Nemotron 3.5 Transcribe vs Gemini 3.5 Transcribe: 2,8 % en la diapositiva, 3,4 % en la pizarra

De Google, Gemini 3.5 Transcribe ocupa el noveno puesto en la tabla de voz sin streaming de Artificial Analysis con una tasa de error del 2,6 %. El de NVIDIA, Nemotron 3.5 Transcribe, publicado como pesos abiertos el 28 de octubre de 2026, ocupa el vigésimo puesto con un 3,4 %. Cuatro décimas de punto los separan en el único índice público que puntúa a ambos, y esas cuatro décimas son casi el dato menos útil de esta comparación. Los dos no se crearon para la misma tarea: uno es un endpoint gestionado que limpia una transcripción antes de que la veas; el otro es un checkpoint que te descargas y que distingue a ocho hablantes mientras se solapan al hablar. La clasificación no favorece a ninguno de los dos en aquello para lo que realmente fue diseñado.

Vale la pena señalar de entrada una discrepancia, porque se repite en todos los artículos escritos sobre este modelo esta semana. El material de lanzamiento de NVIDIA informa un 2,8 % de AA-WER y un empate en el primer puesto entre los sistemas de pesos abiertos. La tabla en vivo, consultada el 29 de octubre, registra un 3,4 % en el puesto veinte. Ambos números proceden del mismo índice, y no son mediciones de la misma ejecución, lo cual constituye la primera lección práctica de esta comparación y la razón por la que la sección de precisión que sigue está redactada como está.

Lo que NVIDIA lanzó, y lo que Google ha estado ejecutando desde agosto

Nemotron 3.5 Transcribe no es un transductor ni un codificador simple. Es un modelo de lenguaje aumentado con voz: un codificador de voz alimenta a un modelo Nemotron 3 Diarization congelado, cuya señal de actividad del hablante se inyecta en el codificador de ASR mediante lo que NVIDIA denomina un Parallel Expert Encoder, y el decodificador es un LLM híbrido Mamba–Transformer de mezcla de expertos con aproximadamente 4 mil millones de parámetros activos por token de unos 30 mil millones en total. Los materiales de la propia empresa usan tanto las etiquetas 30B-A3B como 30B-A4B para la mitad correspondiente al modelo de lenguaje, y la barra lateral de Hugging Face indica 34B una vez contabilizada la pila de audio, así que considera cualquier cifra de parámetros aislada como aproximada. Los pesos son gratuitos bajo OpenMDW-1.1, que permite el uso comercial.

Gemini 3.5 Transcribe está disponible de forma general desde el 26 de agosto de 2026 a 2,00 USD por millón de tokens de entrada de audio y 12,00 USD por millón de tokens de salida de texto, lo que Google traduce como aproximadamente 0,005 USD por minuto, o alrededor de 0,30 USD por hora de audio. Tiene una capa gratuita dentro de la cuota, una SKU independiente de transmisión en vivo a aproximadamente 0,009 USD por minuto y ningún peso en absoluto.

El número que cambió entre el paquete de lanzamiento y la mañana siguiente

El AA-WER de Artificial Analysis se basa en tres conjuntos de datos —AgentTalk al 50 %, VoxPopuli-Cleaned al 25 %, Earnings22-Cleaned al 25 %— y el índice es una única puntuación combinada, no una puntuación por dominio. Eso importa porque AgentTalk es habla de agentes de voz, que es breve, limpia y está muy representada en la mezcla de entrenamiento de un proveedor si este vende agentes de voz. Un modelo que gana en la mezcla puede perder tu archivo.

Lea la tabla tal como está, y el orden de clasificación es: MAI Transcribe 2 con un 2,0%, Voxtral Small Transcribe 3 con un 2,1%, Gemini 3.5 Transcribe con un 2,6%, GPT Transcribe con un 3,3%, Nemotron 3.5 Transcribe con un 3,4%. La afirmación de NVIDIA del 2,8%, si se hubiera mantenido, habría situado al nuevo modelo a la altura de Gemini 3.1 Pro Preview y Voxtral Small, y cómodamente por delante del modelo por lotes de OpenAI. Con un 3,4%, queda por detrás de todos ellos y empatado con tres sistemas, incluida una variante Gemini Flash-Lite contra la que nunca se lo había posicionado. Una revisión de 0,6 puntos no es un error de redondeo en un índice cuyos diez primeros puestos completos abarcan del 1,7% al 2,9%.

La lectura honesta no es que NVIDIA mintió. AA vuelve a medir cuando un modelo se sirve en un nuevo endpoint o se vuelve a ejecutar con entradas actualizadas, y la cifra de lanzamiento casi con certeza refleja el propio envío de NVIDIA y no el host predeterminado del board. Pero es exactamente el tipo de brecha que se convierte en un error de adquisición: un equipo que presupuesta con base en "primero entre los pesos abiertos" y luego mide 3,4% ha comprado un modelo basándose en una diapositiva.

