Nemotron 3.5 Transcribe vs Grok Voice Transcribe 2.0: pesos abiertos en tu GPU, o $0.20 por hora

Grok Voice Transcribe 2.0 cobra $0.20 por cada hora de audio que transmitas en streaming a través de él, y $0.10 por cada hora que proceses por lotes. Nemotron 3.5 Transcribe no cobra nada por hora y te exige tener una GPU que pueda alojar alrededor de 34 mil millones de parámetros. Lee solo esa frase y la comparación parece una guerra de precios entre un medidor y una máquina, con el medidor claramente en desventaja. No sale perdiendo: en la única tabla de benchmarks donde aparecen ambos modelos, el de pago por uso es más preciso, y el abierto no se acerca lo suficiente como para discutirlo.

Los dos se lanzaron con seis semanas de diferencia —Grok Voice Transcribe 2.0 el 2026-09-18, Nemotron 3.5 Transcribe el 2026-10-28— y fueron creados para trabajos distintos. Uno es una API alojada con un WebSocket que devuelve palabras mientras una persona todavía está hablando. El otro es un checkpoint que descargas, cargas y apuntas a una grabación ya terminada. La latencia, el número de idiomas, las etiquetas de hablante, la estructura de costos e incluso los términos legales se derivan de esa única diferencia, por lo que la pregunta interesante no es cuál transcribe mejor.

Qué es cada uno, en seis líneas

El contraste de formas es lo bastante marcado como para que una lista de especificaciones se lea como un error de categoría, que es precisamente la idea.

• Despliegue — una API REST y WebSocket alojada en la propia infraestructura de xAI frente a pesos abiertos bajo OpenMDW-1.1 que uno mismo sirve en vLLM, SGLang-Omni o NeMo Speech.

• Tamaño — xAI no publica un recuento de parámetros, frente a 34B totales con aproximadamente 4,3B activos, incluido el codificador de audio, sobre un backbone de mezcla de expertos Mamba y Transformer Nemotron 3.5 Lightning 30B-A3B.

• Entrada de audio — archivos de hasta 500MB en doce formatos de contenedor más tres codificaciones sin procesar, con 2-8 canales mediante el modo multicanal, frente a grabaciones de hasta una hora a 16kHz mono PCM dentro de un contexto de 65,536 tokens.

• Ruta en tiempo real — transmisión con resultados provisionales aproximadamente cada 500 ms, detección de fin de turno predeterminada en 400 ms, detección inteligente de turnos y un endpoint por lotes separado, frente a la ausencia total de transmisión; el modelo lee un archivo finalizado y devuelve una transcripción.

• Cobertura de idiomas: 37 idiomas nombrados en la documentación de xAI y descritos allí como 38+, frente a 40 idiomas transcritos y 31 pares de traducción hacia o desde el inglés en la tarjeta de NVIDIA.

• Etiquetas de hablante — una marca de diarización que añade un entero de hablante a cada palabra, disponible en lote y en streaming, frente a un codificador de diarización fusionado que produce transcripciones con atribución de hablante en una sola pasada para hasta 8 hablantes en 13 idiomas.

• Precio — $0,10 por hora de audio en procesamiento por lotes y $0,20 por hora de audio en streaming, frente a la ausencia de una tarifa por hora publicada, porque NVIDIA vende los pesos y tú aportas la capacidad de cómputo.

La única tabla donde se encuentran, y no se rompe como esperas.

Artificial Analysis tiene una tabla de clasificación de voz a texto con dos categorías: una por lotes para archivos terminados y otra de streaming para modelos que emiten resultados parciales. Nemotron 3.5 Transcribe solo cumple los requisitos para la primera. Allí, Grok Voice Transcribe 2.0 se sitúa en 2,3 % de AA-WER, en quinto lugar entre unos sesenta modelos, mientras que el modelo de NVIDIA figura con 2,80 % en el material de lanzamiento y marca 3,4 % en la tabla en vivo en los días posteriores al lanzamiento. Llámalo 2,8 % o 3,4 %; en cualquier caso, el modelo alojado gana en la única escala que ambos comparten, por entre medio punto y un punto completo.

