Nemotron 3.5 Transcribe vs Voxtral 3: La brecha de dos puntos que no lo resuelve

Un modelo, tres tasas de error de palabra. Artificial Analysis incluye NVIDIA Nemotron 3.5 Transcribe con un 3,4 % en su tabla de clasificación de modelos no en streaming; las preguntas frecuentes de la misma página lo describen con un 2,8 %. Mientras tanto, Mistral Voxtral 3 — la familia que se comercializa como Voxtral Small Transcribe 3 — se sitúa en el 2,1 %, tercer puesto en esa tabla y aproximadamente medio punto por delante de la mejor cifra publicada por NVIDIA. Si tomas el 3,4 %, la diferencia parece decisiva. Si tomas el 2,8 %, queda dentro de la banda de ruido que este índice ha mostrado entre distintos endpoints de servicio. Y si observas la subpuntuación que cubre el audio conversacional, la clasificación se invierte.

Dos números para un mismo modelo, y ninguno de los dos es mentira

El 3,4 % y el 2,8 % provienen de la misma tabla de clasificación el mismo día. Difieren porque AA-WER v2 se calcula sobre un segmento de evaluación específico a través de un endpoint de servicio específico, y históricamente el índice se ha movido cerca de un punto completo entre proveedores que ejecutan el mismo checkpoint. El 2,8 % de NVIDIA es la cifra que la empresa cita en su material de lanzamiento; el 3,4 % es lo que la tabla muestra para el endpoint que realmente probó. Ninguno está fabricado, y ninguno debería restarse del 2,1 % de Mistral como si los dos se hubieran medido en hardware idéntico, con precisión idéntica y contra audio idéntico.

Eso no hace que la diferencia carezca de sentido. La convierte en un intervalo: en algún punto entre 0,6 y 1,3 puntos a favor de Voxtral en el índice de lotes, con el valor real dependiendo de qué endpoint se use. Para una implementación de atención al cliente en la que cada punto de WER cuesta minutos de revisión humana, eso vale dinero. Para un producto de notas de reuniones en el que, de todos modos, una persona hojea la salida, no lo vale.

De dónde viene realmente la diferencia

El índice AA es un promedio de tres componentes: {{1}}VoxPopuli, Earnings-22 y AgentTalk{{/1}}. Los dos primeros son habla leída y llamadas de resultados: audio limpio, de un solo hablante y bien grabado, el tipo de audio que ambos modelos manejan bien. AgentTalk es conversacional y más ruidoso. En ese segmento, {{2}}según los informes, el modelo de NVIDIA obtiene un 1,8% frente al 2,3% de Voxtral Small{{/2}}, lo que supone una inversión real y la cifra más interesante de la comparación.

• VoxPopuli y Earnings-22 — Voxtral Small lidera; estos corpus favorecen a un modelo ajustado para habla limpia de formato largo.

• AgentTalk: Nemotron va en cabeza, con un 1,8 % frente a un 2,3 %, en el audio conversacional que se asemeja a una llamada de soporte real o a una reunión con voces cruzadas.

● Índice global — Voxtral Small en 2,1 %, Nemotron entre 2,8 % y 3,4 %. Los componentes de voz limpia tienen el peso suficiente para producir ese orden.

Ese patrón es coherente con las dos arquitecturas. Voxtral Small es un modelo de transcripción entrenado para ser excelente al transcribir; el checkpoint de NVIDIA es un modelo de lenguaje con un codificador de voz acoplado al frente, y los modelos de lenguaje suelen desempeñarse mejor cuando el audio es desordenado y el contexto es conversacional. También explica por qué las mayores ventajas declaradas por NVIDIA no se refieren en absoluto al WER en audio limpio: 15,80 de cpWER promedio en habla superpuesta con atribución de hablante, y un WER de entidades nombradas que cae del 12,21 % al 2,20 % cuando se proporciona una lista de entidades.

Las tablas de proveedores tampoco se superponen.

