Nemotron 3.5 Transcribe vs MAI Transcribe 2: $100 por hora frente a una GPU que ya es tuya

Mil horas de audio le cuestan a Microsoft cien dólares. Ese es todo el argumento de precios de MAI Transcribe 2, que está en versión preliminar pública desde el 3 de septiembre de 2026 a $0.10 por hora de audio —alrededor de $1.67 por mil minutos, una tarifa que deja por debajo a todos los competidores gestionados que menciona y aproximadamente un tercio de lo que OpenAI cobra por el mismo trabajo.Nemotron 3.5 Transcribe, el checkpoint abierto de NVIDIA del 28 de octubre de 2026, no tiene ningún precio por minuto, porque la única forma de comprarlo es comprar el hardware en el que se ejecuta. A mil horas al mes, la factura de Microsoft es un error de redondeo en el presupuesto de un departamento y la de NVIDIA es una compra de capital.

Luego viene la parte incómoda. En la tabla pública de precisión, MAI Transcribe 2 es segundo en el mundo con un 2,0 % de AA-WER. Nemotron 3.5 Transcribe es vigésimo con un 3,4 %. El modelo más barato es también el más preciso, por un margen mayor que toda la diferencia entre los puestos nueve y veinte. Si esta comparación se tratara solo de palabras y dinero, se resolvería en un párrafo. No es así, porque Microsoft no publica ninguna cifra de calidad de diarización y NVIDIA publica varias, y esa columna vacía es la razón por la que alguien todavía elegiría la opción cara.

Lo que dice el consejo y lo que no puede decir

Artificial Analysis evalúa ambos modelos sobre la misma combinación de tres conjuntos de datos, así que el 2,0 % frente al 3,4 % es, como mínimo, una comparación homogénea del mismo índice, medida por el mismo operador. Eso es más raro de lo que debería ser en esta categoría, y merece tomarse en serio. MAI Transcribe 2 solo queda por detrás de un sistema de vista previa en tiempo real en lo más alto de la tabla; Nemotron 3.5 Transcribe empata con tres sistemas, uno de los cuales es una variante de Gemini Flash-Lite en modo de razonamiento mínimo.

El propio material de lanzamiento de NVIDIA reporta 2,8% de AA-WER, lo que, de mantenerse, aun así lo dejaría ocho décimas completas por detrás de Microsoft. El tablero en vivo registra 3,4%. En cualquier caso, el orden no cambia, así que, a diferencia de las otras comparaciones de esta serie, la discrepancia entre lanzamiento y tablero no decide nada aquí. Microsoft simplemente está por delante en la métrica por la que ambas empresas acuerdan medirse.

Lo que $0.10 por hora realmente compra

MAI Transcribe 2 es un modelo de transcripción por lotes diseñado para audio de larga duración: reuniones, llamadas, archivos de medios y grabaciones de centros de contacto. Cubre 60 idiomas con identificación automática del idioma, incluye diarización de hablantes, devuelve marcas de tiempo a nivel de palabra, admite sesgo de palabras clave para nombres y términos del dominio y ofrece dos estilos de salida: literal, que conserva muletillas y falsos comienzos, y limpio, que los elimina. Microsoft informa un rendimiento de aproximadamente 411× el tiempo real en la tabla de velocidad de Artificial Analysis, segundo en general, y su propia publicación de lanzamiento lo presenta como diez veces más rápido que GPT Transcribe y cinco veces más rápido que Gemini 3.5 Transcribe.

La lista de funciones es, sobre el papel, un superconjunto de lo que necesita la mayoría de los equipos y casi coincide con la de NVIDIA. Ambos hacen diarización, ambos hacen temporización de palabras, ambos aplican sesgo de palabras clave, ambos ofrecen salida literal y limpia, ambos admiten hasta alrededor de una hora de audio y ambos son solo por lotes en la SKU que se compara. Las diferencias están en los márgenes: 60 idiomas frente a 40, ocho hablantes frente a un número no especificado, y un precio que es tres órdenes de magnitud más fácil de explicar a un equipo financiero.

• Precio — $0,10 por hora de audio, por tiempo limitado hasta finales de 2026, frente a ninguna tarifa de lista; el costo es el tiempo de acelerador.