Ese resultado es menos perjudicial de lo que parece a primera vista, porque los dos modelos no están en la tabla por la misma razón. La afirmación de NVIDIA es que Nemotron 3.5 Transcribe es el mejor modelo de voz de pesos abiertos, y en esa tabla más específica lo es: la comparación que gana es contra otros checkpoints descargables, donde 2,8% es la cifra a superar. Grok Voice Transcribe 2.0 es propietario y compite en otra liga. Comparar los dos entre sí produce un titular —«el modelo alojado supera al modelo abierto por 0,5 puntos»— que mide una mezcla de benchmarks, no una decisión de producto.

El carril de streaming es donde la asimetría se vuelve estructural en lugar de estadística. Grok Voice Transcribe 2.0 ocupa el primer puesto de streaming con 2,7 % de WER final, emitido 0,49 segundos después del final del habla, y 3,4 % en su primera parcial con la misma latencia, primero de unos treinta y dos modelos de streaming. Nemotron 3.5 Transcribe no tiene entrada, porque no puede hacer streaming. Es un modelo de entrada de archivo y salida de transcripción, y no se documenta ninguna ruta de streaming por fragmentos para él. Cualquiera que compare los dos en precisión mientras planifica un despliegue de subtítulos en vivo está comparando un modelo que no puede usar.

Ambos tableros llevan una etiqueta de advertencia que vale la pena repetir. AA-WER se desplaza casi un punto completo para el mismo modelo entre distintos endpoints de servicio, así que la diferencia de 0,5 puntos anterior es más o menos la anchura del ruido de medición: real en dirección, débil como veredicto. Y la propia cifra de xAI del 6,8 % en frases cortas multilingües, frente al 20,6 % de la versión 1.0, procede de un conjunto interno construido a partir de tráfico de producción, no de un corpus publicado. Es una afirmación de proveedor sobre un conjunto de proveedor, y no aparece en Artificial Analysis en absoluto.

El streaming es la línea que el modelo abierto no puede cruzar.

Para un agente de centro de llamadas, un subtítulo en vivo, un asistente de reuniones o un bot de voz, la decisión ya está tomada antes de que se tenga en cuenta la precisión. Grok Voice Transcribe 2.0 acepta tramas de audio binarias sin procesar a través de WebSocket —pcm, mulaw, alaw u opus—, devuelve resultados intermedios aproximadamente dos veces por segundo y proporciona señales de fin de turno mediante detección de punto final y detección inteligente de turnos. Esos son los mecanismos que hacen que una transcripción se perciba como en vivo, y son la razón por la que la biblioteca de videos de Loom de Atlassian se trasladó al modelo en su lanzamiento.

Nemotron 3.5 Transcribe tiene por diseño la forma opuesta. Lee hasta una hora de audio en una sola pasada y devuelve una transcripción completa, con marcas de tiempo por palabra producidas por un adaptador CTC ligero después de la generación, no durante ella. Ese diseño aporta precisión en grabaciones largas y desordenadas y cuesta latencia en todo lo corto e interactivo. NVIDIA tiene en su línea un reconocedor de voz en streaming aparte y mucho más pequeño — Nemotron Speech Streaming EN 0.6B —, pero es un modelo diferente con una cobertura diferente, no un modo streaming de este checkpoint. Comprar el modelo 30B esperando incorporarle streaming más tarde es comprar dos veces el producto equivocado.