Mistral publica el WER promedio macro de FLEURS-45: 4,1 % con idioma forzado y 4,0 % con idioma inferido para Voxtral Small Transcribe 3, frente a 4,6 % para su hermano 4B Mini y 16,0 % para Whisper large-v3. NVIDIA publica el Open ASR Leaderboard: 4,71 % de media en nueve conjuntos en inglés y 4,62 % en siete conjuntos multilingües. Ambos son arneses ejecutados por el proveedor sobre corpus distintos con normalización distinta, y los valores casi idénticos son una coincidencia, no una comparación directa. Cualquiera que presente 4,0 frente a 4,62 como una ventaja de 0,6 puntos está comparando una puntuación de FLEURS con una puntuación de Open ASR.

Los números de diarización tienen el mismo problema a la inversa. Mistral informa un WER concatenado de permutación mínima del 18,4 % en AMI, Switchboard, CallHome y AISHELL-4. NVIDIA informa un cpWER promedio de 15,80 en su propio conjunto multihablante. El número de NVIDIA es más bajo y su conjunto es diferente; sin un corpus compartido, la única afirmación defendible es que ambas empresas creen haber superado las cascadas especializadas contra las que se probaron, y ninguna ha publicado una ejecución con los datos de la otra.

Lo que Voxtral 3 hace que Nemotron no puede

El lanzamiento de Mistral es una familia, no un checkpoint, y la familia cubre terreno que el único modelo offline de NVIDIA no cubre.

• Amplitud de idiomas: Voxtral Small Transcribe 3 cubre más de 50 idiomas, incluidos los 24 idiomas oficiales de la UE; NVIDIA cubre 40, con etiquetas de hablante en 13.

• Tiempo real — Voxtral Mini Transcribe Realtime 3 transmite con una latencia inferior a 500 ms por 0,008 $ por minuto, con un WER del 7,4 % con un retraso de 240 ms y del 5,7 % a 2400 ms. NVIDIA no tiene ningún modo de transmisión en tiempo real para este checkpoint a ningún precio.

• Agentes de voz: el lanzamiento de Voxtral 3 incluyó un SDK de Agentes de Voz basado en LiveKit que encadena la transcripción, un modelo de razonamiento con llamadas a herramientas y la generación de voz, con barge-in y telefonía SIP. Es toda una categoría de producto que el checkpoint de NVIDIA no aborda.

• Simplicidad operativa: precios por minuto, sin GPU, sin stack de servicio, endpoints en la UE, EE. UU. y globales. Para un equipo sin infraestructura, esa es la diferencia entre una integración de dos días y una de dos meses.

• Sesgo de contexto: 94,6 % de recall de frases clave con contexto frente a 81,4 % sin contexto, en Earnings-22. Comparable en espíritu al mecanismo de lista de entidades de NVIDIA, medido en un corpus diferente.

Qué hace Nemotron que Voxtral 3 no puede hacer

La lista inversa es más corta pero más pesada para el comprador adecuado.

• Pesos abiertos — OpenMDW-1.1, uso comercial permitido, publicados en BF16, FP8, NVFP4 y GGUF. La página de Mistral ofrece acceso a la API y el «despliegue propio en su propia infraestructura» a través de Mistral y, a la fecha de publicación, no publica pesos, ni licencia, ni checkpoint. Si su equipo de cumplimiento necesita auditar el artefacto, solo uno de estos existe para poder auditarlo.

• Pase único de una hora: 65.536 tokens de contexto y grabaciones de hasta una hora. Mistral no publica una duración máxima de grabación ni una ventana de contexto para Voxtral 3, lo que ya es de por sí una razón para probar antes de comprometerse con un flujo de trabajo de formato largo.

• Traducción — 31 idiomas en ambos sentidos, hacia y desde el inglés. La página de lanzamiento de Voxtral 3 documenta transcripción, diarización y sesgo contextual; no documenta una tarea de traducción de voz como lo hace el checkpoint de NVIDIA.

• Salida mediante prompt: cinco estilos de transcripción seleccionados por instrucción, en lugar de un único formato más posprocesamiento.

• Comprensión de audio — respuesta a preguntas y seguimiento de instrucciones habladas sobre la grabación. Solo en inglés en este checkpoint, y no documentado en ningún material de lanzamiento de Voxtral 3.

La comparación de costos no está ni cerca, y esa es la cuestión.