• Precisión — 2,0 % de AA-WER, puesto 2 frente a 3,4 %, puesto 20 (3,4 % en la tabla de clasificación en vivo; el paquete de NVIDIA afirma 2,8 %).

• Rendimiento: aproximadamente 411× en tiempo real frente a hasta 2,238 segundos de audio por segundo en una RTX PRO 6000 Blackwell con NVFP4 y un modelo borrador, medido en clips de 30 segundos con alta concurrencia.

• Idiomas: 60 con identificación automática frente a 40 transcritos y 31 traducidos.

• Licencia — propietaria, solo API frente a OpenMDW-1.1 con pesos descargables.

• Hablantes — diarización incluida, sin DER publicado frente a hasta 8, con atribución, en 13 idiomas, 18,26 % de DER en 21 idiomas en el benchmark de David AI.

• Ajuste fino — no se ofrece ninguno frente a la adaptación con una sola GPU a 0,5–2,3 horas-GPU por tarea.

• Localidad de los datos — el audio sale de tu red frente a la opción de autoalojamiento, incluso sin conexión.

La columna que Microsoft deja vacía

Microsoft integra la diarización y no publica ninguna tasa de error de diarización. No una débil: ninguna. NVIDIA publica cuatro resultados de diarización separados: 18,26 % de DER en 21 idiomas en el benchmark David AI, el más bajo de 14 sistemas; 32,4 % de WER concatenado de permutación mínima en Diarization-Bench de VoiceArena, el mejor de 14; 8,32 % de palabras de referencia omitidas en habla superpuesta en inglés frente a una mediana cercana al 31 %; y atribución de hablantes en 13 idiomas frente al recuento no especificado de Microsoft.

Todos esos datos los reporta el proveedor en un banco de pruebas propio, y la lectura honesta es que constituyen una afirmación sobre la capacidad, no una prueba de calidad. Pero la asimetría es reveladora. Una empresa que dispone de una cifra de diarización la publica, porque la diarización es la parte más difícil de acertar en una transcripción y la que provoca las quejas de los clientes. Una empresa que incluye la diarización sin una cifra está diciendo que no la considera el argumento de venta. Eso puede significar que la función es adecuada y poco destacable. Puede significar que es débil. Nada en el material de lanzamiento de Microsoft distingue entre los dos casos, y todavía no hay ningún panel independiente que mida la tasa de error de diarización con este nivel de granularidad.

En una llamada de ventas entre dos personas, esto no importa: cualquiera de los dos modelos etiquetará correctamente dos voces. En una reunión de consejo de seis personas con conversaciones cruzadas, la diferencia entre un DER del 18 % y un número desconocido es la diferencia entre un registro utilizable minuto a minuto y un documento en el que nadie confía. Esa es la carga de trabajo en la que el precio del checkpoint abierto deja de parecer absurdo.

¿Por qué alguien compra la versión cara?

Cuatro razones, en orden descendente de la frecuencia con la que realmente aparecen en las decisiones de adquisición.

Lo primero es la ubicación de los datos. MAI Transcribe 2 es una API. El audio sale de su red, acaba en el espacio arrendado de un proveedor y se rige por las condiciones de retención de ese proveedor. Nemotron 3.5 Transcribe se ejecuta en hardware que usted controla, incluso totalmente sin conexión, lo que para grabaciones clínicas, procedimientos legales, investigaciones de Recursos Humanos y cualquier cosa sujeta a un régimen de residencia de datos no es una preferencia, sino un requisito. Ningún precio por hora puede competir con una restricción de cumplimiento.

El segundo es la permanencia. La tarifa de 0,10 $ de Microsoft es explícitamente una oferta por tiempo limitado vigente hasta finales de 2026, y no se ha revelado ningún precio estándar en ningún lugar del material de lanzamiento. Un equipo que construya un producto sobre esa cifra está construyendo sobre una tarifa promocional con una expiración desconocida. Los pesos abiertos no tienen ese modo de fallo: el checkpoint que descargaste sigue funcionando al precio de la electricidad, haga lo que haga el proveedor después.

