Nemotron 3.5 Transcribe vs Muse Voice Transcribe: Der eine verarbeitet das Meeting, der andere sitzt mit drin.

Zwei Aufnahmen entscheiden diesen Vergleich, bevor es irgendein Benchmark tut. Bei der einen handelt es sich um ein Gespräch, das gerade jetzt stattfindet, bei dem das Transkript mit der Unterhaltung Schritt halten muss und eine Verzögerung von zwei Sekunden das Tool nutzlos macht. Bei der anderen handelt es sich um ein zweistündiges Archiv der Kundengespräche aus dem letzten Quartal, bei dem niemanden interessiert, ob die Wörter in 200 Millisekunden oder zwanzig Minuten ankommen. NVIDIA Nemotron 3.5 Transcribe, am 28. Oktober 2026 als Offline-Checkpoint mit offenen Gewichten veröffentlicht, ist für die zweite Aufnahme gemacht. Meta Muse Voice Transcribe, am 1. September 2026 von Meta Superintelligence Labs herausgebracht, ist für die erste gemacht. Die meisten Vergleichsseiten packen ihre Wortfehlerraten in eine Spalte und damit hat es sich – und genau dieser Vergleich lässt sich nicht anstellen.

Die Uhr, nicht die Wortfehlerrate

Metas Modell ist eine Streaming-Wahrnehmungsschicht. Es verarbeitet Audio in 80-Millisekunden-Blöcken, gibt Soft-Tokens aus und nutzt einen verstärkungslernend trainierten „adaptive delay“-Mechanismus, um Wort für Wort zu entscheiden, wie viel Kontext es abwarten sollte, bevor es sich auf Text festlegt. Wie berichtet wird in Metas Markteinführungsmaterial die Zeitspanne vom Ende der Sprache bis zum endgültigen Text auf etwa 0,16 Sekunden beziffert, und das Modell wird über einen WebSocket für Live-Audio oder einen HTTP-Endpunkt für Einzeldateien bereitgestellt. Es übernimmt außerdem Endpointing und Sprachaktivitätserkennung selbst, sodass die Pipeline darum herum dünn ist.

NVIDIAs Modell ist genau umgekehrt aufgebaut. Die Modellkarte sagt es klar: „Dies ist ein Offline-Modell“, und ergänzt, dass internes Chunking daraus keinen Streaming-Dienst macht. Sie übergeben ihm eine Datei von bis zu einer Stunde, und es gibt ein Transkript zurück. Es gibt keine Teilausgabe, keine vorläufige Hypothese, kein Barge-in. NVIDIA verkauft für Live-Audio einen separaten 0,6B-Streaming-Spracherkenner; das ist ein anderer Checkpoint, nicht ein Modus dieses Modells.

Die Schlagzeilenwerte werden also mit unterschiedlichen Instrumenten gemessen. Meta meldet eine Wortfehlerrate von 3,1 % und Platz eins auf dem Streaming-Spracherkennungs-Leaderboard von Artificial Analysis. Die NVIDIA-Modellkarte gibt einen Mittelwert von 4,71 % über die neun öffentlichen englischen Open-ASR-Sets an, während die Nicht-Streaming-Tabelle von Artificial Analysis 3,4 % für den eingesetzten Endpunkt ausweist – und ihre FAQ nennen 2,8 % für dasselbe Modell. Das sind drei verschiedene Messungen zweier verschiedener Aufgaben. Die 3,1 % sind ein Streaming-Ergebnis; die 3,4 % sind ein Batch-Ergebnis auf einer anderen Audioverteilung. Subtrahiert man sie, erhält man einen „Sieg“ von 0,3 Punkten, der nichts bedeutet, und der Nachteil des Streaming-Modells bei langem, verrauschtem, akzentbehaftetem Audio ist real, aber in dieser Arithmetik unsichtbar.

