Nemotron 3.5 Transcribe vs. Muse Voice Transcribe: uno procesa la reunión, el otro se sienta en ella

Dos grabaciones deciden esta comparación antes de que lo haga cualquier benchmark. Una es una llamada que está ocurriendo ahora mismo, donde la transcripción tiene que seguir el ritmo de la conversación y un retraso de dos segundos deja la herramienta inservible. La otra es un archivo de dos horas con las llamadas de clientes del trimestre pasado, donde a nadie le importa si las palabras llegan en 200 milisegundos o en veinte minutos. NVIDIA Nemotron 3.5 Transcribe, publicado el 28 de octubre de 2026 como un checkpoint offline de pesos abiertos, está diseñado para la segunda grabación. Meta Muse Voice Transcribe, lanzado por Meta Superintelligence Labs el 1 de septiembre de 2026, está diseñado para la primera. La mayoría de las páginas de comparación ponen sus tasas de error de palabras en una sola columna y lo dan por zanjado, que es exactamente la comparación que no se puede hacer.

El reloj, no la tasa de error de palabras

El modelo de Meta es una capa de percepción en streaming. Consume audio en fragmentos de 80 milisegundos, emite tokens suaves y utiliza un mecanismo de «retardo adaptativo» entrenado con refuerzo para decidir palabra por palabra cuánto contexto esperar antes de comprometerse con el texto. El material de lanzamiento de Meta, según lo reportado, sitúa la diferencia entre el final del habla y el texto final en aproximadamente 0,16 segundos, y el modelo se sirve mediante un WebSocket para audio en vivo o un endpoint HTTP para archivos puntuales. También se encarga por sí mismo de la detección de fin de locución y de actividad de voz, por lo que el pipeline a su alrededor es mínimo.

El modelo de NVIDIA tiene la forma opuesta. La tarjeta lo dice claramente: «Este es un modelo offline», y añade que la fragmentación interna no lo convierte en un servicio de streaming. Se le entrega un archivo de hasta una hora y devuelve una transcripción. No hay salida parcial, ni hipótesis provisional, ni barge-in. NVIDIA vende un reconocedor de streaming 0.6B independiente para audio en vivo; ese es un checkpoint distinto, no un modo de este.

Así que las cifras principales se miden con instrumentos diferentes. Meta informa una tasa de error de palabras del 3,1 % y el primer puesto en la clasificación de transcripción de voz a texto en streaming de Artificial Analysis. La ficha de NVIDIA reporta una media del 4,71 % en los nueve conjuntos públicos de English Open ASR, mientras que la tabla sin streaming de Artificial Analysis muestra un 3,4 % para el endpoint desplegado — y sus FAQ indican un 2,8 % para el mismo modelo. Esas son tres mediciones diferentes de dos tareas diferentes. El 3,1 % es un resultado en streaming; el 3,4 % es un resultado por lotes sobre una distribución de audio diferente. Restarlos produce una “victoria” de 0,3 puntos que no significa nada, y la desventaja del modelo en streaming con audio largo, ruidoso y con acento es real, pero invisible en esa aritmética.

Oradores: veintitantos contra ocho

La brecha de diarización es el único punto en el que los números miden más o menos lo mismo, y es grande.

• Límite de hablantes — Meta anuncia más de 20 hablantes en una sola grabación; NVIDIA entrena con mezclas de hasta ocho, y su ficha del modelo no indica un máximo en el momento de la inferencia.

• Solapamiento — La propia página de Meta especifica que la diarización se aplica al «habla sin solapamiento». Todo el argumento arquitectónico de NVIDIA se basa en el habla solapada: la actividad de los hablantes del diarizador congelado se inyecta en el codificador para que el modelo pueda atribuir palabras mientras las personas hablan al mismo tiempo. Esa es la afirmación que respalda su cpWER promedio de 15.80 en el conjunto multihablante de NVIDIA.

• Cobertura de idiomas para las etiquetas: Meta ofrece más de 25 idiomas; NVIDIA admite 40 para la transcripción, pero marca 13 de ellos para la salida con varios hablantes. Una reunión en turco se transcribe y no recibe etiquetas.

• Formato de etiqueta — Meta emite letras de hablante sin formato, como "A"; NVIDIA emite etiquetas con el estilo <spk:0> que se corresponden con los segmentos de diarización.