Lo que Google vende que NVIDIA no

La característica que decide más contratos de transcripción que el WER es lo que ocurre con las palabras después del reconocimiento, y Gemini 3.5 Transcribe está construido en torno a ella. Su modo literal predeterminado conserva muletillas, inicios en falso y repeticiones para tareas de cumplimiento normativo; su modo inteligente elimina las disfluencias, resuelve las autocorrecciones y normaliza en una sola pasada los números y las monedas pronunciados. Un vocabulario personalizado sesga el reconocimiento hacia un máximo de 1.000 términos, y Google recomienda alrededor de 100 bien elegidos. Ninguna de esas funciones existe en Nemotron 3.5 Transcribe, que puede *recibir indicaciones* para orientarse hacia una lista de entidades y al que se le puede indicar que genere una salida literal o en forma escrita, pero que deja el formato de los números y la reparación de autocorrecciones a lo que lea la transcripción a continuación.

Google también gana en amplitud de locales con nombre: más de 85, con detección automática y alternancia de código dentro de la frase, frente a los 40 de NVIDIA para transcripción y 31 para traducción. Victorias por nombre contabilizadas. Si tu cola incluye un idioma que está en la lista de Google y no en la de NVIDIA, no hay benchmark que discutir.

Lo que NVIDIA vende y Google no venderá

La atribución de hablante es el caso inverso, y es más contundente de lo que sugiere el marketing. Gemini 3.5 Transcribe documenta hasta ocho hablantes, pero los propios materiales de Google señalan que la atribución para tres o más hablantes es experimental, y su blog se inclina por «hasta tres». Nemotron 3.5 Transcribe etiqueta hasta ocho hablantes, lo hace en 13 idiomas y devuelve marcas de tiempo por palabra atribuidas al hablante mediante un adaptador CTC posterior a la decodificación que alinea la transcripción final con el audio.

• Parámetros — 30B en total con aproximadamente 4B activos, MoE híbrido Mamba–Transformer frente a una pila de voz propietaria no revelada.

• Licencia — OpenMDW-1.1, uso comercial, pesos descargables frente a solo API sin derechos de redistribución.

• Precio — no hay tarifa de lista publicada; el costo es tiempo de GPU, y se afirma que una compilación NVFP4 en una RTX PRO 6000 Blackwell procesa hasta 2.238 segundos de audio por segundo frente a $0,005 por minuto en tarifa combinada.

• Idiomas: 40 transcritos, 31 traduci­dos desde o hacia el inglés, 13 con etiquetas de hablante frente a más de 85 variantes locales con alternancia de código.

• Altavoces — 8, documentados y comparados con referencia frente a 8 documentados, 3+ marcados como experimentales.

• Duración del audio — 1 hora en una sola pasada vs 1 hora, reduciéndose a 30 minutos cuando se solicita diarización o marcas de tiempo.

• Streaming: ninguno; solo audio grabado frente a un SKU de transmisión en vivo separado a aproximadamente $0.009 por minuto.

• Postprocesamiento — forma literal o escrita controlada por el prompt; sin limpieza integrada frente al modo inteligente que elimina muletillas y corrige las autocorrecciones.

Las cifras de diarización que solo publica una de las partes

Aquí es donde la comparación deja de ser reñida y empieza a ser desigual, y también donde las fuentes se vuelven escasas. NVIDIA reporta una tasa de error de diarización del 18,26 % en 21 idiomas en el benchmark David AI, la más baja de 14 sistemas evaluados, con su propio modelo Nemotron 3 Diarization como siguiente entrada con 18,38 % y todo lo demás entre 22,85 % y 37,55 %. En Diarization-Bench de VoiceArena, reporta un WER concatenado de min-permutación del 32,4 %, el mejor de 14, con el segundo puesto en 34,2 %. En sesiones en inglés con habla superpuesta, reporta una omisión del 8,32 % de las palabras de referencia frente a una mediana de aproximadamente el 31 %.

Google no publica ninguna tasa de error de diarización para Gemini 3.5 Transcribe. Ni siquiera una peor: ninguna. Esa asimetría juega en ambos sentidos y debe decirse con claridad: las cifras de NVIDIA las reporta el propio proveedor en el banco de pruebas de NVIDIA, y no hay ninguna cifra de terceros con la que contrastarlas porque los rankings independientes de diarización que existen están ocupados en su mayoría por los sistemas que la propia NVIDIA inscribió. Lo que no está en duda es el límite documentado: Gemini se limita a ocho hablantes, con atribución experimental por encima de tres, y reduce la duración máxima de tu audio de una hora a treinta minutos en el momento en que pides etiquetas de hablante y marcas temporales por palabra a la vez. Si tu material es una reunión de junta directiva de seis personas, se trata de una limitación del producto y no de una cuestión de calidad, y ninguna comparación de WER lo sacará a la luz.