Sprecher: um die zwanzig gegen acht

Die Diarisierungslücke ist der eine Punkt, an dem die Zahlen ungefähr dasselbe messen, und sie ist groß.

• Obergrenze für Sprecher — Meta wirbt mit 20+ Sprecherinnen und Sprecherin einer einzigen Aufnahme; NVIDIA trainiert mit Mischungen von bis zu acht, und die Modellkarte nennt kein Maximum zur Inferenzzeit.

• Überlappung – Metas eigene Seite schränkt ein, dass die Diarisierung nur für „nicht überlappende Sprache“ gilt. NVIDIAs gesamtes architektonisches Argument ist überlappende Sprache: Die Sprecheraktivität des eingefrorenen Diarisierers wird in den Encoder eingespeist, damit das Modell Wörter zuordnen kann, während Menschen durcheinanderreden. Das ist die Behauptung hinter dem durchschnittlichen cpWER von 15,80 auf NVIDIAs Mehrsprecher-Datensatz.

• Sprachabdeckung für Labels – Meta unterstützt 25+ Sprachen; NVIDIA unterstützt 40 für die Transkription, kennzeichnet aber 13 davon für Multisprecher-Ausgabe. Ein türkisches Meeting wird transkribiert und erhält keine Labels.

Label-Format — Meta gibt einzelne Sprecherbuchstaben wie „A“ aus; NVIDIA gibt Tags im Stil <spk:0> aus, die Diarisierungssegmenten zugeordnet werden.

Wenn Ihr Anwendungsfall eine Podiumsdiskussion, ein Gerichtssaal oder ein Support-Anruf mit drei gleichzeitig sprechenden Teilnehmern ist, ist die Obergrenze von acht Sprechenden die Einschränkung, die den Ausschlag gibt – nicht die WER-Spalte. Wenn Ihr Anwendungsfall ein All-Hands mit zwanzig Personen ist, bei dem die Leute größtenteils abwechselnd sprechen, ist Metas 20+ die Zahl, auf die es ankommt, und NVIDIAs acht sind eine harte Grenze.

Sprachen: 25 gegen 40 – und keine der beiden Zahlen ist das, wonach es aussieht

Metas eigene Entwicklerseite nennt „25+ Sprachen“ und unterstützt Code-Switching innerhalb von und zwischen Sätzen, was für zweisprachige Meetings wichtig ist. Die Launch-Berichterstattung berichtete, dass das Modell mit 70+ Sprachen trainiert wurde, von denen 25 umfassend validiert sind – eine nützliche Unterscheidung, denn eine Sprache, die „trainiert“, aber nicht validiert ist, ist eine Sprache, die man testen sollte, bevor man ihr vertraut. NVIDIAs Karte listet 40 Sprachen mit ASR-Unterstützung auf, 31 mit bidirektionaler Übersetzung ins Englische und aus dem Englischen sowie eine separate Sprach-ID-Komponente mit 48 Labels.

• Wenn Sie eine breite europäische Abdeckung benötigen – Metas 25 validierte Sprachen sind enger gefasst als NVIDIAs 40, doch Metas Liste neigt zu den Sprachen, die Unternehmenskunden tatsächlich aufzeichnen.

• Wenn Sie eine Übersetzung benötigen – nur NVIDIA übernimmt das. Metas Modell transkribiert; es übersetzt das Transkript nicht in eine andere Sprache.

Wenn Sie Code-Switching benötigen — Meta gibt an, dies nativ zu unterstützen; die NVIDIA-Karte vermerkt nichts Vergleichbares, und ihr Audioverständnis ist unabhängig von der Transkriptionssprache ausschließlich auf Englisch.

Was das Transkript tatsächlich enthält

Zeitstempel sind der Punkt, an dem ein scheinbar günstiger Unterschied zu einem teuren wird. Meta bietet Zeitstempel auf Turn-Ebene – Segmentgrenzen, keine Zeitangaben pro Wort – und legt überhaupt keine Konfidenzwerte offen. NVIDIA bietet Wort-Zeitstempel über einen CTC-Adapter, mit dem Vorbehalt, dass Zeitstempel nicht verfügbar sind, wenn der DFlash2-Speculative-Decoding-Draft aktiviert ist.