Si tu caso de uso es un panel, una sala de audiencias o una llamada de soporte con tres participantes que se solapan, el límite de ocho hablantes es la restricción que decide, no la columna WER. Si tu caso de uso es una reunión general de veinte personas en la que la mayoría interviene por turnos, el 20+ de Meta es la cifra que importa y el ocho de NVIDIA es un muro infranqueable.

Idiomas: 25 frente a 40, y ninguno de los dos números es lo que parece.

La propia página para desarrolladores de Meta dice «más de 25 idiomas» y admite la alternancia de código dentro de las frases y entre ellas, lo cual es importante para reuniones bilingües. La cobertura del lanzamiento informó que el modelo se entrenó con más de 70 idiomas, de los cuales 25 se validaron exhaustivamente; se trata de una distinción útil, porque un idioma que está «entrenado» pero no validado es un idioma que conviene probar antes de confiar en él. La ficha de NVIDIA enumera 40 idiomas con compatibilidad con ASR, 31 con traducción bidireccional desde y hacia el inglés, y un componente separado de identificación de idioma con 48 etiquetas.

• Si necesita amplitud de cobertura europea — los 25 idiomas validados de Meta son más reducidos que los 40 de NVIDIA, pero la lista de Meta se inclina hacia los idiomas que los clientes empresariales realmente graban.

• Si necesitas traducción — solo NVIDIA la realiza. El modelo de Meta transcribe; no traduce la transcripción a otro idioma.

• Si necesitas alternancia de código, Meta afirma que lo admite de forma nativa; la ficha de NVIDIA no menciona nada comparable, y su comprensión de audio es solo en inglés, independientemente del idioma de transcripción.

Lo que la transcripción realmente contiene

Las marcas de tiempo son el punto donde una diferencia que parece barata se vuelve costosa. Meta proporciona marcas de tiempo a nivel de turno —límites de segmento, no tiempos por palabra— y no expone puntuaciones de confianza en absoluto. NVIDIA proporciona marcas de tiempo por palabra mediante un adaptador CTC, con la salvedad de que las marcas de tiempo no están disponibles cuando el borrador de decodificación especulativa DFlash2 está habilitado.

• Marcas de tiempo — Meta: a nivel de turno; NVIDIA: a nivel de palabra, pero no junto con su ruta de decodificación más rápida.

• Confianza — Meta no publica ninguna; NVIDIA tampoco publica la confianza por palabra.

• Formato de entrada: Meta requiere PCM mono de 16 bits a 16 o 24 kHz y te indica que conviertas todo lo demás con ffmpeg; NVIDIA acepta mono a 16 kHz y procesa el archivo directamente.

• Prompting: ambos sesgan la salida. El sesgo por palabras clave y por idioma de Meta "solo empuja suavemente el modelo y no garantiza la ortografía", según su documentación. El prompting contextual de NVIDIA informa que el WER de entidades nombradas cae del 12,21 % al 2,20 % con una lista de entidades detallada; se trata de un dato generado por el proveedor, pero es una afirmación mucho más sólida y que implica un mecanismo diferente del de un empujón suave.

• Estilos de salida — los cinco estilos de NVIDIA (literal, forma escrita, contextual, atribuido al hablante, enriquecido) se seleccionan mediante instrucción. Meta devuelve un formato y espera que lo posproceses.

Precio por hora de audio

Meta cobra $3.00 por cada 1,000 minutos, lo que equivale a $0.18 por hora de audio, sin niveles ni cuota gratuita publicados. La ficha alojada de NVIDIA en Artificial Analysis cuesta $2.00 por cada 1,000 minutos —alrededor de $0.12 por hora—, y los pesos se pueden descargar gratis bajo OpenMDW-1.1, por lo que el autoalojamiento es una tercera opción que Meta no ofrece a ningún precio.

La aritmética a escala es sencilla y no favorece la etiqueta de precio más barata. Mil horas de audio al mes cuestan $180 a través de Meta y $120 a través de un endpoint Nemotron alojado. En autoalojamiento, esas mismas mil horas suponen menos de una hora de tiempo de GPU en una RTX PRO 6000 Blackwell con la afirmación de rendimiento NVFP4 de NVIDIA — digamos $2 de cómputo a una tarifa de GPU alquilada, más operaciones, almacenamiento y el ingeniero que se encarga de ello. A 10 000 horas al mes, la diferencia entre $1,800 y unos pocos cientos de dólares paga muchas operaciones; a 100 horas al mes, no paga ninguna de ellas.