Voxtral Small Transcribe 3 cuesta $0,0040 por minuto, o $0,24 por hora de audio. El 4B Mini cuesta $0,0035, o $0,21 por hora. La oferta alojada de NVIDIA es de $2,00 por 1000 minutos, o $0,12 por hora. El autoalojamiento es una aritmética completamente distinta: con los 2.238 segundos de audio por segundo que NVIDIA afirma en una RTX PRO 6000 Blackwell, mil horas de audio —3,6 millones de segundos— tardan unos 27 minutos de tiempo de GPU. Incluso a la mitad de ese rendimiento, que es lo que NVIDIA dice que ofrece la integración de código abierto, se tarda menos de una hora.

• 1.000 horas al mes — Voxtral Small $240, Voxtral Mini $210, Nemotron alojado $120, Nemotron autoalojado aproximadamente $2 de tiempo de GPU a una tarifa de alquiler de $2/hora, más operaciones.

• 10.000 horas al mes — $2.400, $2.100, $1.200 y alrededor de $20 de tiempo de GPU, respectivamente.

• El inconveniente: la opción autoalojada da por sentado que ya dispones de la GPU, de la infraestructura de servido y de alguien capaz de mantenerla en marcha. Una sola RTX PRO 6000 es una compra de capital de cinco cifras; a 1.000 horas al mes no la amortizarás antes de que llegue la siguiente generación. A 10.000 horas, la inversión se recupera en meses.

• La otra pega: esas cifras de rendimiento dependen de NVFP4 más el modelo borrador DFlash2, y esa combinación desactiva las marcas de tiempo por palabra. Si necesitas alineación, estás usando una configuración más lenta que la de la tabla de marketing.

Así que el argumento sobre precios se divide según el volumen y según si el audio puede salir de tu red. La tarifa por minuto de Mistral es lo bastante barata como para que la mayoría de los equipos que hacen menos de unos cientos de horas al mes ni siquiera tengan que pensar en GPU. Por encima de las diez mil horas, alojar por cuenta propia un checkpoint abierto pasa a ser la opción más económica por un orden de magnitud, y la carga operativa es la única cuestión real.

La prueba de las cincuenta horas

Cada número de arriba es el audio de otra persona. Antes de llevar cualquiera de los dos modelos a una ruta de producción, transcribe cincuenta horas de tus propias grabaciones con ambos y puntúalas tal como lo harán tus usuarios: entidades nombradas correctas, turnos de palabra correctos, números e importes monetarios correctos, y los acentos concretos que tienen tus clientes. El AA index no te dirá qué modelo maneja mejor un centro de llamadas de Glasgow, y el arnés de pruebas de ninguno de los dos proveedores tampoco.

Esa prueba también es donde un enrutador resulta útil para algo más que el coste. OrcaRouter coloca las llamadas de texto posteriores —resumen, extracción de entidades, anonimización, traducción de la transcripción finalizada— detrás de una sola clave con un 0 % de margen, con el precio de lista del proveedor trasladado sin recargo, conmutación por error automática entre proveedores, y un DSL de enrutamiento que puede enviar distintas etapas a distintos modelos en un mismo flujo de trabajo. Ni Nemotron 3.5 Transcribe ni Voxtral 3 están en el catálogo de OrcaRouter, así que el enrutador no te ayuda a llamarlos; te ayuda a procesar lo que devuelven sin establecer una segunda relación con proveedores para la capa de texto.

El veredicto depende de qué frase describe tu problema. Si es «necesitamos transcripción precisa en cincuenta idiomas, no queremos tener una GPU propia y la latencia importa», Voxtral Small Transcribe 3 es el mejor producto y el 2,1 % es una razón real. Si es «necesitamos transcripciones con atribución de hablante de reuniones de una hora, traducción y un artefacto que nuestro equipo de cumplimiento pueda inspeccionar», Nemotron 3.5 Transcribe es la única opción de esta lista que cumple las tres, y un punto de WER en habla leída limpia es el precio de eso. Si es «necesitamos ambos», la respuesta honesta es que no son sustitutos, y los equipos que más están aprovechando esta generación usan uno para audio en vivo y el otro para el archivo.