• Zeitstempel — Meta auf Turn-Ebene; NVIDIA auf Wort-Ebene, jedoch nicht zusammen mit seinem schnellsten Decodierpfad.

• Konfidenz — Meta veröffentlicht keine; NVIDIA veröffentlicht auch keine Konfidenz pro Wort.

• Eingabeformat — Meta erfordert Mono-16-Bit-PCM bei 16 oder 24 kHz und weist Sie an, alles andere mit ffmpeg zu konvertieren; NVIDIA akzeptiert 16-kHz-Mono und verarbeitet die Datei direkt.

• Prompting – beides beeinflusst die Ausgabe. Metas Keyword- und Language-Biasing „geben dem Modell nur einen kleinen Anstoß und garantieren keine korrekte Schreibweise“, heißt es in der Dokumentation. NVIDIA berichtet für Contextual Prompting von einem Rückgang der Named-Entity-WER von 12,21 % auf 2,20 % mit einer feingranularen Entitätsliste – vom Anbieter selbst durchgeführt, aber eine deutlich stärkere Behauptung, die einen anderen Mechanismus impliziert als einen sanften Anstoß.

• Ausgabestile — NVIDIAs fünf Stile (wörtlich, schriftliche Form, kontextuell, mit Sprecherangabe, reichhaltig) werden per Anweisung ausgewählt. Meta gibt ein Format zurück und erwartet eine Nachbearbeitung durch Sie.

Preis pro Audio-Stunde

Meta berechnet 3,00 $ pro 1.000 Minuten, also 0,18 $ pro Stunde Audio, ohne veröffentlichte Staffelungen oder Freikontingent. NVIDIAs gehostetes Angebot bei Artificial Analysis kostet 2,00 $ pro 1.000 Minuten – rund 0,12 $ pro Stunde – und die Gewichte sind unter OpenMDW-1.1 kostenlos herunterladbar, sodass Self-Hosting eine dritte Option ist, die Meta zu keinem Preis anbietet.

Die Rechnung bei Volumen ist einfach und spricht nicht für das günstigere Preisschild. Tausend Stunden Audio pro Monat kosten über Meta $180 und über einen gehosteten Nemotron-Endpunkt $120. Selbst gehostet sind dieselben tausend Stunden weniger als eine Stunde GPU-Zeit auf einer RTX PRO 6000 Blackwell bei der von NVIDIA angegebenen NVFP4-Durchsatzleistung — sagen wir $2 Rechenleistung zum Miet-GPU-Tarif, plus Betrieb, Speicher und den Ingenieur, der das Ganze verantwortet. Bei 10.000 Stunden pro Monat deckt die Differenz zwischen $1,800 und ein paar hundert Dollar eine Menge Betriebskosten; bei 100 Stunden pro Monat deckt sie nichts davon.

Was Self-Hosting tatsächlich bringt, ist nicht der Preis. Es ist die Möglichkeit, Transkription für Audio durchzuführen, das vertraglich nicht das eigene Netzwerk verlassen darf, und die Möglichkeit, die Pipeline am Laufen zu halten, wenn der Endpunkt eines Anbieters schlechter wird. Das sind die Gründe, warum regulierte Teams für GPUs bezahlen, die sie sonst mieten könnten.

Wo jedes einzelne bricht

Metas Fehlermodi sind latenznah. Seine Diarisierung setzt nicht überlappende Sprache voraus, sodass ein hitziger Support-Anruf mit Unterbrechungen die Sprecherwechsel falsch zuordnet. Sein Transkript enthält keine Wort-Zeitstempel, was die Untertitelerstellung, die Audiosuche und jede nachgelagerte Ausrichtung auf Video unmöglich macht. Seine Eingabevorgabe ist strikt, und sein Biasing ist nur beratend. Es bietet keine Übersetzung, keine Beantwortung von Audiofragen und keine selbst gehostete Option.