Cuarenta idiomas frente a treinta y siete, y un conteo que se movió

Sobre el papel, la diferencia es de tres idiomas. En la práctica, depende de qué página se lea. La documentación de voz a texto de xAI enumera 37 idiomas con nombre — desde el árabe y el bosnio hasta el urdu y el vietnamita, con variantes regionales para español, portugués y árabe — y describe el total como 38+. La cobertura publicada en torno al lanzamiento de septiembre indicaba 25. La documentación es la fuente más actual y más específica, pero un recuento de idiomas que cambia en trece entre una publicación de lanzamiento y una página de documentación es un recuento que conviene verificar con tus propios audios en vez de adoptarlo.

La ficha de NVIDIA es más granular y, por una vez, más conservadora: 40 idiomas con una tabla de marcas de verificación por idioma, y 13 de ellos marcados para transcripción con múltiples hablantes. Los que importan para la atribución de hablantes son un conjunto más reducido que los 40: árabe, mandarín, inglés, francés, alemán, hindi, italiano, japonés, coreano, portugués, ruso, español y tailandés. Si su archivo está en polaco o turco, Nemotron 3.5 Transcribe lo transcribirá bien y no le dirá quién dijo qué, que es la capacidad que probablemente estaba comprando.

La traducción es una columna exclusiva de Nemotron aquí. El modelo traduce hacia y desde el inglés en 31 pares en la misma pasada en la que transcribe, algo que Grok Voice Transcribe 2.0 no ofrece; la API de xAI devuelve texto en el idioma hablado. Si la tarea son actas bilingües de reuniones, esa es una función que ninguna ingeniería de prompts del lado de Grok podrá reproducir.

Etiquetas de locutor: un codificador fusionado frente a un booleano

Esta es la única dimensión en la que ambos están más cerca de lo que sugiere el marketing, y en la que la respuesta honesta es que ambos lo hacen.

• Nemotron 3.5 Transcribe: un modelo congelado de Nemotron 3 Diarization alimenta representaciones de actividad del hablante al codificador ASR, de modo que el modelo de lenguaje ve quién habla como parte de su entrada. La salida incluye etiquetas de hablante y segmentos sin procesar, hasta 8 hablantes, y marcas de tiempo a nivel de palabra. Es una sola pasada, sin un segundo servicio intermedio.

• Grok Voice Transcribe 2.0 — configura diarize=true y cada palabra se devuelve con un campo speaker de tipo entero, tanto en batch como en streaming. El modo multicanal va más allá: hasta 8 canales se transcriben de forma independiente y se devuelven con un índice de canal, lo que supone una atribución exacta cuando tu fuente es una grabación multicanal en lugar de una mezclada.

La diferencia práctica es la cobertura, no la existencia. La flag de Grok funciona en los idiomas que admite su API; la ruta fusionada de NVIDIA está entrenada para 13. Y el multicanal es una ventaja real en las salas donde se aplica — una sala de juntas con un micrófono por asiento no necesita que un diarizador adivine. Un archivo mono mezclado procedente de una sala de conferencias sí, y ahí la diferencia de calidad entre un codificador fusionado y una flag alojada es algo que solo su propio audio puede determinar.

La aritmética a mil horas al mes

El precio es el punto en el que los dos modelos divergen de verdad, y merece la pena echar cuentas en vez de intercambiar anécdotas sobre las facturas de GPU.

Con 1.000 horas de audio al mes, Grok Voice Transcribe 2.0 cuesta $100 en modo por lotes o $200 en streaming — $1.200 o $2.400 al año, sin hardware, sin ventana de mantenimiento y sin arranque en frío. Nemotron 3.5 Transcribe cuesta lo que cueste la GPU. La página de investigación de NVIDIA afirma que el checkpoint NVFP4 con el modelo borrador DFlash2 transcribe 2.238 segundos de audio por segundo en una única RTX PRO 6000 Blackwell, lo que, incluso rebajado en un orden de magnitud, sitúa 1.000 horas de audio dentro de unas pocas horas de GPU al mes. El cómputo no es la limitación; la propiedad sí.