Lo que realmente cuesta una hora de audio en cada uno

Haz el cálculo con mil horas al mes, una carga realista para un centro de contacto o un archivo de medios. Gemini 3.5 Transcribe a $0.005 por minuto son $300 por mil horas. Nemotron 3.5 Transcribe no tiene precio de lista porque no hay nada que listar: compras la GPU. Una RTX PRO 6000 Blackwell ejecutando el checkpoint NVFP4 es la configuración que NVIDIA demuestra, y la afirmación de rendimiento —hasta 2,238 segundos de audio por segundo— viene con una condición que la publicación de Hugging Face señala y los titulares omiten: se midió en clips de 30 segundos con alta concurrencia. Las reuniones largas con hablantes que se solapan no alcanzarán esa cifra.

El punto de equilibrio es, por tanto, una cuestión de utilización, no de precio. Una sola tarjeta que cuesta aproximadamente lo mismo que unos pocos meses de transcripción gestionada solo se amortiza si se mantiene ocupada, y nunca se amortiza frente a 300 dólares mensales de llamadas a la API en una cola pequeña. El argumento a favor del checkpoint no son minutos más baratos con volumen bajo. Es que los minutos dejan de ser una partida presupuestaria por completo, el audio nunca sale de tu red, y el ajuste fino es una tarde con una sola GPU — NVIDIA informa de 0,5 a 2,3 horas de GPU por tarea, y una adaptación de voz médica que redujo la tasa de error de palabras del 30,8 % al 11,8 % en 3.619 clips, con hablantes reservados que mejoraron del 22,44 % al 12,17 %.

La propia página de investigación de NVIDIA es el único lugar donde aparecen juntas las afirmaciones sobre rendimiento y ajuste fino, y vale la pena leerla junto a las cifras anteriores: la cifra de 2,238 segundos por segundo supone el checkpoint NVFP4 y el modelo borrador DFlash2 sobre hardware Blackwell, y la afirmación de ajuste fino de entre 0,5 y 2,3 horas-GPU supone una única GPU y una tarea lo bastante pequeña como para que quepa en una. Ninguna de las dos es un titular que se pueda trasladar tal cual a un plan de capacidad sin esas salvedades.

Sea cual sea el bando por el que te decidas, la transcripción no es el final del proceso. Se resume, se clasifica, se busca y se enruta, y esa segunda mitad aguas abajo es donde una única puerta de enlace importa: OrcaRouter ofrece más de 200 modelos de texto y multimodales tras una sola clave, con los precios de lista de los proveedores repercutidos con un 0 % de margen, conmutación por error automática y un DSL de enrutamiento que puede enviar las actas de una reunión a un resumidor y la revisión de cumplimiento a otro sin necesidad de una segunda integración. Ni Gemini 3.5 Transcribe ni Nemotron 3.5 Transcribe están hoy en ese catálogo —el reconocimiento de voz sigue siendo un contrato aparte se compre donde se compre—, así que el planteamiento es más limitado de lo que parece: elige el transcriptor por la transcripción y deja que la capa superior siga siendo portátil.

¿Cuál pertenece a tu stack?

Elige Gemini 3.5 Transcribe si tu problema es el texto: audio de entrevistas con disfluencias, habla de centros de llamadas llena de «no espera, quería decir», una lista de locales que necesitas comprobar por nombre y un endpoint gestionado que puedes poner detrás de una clave esta tarde. Es el modelo más preciso en la tabla pública hoy, por un margen pequeño pero real, corrige la transcripción sobre la marcha y cuesta treinta centavos la hora con un nivel gratuito para hacer pruebas.

Elige Nemotron 3.5 Transcribe si el problema es la sala. Más de tres hablantes, solapamiento de voz, etiquetas de hablante en trece idiomas, marcas de tiempo por palabra que aguantan un archivo de una hora y una política de audio que prohíbe enviar la grabación a terceros: esas son las condiciones en las que el checkpoint abierto no es un compromiso, sino la única opción que cumple el requisito. También es el único de los dos que puedes ajustar con fine-tuning, lo que, para audio con acento o específico de un dominio, vale más que cuatro décimas de punto.

¿Qué cambiaría este veredicto: una nueva ejecución independiente de diarización que sitúe a Gemini en algún punto cercano al 18,26 % de DER de NVIDIA, o una nueva medición de AA que deje a Nemotron entre el 2,8 % y el 3,4 %? Hasta que se materialice una de esas cosas, el argumento de precisión es el de un proveedor, y el argumento de las funcionalidades es el que puedes comprobar tú mismo en una tarde con tu propia peor grabación.