NVIDIAs Fehlermodi sind workflow-nah. Es kann nicht streamen und daher keine Live-Untertitel, Voice-Agenten oder Echtzeit-Call-Routing bereitstellen. Sein Audioverständnis ist ausschließlich englisch. Es ist auf eine Stunde pro Aufnahme begrenzt. Seine mitgelieferte SGLang-Omni-Integration lässt sprecherattributierte Ausgabe, Wort-Zeitstempel und Übersetzung weg, sodass einiges von dem, was die Karte verspricht, den vLLM-Pfad oder den NIM-Container erfordert. Und es kann gelegentlich nicht terminieren, wogegen die Karte vorbeugende Maßnahmen empfiehlt.

Keine der beiden Fehlerreihen ist ein Fehler zugunsten des anderen Modells. Sie sind die zwei Formen des Problems: ein Modell, das präsent ist, während das Audio läuft, und ein Modell, das gründlich ist, nachdem es endet.

Wenn Sie beides benötigen, ist die Pipeline kein Kompromiss.

Die häufigste reale Bereitstellung ist eigentlich gar keine Wahl. Live-Audio läuft über Metas Streaming-Endpunkt, denn nur so lässt sich Text erhalten, während der Anruf stattfindet – Untertitel, Agent-Assist, Live-Suche. Dieselbe Aufnahme wird anschließend über Nacht offline von NVIDIAs Checkpoint erneut transkribiert, weil der Batch-Durchlauf saubereren Text, sprecherzugeordnete Wortzeitstempel und, wo nötig, eine englische Übersetzung eines nicht englischsprachigen Anrufs liefert. Das Streaming-Transkript dient dem Augenblick, das Batch-Transkript dem Protokoll. Teams, die versuchen, ein Modell in beide Rollen zu zwingen, landen meist entweder bei einer verzögerten Live-Ansicht oder bei einer teuren Streaming-Rechnung für Audio, das niemand beobachtet.

Die nachgelagerte Hälfte dieser Pipeline – Anrufe zusammenfassen, die Leistung von Agenten bewerten, personenbezogene Daten schwärzen, gekennzeichnete Gespräche an einen Menschen weiterleiten – ist gewöhnliche Textarbeit und gehört nicht auf dieselbe GPU wie die ASR. OrcaRouter führt diese Textaufrufe hinter einem einzigen Schlüssel mit 0 % Aufschlag aus, wobei der Listenpreis des Anbieters unverändert weitergegeben wird, mit automatischem Failover, wenn ein Anbieter instabil ist, und einer Routing-DSL, die Zusammenfassung und Klassifizierung innerhalb eines einzigen Workflows an verschiedene Modelle senden kann. Weder Meta Muse Voice Transcribe noch NVIDIA Nemotron 3.5 Transcribe sind im Katalog von OrcaRouter enthalten; der Router sitzt nach dem Transkript, wo die Textarbeit stattfindet.

Drei Fragen klären das schneller als jede Bestenliste. Wie lange nach Eintreffen des Audiosignals muss der Text vorliegen? Lautet die Antwort „während des Anrufs", ist die Entscheidung die von Meta, und die WER-Diskussion ist Dekoration. Wie viele Personen sprechen gleichzeitig, und überlappen sie sich? Lautet die Antwort „mehr als acht, und ja", ist das NVIDIAs Terrain. Und darf das Audio Ihr Netzwerk verlassen? Wenn die Antwort nein lautet, lässt sich überhaupt nur eines dieser beiden Modelle einsetzen.

Alles andere – die 3,1 %, die 4,71 %, die 0,18 $ – gibt den Ausschlag zwischen zwei Produkten, die für unterschiedliche Momente desselben Meetings konzipiert wurden.