Nemotron 3.5 Transcribe vs GPT Transcribe: 0.1 puntos de diferencia, uno te entrega el checkpoint

Pídele a GPT Transcribe marcas de tiempo a nivel de palabra y la API no te las dará. No de forma deficiente ni aproximada: el modelo no tiene una cabeza de temporización, la documentación de OpenAI te remite a whisper-1 para esa tarea, y lo mismo vale para las etiquetas de hablante, que viven en un modelo de diarización aparte. Ahora pídele a Nemotron 3.5 Transcribe, que NVIDIA lanzó como pesos abiertos el 28 de octubre de 2026, y ambas cosas se obtienen en una sola pasada: tiempos de palabra atribuidos al hablante desde un adaptador CTC que alinea la transcripción final con el audio después de decodificar. Los dos modelos están a menos de una décima de punto entre sí en la tabla pública de precisión. Para lo que haces con una transcripción, no están en la misma categoría de producto.

Esa es toda la decisión, y vale la pena recorrerla despacio, porque la cobertura del lanzamiento ha reducido en gran medida este emparejamiento a una carrera de WER que, en realidad, ninguno de los dos bandos gana por un margen significativo.

La brecha de precisión es ruido; la brecha de funcionalidades no.

En el índice no streaming de Artificial Analysis, GPT Transcribe —el modelo de transcripción por lotes de OpenAI, lanzado el 28 de julio de 2026 junto a un modelo hermano de streaming en vivo— figura con un 3,3%, empatado en el puesto dieciocho con un pequeño competidor. Nemotron 3.5 Transcribe figura con un 3,4%, empatado en el puesto veinte. Una décima de punto, en un índice cuyas propias entradas para el mismo modelo pueden diferir en casi un punto entero según qué endpoint las haya servido. Nadie debería elegir entre dos sistemas de voz por eso.

El material de lanzamiento de NVIDIA, por su parte, informa un AA-WER de 2,8 % y un empate en el primer puesto entre los modelos de pesos abiertos. La lectura del panel en vivo del 29 de octubre refleja un 3,4 %. Trata el 2,8 % como una cifra de envío y el 3,4 % como la medición actual; la diferencia es mayor que la brecha entre Nemotron y GPT Transcribe, lo que da una idea de cuánto peso merece una sola variación en la tabla de clasificación.

• Parámetros — unos 30B en total y aproximadamente 4B activos por token en un MoE híbrido Mamba–Transformer frente a no revelado, no generativo.

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

• Precio — sin tarifa de lista; tiempo de GPU, con una compilación NVFP4 que, según se afirma, alcanza hasta 2.238 segundos de audio por segundo en una RTX PRO 6000 Blackwell frente a $0,0045 por minuto, aproximadamente $0,27 por hora de audio.

• Etiquetas de hablante — hasta 8 hablantes en 13 idiomas, integradas vs ninguna; se requiere un modelo de diarización independiente.

• Sincronización de palabras — alineación CTC posterior a la decodificación, ofrecida con atribución de hablante o sin ella; whisper-1 es la alternativa documentada.

• Idiomas — 40 transcritos, 31 traducidos a o desde el inglés vs. multilingüe con detección automática y sugerencias de idioma, sin cifra publicada.

• Duración del audio: 1 hora en una sola pasada frente a la opción basada en archivos con la fragmentación gestionada por la API.

• Posprocesamiento — forma literal o escrita controlada por el prompt frente a contexto libre y pistas de palabras clave, sin pasada de limpieza.

Qué hace GPT Transcribe mejor que el checkpoint abierto

Tres cosas, y no son triviales. La primera es que es una API. No hay un checkpoint de 30B parámetros que dimensionar, ni una compilación NVFP4 que esperar, ni una receta de vLLM que fijar. OpenAI informa un procesamiento de aproximadamente 34× en tiempo real, lo cual es más lento que el rendimiento que NVIDIA afirma para una tarjeta Blackwell y es irrelevante para la mayoría de los equipos, porque 34× en tiempo real ya es más rápido que cualquier cola que ejecuten.

El segundo es el manejo del contexto. GPT Transcribe acepta contexto de forma libre, sugerencias de palabras clave y vocabulario, y múltiples sugerencias de idioma, y devuelve un arreglo de idiomas detectados junto con la transcripción. Esa combinación es realmente útil en audio con alternancia de código y en jerga de dominio, y es una interfaz de prompting en lugar de un ajuste fino, lo que significa que un equipo de producto puede ajustarla sin poseer una GPU. Al equivalente de NVIDIA, una lista de entidades esperadas proporcionada en el prompt, se le atribuye una reducción de seis veces en los errores de entidades nombradas en ContextASR-Bench, pero esa cifra es reportada por el proveedor y no ha sido replicada.

La tercera es la superficie de integración: el mismo endpoint sirve para la transcripción de archivos, las transcripciones de archivos transmitidas en streaming, los turnos en tiempo real confirmados mediante WebSocket, la API Responses y Batch. Un equipo que ya está en la plataforma de OpenAI obtiene la transcripción como un parámetro, no como un despliegue.

Las propias afirmaciones de calidad publicadas por OpenAI son amplias y difíciles de verificar: una tasa de error de palabras (WER) del 19,27 % en un conjunto de Common Voice de 22 idiomas, frente al 40,37 % de Whisper, y del 8,98 % en una prueba de referencia del mundo real de nueve idiomas, frente al 15,21 %. Son cifras del proveedor frente a una base de 2024, no frente a un competidor de 2026. El panorama independiente es más favorable para GPT Transcribe de lo que sugiere el ranking de AA: en el conjunto de inglés revisado por humanos de Perit, alcanza una WER del 1,76 %, ocupa el sexto puesto de 22 y el 61,3 % de los clips se transcriben perfectamente. Ese es un conjunto de pruebas distinto del de Artificial Analysis, y las cifras no son comparables entre los dos rankings — pero la tendencia es coherente, y sitúa el modelo de OpenAI por delante del endpoint alojado de Parakeet en el mismo conjunto.

