endpunkt.

Wo die fehlenden Funktionen wirklich wehtun

Wenn Ihre Ausgabe reiner Text für einen Suchindex ist, kosten Ihnen die Lücken von GPT Transcribe nichts. Sobald Sie mehr benötigen, vervielfacht sich die Arbeit. Wort-Timing bedeutet einen zweiten Durchlauf durch whisper-1 oder einen Forced Aligner, der genau den Fehlermodus wieder einführt, den die Ausrichtung beheben soll: ein an den Grenzen verschobenes Transkript, das sich gut liest und Untertitel zerstört. Sprecher-Labels bedeuten ein drittes Modell, das an Segmentgrenzen zusammengefügt wird und seine eigene Fehlerquote zum Debuggen mitbringt. Und keiner dieser zweiten Durchläufe weiß vom anderen, sodass aus einem Gespräch mit zwei Sprecher:innen drei Modelle und ein Zusammenführungsschritt werden.

Die Kaskade ist keine Kritik an OpenAIs Ingenieurskunst. Sie ist das, was das Produkt ist: ein hochpräziser Transkribierer mit bewusst engem Ausgabeumfang. Microsoft und Google liefern beide dieselbe Aufteilung aus — Diarisierung als separate SKU oder als separater Modus mit eigenen Grenzen. NVIDIAs Wette geht in die entgegengesetzte Richtung, und um es ehrlich zu sagen: Nemotron 3.5 Transcribe kostet mehr Rechenleistung, um eine Pipeline zu vermeiden.

Was diese Rechenleistung bringt, ist dokumentiert, aber vom Anbieter angegeben: 18,26 % Diarisierungsfehlerrate über 21 Sprachen im David-AI-Benchmark, Bestwert unter 14 Systemen; 32,4 % concatenated Min-Permutation-WER auf VoiceArena, ebenfalls Bestwert unter 14; 8,32 % der Referenzwörter bei überlappender englischer Sprache ausgelassen, gegenüber einem Median von nahezu 31 %. Es gibt keine OpenAI-Diarisierungszahl, die man diesen gegenüberstellen könnte, weil OpenAI für dieses Modell keine veröffentlicht.

Zwei Möglichkeiten, nicht mehr pro Minute zu bezahlen

GPT Transcribe berechnet 0,0045 USD pro Minute, also 4,50 USD pro tausend Minuten und rund 270 USD pro tausend Audiostunden. Nemotron 3.5 Transcribe berechnet nichts pro Minute und verlangt stattdessen eine GPU. NVIDIAs Demonstrationskonfiguration ist eine RTX PRO 6000 Blackwell, die den NVFP4-Checkpoint mit einem DFlash2-Draft-Modell ausführt, und die Durchsatz-Schlagzeile — 100 Stunden Audio in unter drei Minuten — wurde an 30-Sekunden-Clips bei hoher Parallelität gemessen, nicht an einstündigen Meetings. Verstehen Sie dies als Obergrenze für gut gebatchte Arbeit.

Das ergibt einen Kipppunkt, der von der Auslastung und nicht vom Listenpreis bestimmt wird. Eine Karte, die Sie bereits besitzen und ausgelastet halten, schlägt $270 pro tausend Stunden locker. Eine Karte, die Sie für einen Rückstau von vierzig Stunden im Monat erst kaufen müssten, nicht – und keine noch so große Parametereffizienz ändert diese Rechnung.

Es gibt eine dritte Option, die die Zwei-Wege-Betrachtung verdeckt, und sie ist die, für die sich die meisten Teams tatsächlich entscheiden: die verwaltete API für den Großteil beibehalten und die schwierigen Dateien – die Besprechungen mit sechs Personen, die klinischen Interviews mit Akzent, das Audio, das Sie nicht hochladen dürfen – an einen selbst gehosteten Checkpoint weiterleiten. Das funktioniert nur, wenn beide Ausgaben dieselbe Form haben, was das Argument dafür ist, auf ein Transkript-Schema mit Sprecher- und Zeitangabefeldern zu standardisieren, selbst wenn Ihr aktueller Anbieter sie nicht befüllt. Standardisieren Sie zuerst das Schema; das Modell wird später austauschbar.

Auf der Ebene über dem Transkript besteht die Aufgabe von OrcaRouter darin, dafür zu sorgen, dass diese Austauschbarkeit nicht an der Modellgrenze haltmacht. Der Summarizer, der Klassifikator und der Compliance-Prüfer, die diese Transkripte lesen, können alle hinter einem Schlüssel für über 200 Modelle sitzen – mit Anbieter-Listenpreisen, die mit 0 % Aufschlag durchgereicht werden, automatischem Failover, wenn ein Upstream stockt, und einer Routing-DSL, die jede Workload ohne zweite Integration an ein anderes Modell leitet. GPT Transcribe und Nemotron 3.5 Transcribe liegen beide außerhalb dieses Katalogs – wir bieten keines von beiden an –, daher bleibt der Sprachaufruf dort, wo Sie ihn kaufen, und nur die nachgelagerte Hälfte wird portabel.

Die Kurzfassung – je nach Situation

Wenn Sie ein Transkript und sonst nichts wollen und es nächste Woche haben möchten, ohne irgendetwas bereitzustellen, ist GPT Transcribe die risikoärmere Wahl: Rang sechs im unabhängigen Perit-Set, eine Integrationsoberfläche, die Sie wahrscheinlich bereits haben, und ein Preis, der keine Anschaffungsinvestition erfordert. Wenn Ihre Transkripte Untertitel, Meeting-Analysen, sprecherzugeordnete Suche oder ein Compliance-Archiv speisen, kosten die zusätzlichen Modelle, die Sie an GPT Transcribe anflanschen würden, mehr an Engineering-Zeit, als der Checkpoint an GPU-Stunden kostet, und Nemotron 3.5 Transcribe erledigt diese Arbeit in einem Durchgang.

Der Vorbehalt, der bei beiden angebracht ist: Dies ist ein Modell, das erst einen Tag alt ist, seine wichtigsten Benchmark-Werte stammen vom Anbieter selbst, und die unabhängigen Boards haben den 30-Milliarden-Parameter-Checkpoint noch überhaupt nicht bewertet. Verwechseln Sie es nicht mit nvidia/nemotron-3.5-asr-streaming-0.6b, dem 600M-Streaming-Modell von Juni, das auf unabhängigen Boards erscheint und deutlich schlechter abschneidet (3,35 % WER, Rang 21 von 22 bei Perit). Sie teilen einen Familiennamen und sonst nichts.