Lo que el autoalojamiento realmente aporta no es el precio. Es la capacidad de ejecutar transcripciones sobre audio que, por contrato, tiene prohibido salir de tu red, y la capacidad de mantener vivo el pipeline cuando el endpoint de un proveedor se degrada. Esas son las razones por las que los equipos sujetos a regulación pagan por GPUs que, de lo contrario, podrían alquilar.

Dónde se rompe cada uno

Los modos de fallo de Meta están relacionados con la latencia. Su diarización supone habla sin solapamiento, por lo que una llamada de soporte acalorada con interrupciones etiquetará mal los turnos. Su transcripción no tiene marcas de tiempo por palabra, lo que rompe la generación de subtítulos, la búsqueda de audio y cualquier alineación posterior con el video. Su contrato de entrada es estricto y su sesgo es orientativo. No tiene traducción, ni preguntas y respuestas sobre audio, ni opción autoalojada.

Los modos de fallo de NVIDIA están relacionados con el flujo de trabajo. No puede transmitir en streaming, por lo que no puede ofrecer subtítulos en vivo, agentes de voz ni enrutamiento de llamadas en tiempo real. Su comprensión de audio solo funciona en inglés. Tiene un límite de una hora por grabación. Su integración SGLang-Omni incluida omite la salida con atribución de hablante, las marcas de tiempo por palabra y la traducción, así que parte de lo que promete la tarjeta requiere la ruta de vLLM o el contenedor NIM. Y ocasionalmente puede no finalizar, contra lo cual la tarjeta recomienda protegerse.

Ninguno de los dos conjuntos de fallos es un defecto que favorezca al otro modelo. Son las dos formas del problema: un modelo que está presente mientras ocurre el audio, y un modelo que es minucioso después de que termina.

Si necesitas ambas, el pipeline no es un compromiso.

El despliegue real más habitual no consiste en elegir una opción. El audio en vivo pasa por el endpoint de streaming de Meta, porque es la única forma de obtener texto mientras la llamada está en curso: subtítulos, asistencia al agente, búsqueda en vivo. La misma grabación se vuelve a transcribir después sin conexión mediante el checkpoint de NVIDIA durante la noche, porque el procesamiento por lotes produce un texto más limpio, marcas de tiempo por palabra atribuidas al hablante y, cuando hace falta, una traducción al inglés de una llamada en otro idioma. La transcripción en streaming es para el momento; la transcripción por lotes es para el registro. Los equipos que intentan forzar un único modelo a desempeñar ambos roles suelen acabar con una vista en vivo con retraso o con una costosa factura de streaming por audio que nadie está escuchando.

La mitad posterior de ese pipeline — resumir llamadas, puntuar el rendimiento de los agentes, anonimizar datos personales, enrutar conversaciones marcadas a un humano — es trabajo de texto corriente, y no debería estar en la misma GPU que el ASR. OrcaRouter ejecuta esas llamadas de texto detrás de una única clave con 0 % de recargo, trasladando sin cambios el precio de lista del proveedor, con failover automático cuando un proveedor se tambalea y un DSL de enrutamiento que puede enviar el resumido y la clasificación a modelos distintos dentro de un mismo flujo de trabajo. Ni Meta Muse Voice Transcribe ni NVIDIA Nemotron 3.5 Transcribe están en el catálogo de OrcaRouter; el router se sitúa después de la transcripción, donde reside la carga de trabajo de texto.

Tres preguntas resuelven esto más rápido que cualquier tabla de clasificación. ¿Cuánto tiempo después de que llegue el audio debe existir el texto? Si la respuesta es «durante la llamada», la decisión es de Meta y la discusión sobre WER es decorativa. ¿Cuántas personas hablan a la vez y se solapan? Si la respuesta es «más de ocho, y sí», ese es el terreno de NVIDIA. ¿Y se permite que el audio salga de tu red? Si la respuesta es no, solo uno de estos dos modelos puede implementarse siquiera.

Todo lo demás — el 3,1 %, el 4,71 %, los 0,18 $ — es un desempate entre dos productos diseñados para momentos distintos de la misma reunión.