• Punto de equilibrio frente a la tarifa de streaming: una tarjeta para estación de trabajo de $8,000 se amortiza después de 40 meses de 1,000 horas de streaming, o 80 meses frente a la tarifa por lotes.

• A 10.000 horas al mes — la misma tarjeta se amortiza en cuatro meses frente al streaming, y la tarifa por hora baja a unos 2 centavos.

• GPU alquilada en la nube — una H100 a aproximadamente 2 dólares por hora supera los precios de lista de ambos modelos en cuanto la afirmación de rendimiento del proveedor se cumple, aunque sea solo en una fracción de la cifra declarada; el costo fijo pasa a ser tiempo de ingeniería, almacenamiento y el hecho de que ahora ejecutas un servidor de modelos.

El punto de equilibrio, por tanto, no tiene nada que ver con la precisión de la transcripción. Tiene que ver con el volumen y con si se permite que el audio salga de tu red. Por debajo de unos pocos miles de horas al mes, la tarifa del servicio alojado resulta más barata que la ingeniería. Por encima de eso, o detrás de una barrera de cumplimiento normativo, ganan los pesos del modelo y la comparación se invierte.

Dónde encaja OrcaRouter y dónde no

Ninguno de estos transcriptores está hoy en el catálogo de OrcaRouter; los modelos que ofrecemos son modelos de texto y visión, y nada de lo aquí expuesto debe interpretarse como un endpoint para ninguno de los dos. Lo que sí genera un pipeline de transcripción es una gran cantidad de texto que después necesita resumen, extracción de entidades, ocultación de datos sensibles, clasificación y búsqueda. Es en esas llamadas donde una única clave compatible con OpenAI para más de 200 modelos se amortiza: el precio de lista del proveedor se aplica con un margen del 0 %, así que una reducción de precio del proveedor llega el mismo día, conmutación por error automática cuando un proveedor upstream se degrada, y un DSL de enrutamiento que puede enviar el trabajo de clasificación barato a un modelo pequeño mientras mantiene la costosa tarea de resumen en uno de vanguardia. Si ejecutas Nemotron 3.5 Transcribe en tus propios servidores, la GPU es tu transcriptor; el enrutamiento es lo que ocurre con la transcripción después.

¿Cuál elegir?

La decisión se refiere al reloj del audio, no a la tarjeta del modelo.

• Audio en vivo, agentes de voz, subtítulos, enrutamiento de llamadas — Grok Voice Transcribe 2.0, sin apenas debate. El streaming es nativo, la latencia es inferior a medio segundo hasta una transcripción final, y el endpoint por lotes es el mismo modelo para el relleno nocturno.

• Grabaciones terminadas con varios hablantes, en idiomas distintos del inglés — Nemotron 3.5 Transcribe, siempre que tengas la GPU y la ruta de hablantes de 13 idiomas cubra tu audio. Este es el caso para el que se diseñó el modelo, y donde 40 idiomas y la diarización de una sola pasada superan una diferencia de precisión de 0,5 puntos.

• Archivos bilingües — Nemotron 3.5 Transcribe, porque los pares de traducción se incluyen en la misma pasada y Grok no traduce.

• Volumen pequeño, sin GPU, solo en inglés: Grok Voice Transcribe 2.0 en modo por lotes a $0.10 por hora. Mil horas cuestan cien dólares; ninguna libertad de licencia de pesos abiertos compensa comprar una tarjeta Blackwell para ahorrar eso.

La tentadora cuarta respuesta —desplegar Nemotron ahora y añadir streaming después— no existe. El modelo que NVIDIA distribuyó es deliberadamente offline, y la línea de streaming que vende junto a él es un reconocedor de inglés de 0,6B, no un modo de este. Elige primero la forma que necesitas; el argumento del ranking puede esperar, porque medio punto de AA-WER está holgadamente dentro del rango en que se mueve el mismo modelo cuando cambia de host.