Dónde realmente pasan factura las funciones que faltan

Si tu salida es texto plano para un índice de búsqueda, las carencias de GPT Transcribe no te cuestan nada. En el momento en que necesitas más, el trabajo se multiplica. La sincronización por palabra implica una segunda pasada por whisper-1 o por un alineador forzado, lo que reintroduce exactamente el mismo modo de fallo que la alineación existe para corregir: una transcripción con límites desplazados que se lee bien y rompe los subtítulos. Las etiquetas de hablante implican un tercer modelo, unido en los límites de segmento, con su propia tasa de error que depurar. Y ninguna de esas segundas pasadas sabe de la otra, así que una llamada de dos hablantes se convierte en tres modelos y un paso de fusión.

La cascada no es una crítica a la ingeniería de OpenAI. Es lo que es el producto: un transcriptor de alta precisión con una salida deliberadamente limitada. Microsoft y Google ofrecen la misma división: la diarización como un SKU aparte o un modo aparte con sus propios límites. La apuesta de NVIDIA es la contraria, y la forma honesta de plantearlo es que Nemotron 3.5 Transcribe requiere más cómputo para evitar un pipeline.

Lo que compra ese cómputo está documentado, pero lo reporta el proveedor: una tasa de error de diarización del 18,26 % en 21 idiomas en el benchmark David AI, el mejor de 14 sistemas; un WER concatenado de permutación mínima del 32,4 % en VoiceArena, también el mejor de 14; y un 8,32 % de palabras de referencia omitidas en habla inglesa superpuesta, frente a una mediana cercana al 31 %. No hay una cifra de diarización de OpenAI con la que contrastar estas, porque OpenAI no publica ninguna para este modelo.

Dos formas de dejar de pagar por minuto

GPT Transcribe cobra 0,0045 USD por minuto, lo que equivale a 4,50 USD por cada mil minutos y unos 270 USD por cada mil horas de audio. Nemotron 3.5 Transcribe no cobra nada por minuto y, en su lugar, requiere una GPU. La configuración de demostración de NVIDIA es una RTX PRO 6000 Blackwell ejecutando el checkpoint NVFP4 con un modelo borrador DFlash2, y la cifra destacada de rendimiento —100 horas de audio en menos de tres minutos— se midió con clips de 30 segundos y alta concurrencia, no con reuniones de una hora. Interprétalo como un límite superior para el trabajo bien agrupado en lotes.

Eso deja un punto de equilibrio determinado por la utilización más que por el precio de lista. Una tarjeta que ya tienes y mantienes ocupada supera cómodamente los 270 dólares por cada mil horas. Una tarjeta que tuvieras que comprar para una cola de cuarenta horas al mes no supera esa marca, y ninguna cantidad de eficiencia de parámetros cambia esa aritmética.

Hay una tercera opción que el enfoque de dos vías oculta, y es la que la mayoría de los equipos adopta en realidad: mantener la API gestionada para el grueso y enviar los archivos difíciles —las reuniones de seis personas, las entrevistas clínicas con acento, el audio que no tienes permitido subir— a un checkpoint autoalojado. Eso funciona solo si las dos salidas acaban con la misma estructura, lo que aboga por estandarizar un esquema de transcripción con campos de hablante y de tiempos incluso cuando tu proveedor actual no los rellena. Estandariza primero el esquema; el modelo se podrá intercambiar después.

En la capa situada por encima de la transcripción, el trabajo de OrcaRouter es conseguir que esa capacidad de sustitución no se detenga en el límite del modelo. El resumidor, el clasificador y el verificador de cumplimiento que leen estas transcripciones pueden situarse todos detrás de una sola clave para más de 200 modelos, con los precios de lista de los proveedores trasladados con un margen del 0 %, conmutación automática por error cuando un proveedor de origen falla, y un DSL de enrutamiento que envía cada carga de trabajo a un modelo diferente sin una segunda integración. GPT Transcribe y Nemotron 3.5 Transcribe están ambos fuera de ese catálogo —no servimos ninguno de los dos—, así que la llamada de voz se queda donde la compres, y solo la mitad posterior pasa a ser portable.

La versión breve, según la situación

Si quieres una transcripción y nada más, y la quieres la próxima semana sin aprovisionar nada, GPT Transcribe es la opción de menor riesgo: ocupa el sexto puesto en el conjunto independiente Perit, ofrece una superficie de integración que probablemente ya tienes y tiene un precio que no exige una compra de capital. Si tus transcripciones alimentan subtítulos, analítica de reuniones, búsqueda con atribución de hablante o un archivo de cumplimiento, los modelos adicionales que añadirías a GPT Transcribe cuestan más en tiempo de ingeniería de lo que cuesta el checkpoint en horas de GPU, y Nemotron 3.5 Transcribe hace ese trabajo en una sola pasada.

La advertencia que corresponde a ambos: este es un modelo que tiene apenas un día de vida, sus benchmarks principales son los de su propio proveedor, y los rankings independientes aún no han evaluado en absoluto el checkpoint de 30 000 millones de parámetros. No lo confundas con nvidia/nemotron-3.5-asr-streaming-0.6b, el modelo de streaming de 600M de junio que sí aparece en los rankings independientes y obtiene resultados considerablemente peores (3,35 % de WER, puesto 21 de 22 en Perit). Comparten un nombre de familia y nada más.