El tercero es la adaptación. NVIDIA informa de ajuste fino en una sola GPU de 0,5 a 2,3 horas de GPU por tarea, y de un estudio de caso de voz médica en el que la adaptación llevó la tasa de error de palabras de 30,8% a 11,8% en 3.619 clips, con hablantes reservados que mejoraron de 22,44% a 12,17%. Microsoft no ofrece ninguna vía de ajuste fino. Para audio con acento, ruidoso o cargado de jerga —exactamente el audio en el que un promedio de 2,0% se convierte en una realidad de 25%—, la capacidad de adaptación vale más que dos puntos de posición en la clasificación. El conjunto de inglés revisado por humanos de Perit cuenta la misma historia desde la dirección opuesta: sitúa MAI Transcribe 2 y GPT Transcribe a una centésima de punto entre sí, en 1,76%, lo que recuerda que estas clasificaciones se concentran mucho en audio limpio y se dispersan en todo lo demás.

El cuarto es que MAI Transcribe 2 está en versión preliminar pública. Versión preliminar significa sin compromiso de disponibilidad, sin período de aviso de obsolescencia y un conjunto de funciones que puede cambiar bajo tus pies. Nemotron 3.5 Transcribe tiene un día de vida y tiene su propio problema de madurez —sus herramientas GGUF todavía se describen como próximamente y sus compilaciones locales cuantizadas no se distribuyen—, pero a un checkpoint no se le retira la condición de versión preliminar.

La cobertura que no cuesta nada

La mayoría de los equipos no necesita elegir. Ejecute la API económica para el grueso de la cola y dirija al punto de control los archivos que no pueden salir de la empresa, o las reuniones en las que la atribución de hablantes debe ser correcta. Ese híbrido es más económico que cualquiera de las dos estrategias puras y falla de forma elegante: si la tarifa promocional de Microsoft vence en una cifra poco atractiva, la ruta autoalojada ya está aprovisionada; si la promesa de diarización del modelo abierto no resiste su audio, la API ya está integrada.

Lo que hace que esa cobertura funcione en la práctica es mantener separables las dos mitades del pipeline. El reconocimiento de voz es un contrato; el resumidor, el clasificador y el enrutador que consumen las transcripciones son otro. OrcaRouter cubre la segunda mitad con más de 200 modelos de texto y multimodales con una sola clave, precios de lista de los proveedores repercutidos con un margen del 0 % — de modo que una reducción de precio de un proveedor llega a tu factura el mismo día en vez de en la próxima renovación del contrato — además de conmutación automática por error y un DSL de enrutamiento que puede dirigir distintas clases de transcripciones a distintos modelos. Ni MAI Transcribe 2 ni Nemotron 3.5 Transcribe están en ese catálogo, y no ofrecemos servicios de voz a texto en absoluto, así que el contrato de transcripción se queda donde lo firmaste. La cuestión es solo que el modelo que está aguas abajo de él no debería estar soldado al mismo proveedor.

El veredicto, por volumen

Por debajo de aproximadamente unos cientos de horas de audio al mes, sin restricciones de residencia de datos y sin requisitos de atribución de hablantes más allá de las llamadas entre dos personas, MAI Transcribe 2 es la mejor compra en todos los ejes que aparecen en una hoja de cálculo: más barato, más preciso en el índice compartido, más rápido y disponible hoy sin aprovisionamiento. El precio promocional es un riesgo real y vale la pena modelarlo a dos o tres veces la tarifa actual, pero no elimina una brecha de tres órdenes de magnitud.

Por encima de ese volumen, o con cualquiera de las cuatro restricciones anteriores adjuntas, la aritmética se invierte — no porque el modelo abierto sea más barato por hora, sino porque las horas dejan de poder comprarse en absoluto. El argumento de Nemotron 3.5 Transcribe se apoya en hablantes, idiomas, localidad, adaptación y permanencia, aproximadamente en ese orden. Su argumento de precisión se basa en una afirmación del proveedor que la tabla pública no respalda actualmente, y cualquiera que repita «primero entre pesos abiertos» como si resolviera la comparación está citando una diapositiva en lugar de una medición.