Nemotron 3.5 Transcribe vs GPT Transcribe : 0,1 point d’écart, l’un vous remet le checkpoint

Demandez à GPT Transcribe des horodatages au niveau du mot : l’API ne vous les donnera pas. Pas même approximativement, pas même mal — le modèle n’a pas de tête de synchronisation, la documentation d’OpenAI vous oriente vers whisper-1 pour ce travail, et il en va de même pour les étiquettes de locuteur, qui relèvent d’un modèle de diarisation distinct. Demandez maintenant à Nemotron 3.5 Transcribe, que NVIDIA a publié en poids ouverts le 28 octobre 2026, et l’on obtient les deux en une seule passe : un horodatage des mots attribué au locuteur, fourni par un adaptateur CTC qui aligne la transcription finale sur l’audio après décodage. Les deux modèles sont à un dixième de point l’un de l’autre sur le classement public de précision. Pour ce que vous faites avec une transcription, ils ne relèvent pas de la même catégorie de produit.

C’est toute la décision, et cela vaut la peine de l’examiner lentement, car la couverture du lancement a surtout réduit ce duo à une course au WER qu’aucun des deux camps ne remporte réellement avec une marge significative.

L’écart de précision est du bruit ; l’écart de fonctionnalités ne l’est pas.

Sur l’index non-streaming d’Artificial Analysis, GPT Transcribe — le modèle de transcription par lots d’OpenAI, lancé le 28 juillet 2026 aux côtés d’un modèle frère en streaming temps réel — est affiché à 3,3 %, ex aequo au dix-huitième rang avec un petit challenger. Nemotron 3.5 Transcribe est affiché à 3,4 %, ex aequo au vingtième rang. Un dixième de point, sur un index dont les propres entrées pour un même modèle peuvent varier de près d’un point entier selon l’endpoint qui les a servies. Personne ne devrait choisir entre deux systèmes vocaux sur cette base.

De son côté, les supports de lancement de NVIDIA font état d’un AA-WER de 2,8 % et d’une première place ex æquo parmi les modèles à poids ouverts. Le relevé du tableau en direct du 29 octobre affiche 3,4 %. Considérez le 2,8 % comme un chiffre de soumission et le 3,4 % comme la mesure actuelle ; l’écart est plus grand que celui séparant Nemotron et GPT Transcribe, ce qui montre bien quelle importance accorder à un seul écart de classement.

• Paramètres — environ 30 B au total et environ 4 B actifs par token dans un MoE hybride Mamba–Transformer, contre non divulgué, non génératif.

• Licence — OpenMDW-1.1, usage commercial, poids téléchargeables vs API uniquement.

• Prix — pas de tarif catalogue ; temps GPU, avec une version NVFP4 annoncée jusqu’à 2 238 secondes d’audio par seconde sur un seul RTX PRO 6000 Blackwell, contre 0,0045 $ par minute, soit environ 0,27 $ par heure d’audio.

• Étiquettes de locuteur — jusqu'à 8 locuteurs dans 13 langues, intégré ou non ; un modèle de diarisation distinct est requis.

• Minutage des mots — alignement CTC après décodage, attribution au locuteur ou non proposée ; whisper-1 est l’alternative documentée.

• Langues — 40 transcrites, 31 traduites vers ou depuis l’anglais, contre le multilingue avec détection automatique et indications de langue, aucun nombre publié.

• Durée audio — 1 heure en une seule passe vs traitement par fichier avec découpage géré par l’API.

• Post-traitement — forme verbatim ou écrite contrôlée par le prompt, par opposition au contexte libre et aux indications de mots-clés, sans passe de nettoyage.

Ce que GPT Transcribe fait mieux que le checkpoint ouvert

Trois choses, et elles ne sont pas anodines. La première, c’est qu’il s’agit d’une API. Il n’y a pas de checkpoint de 30 milliards de paramètres à dimensionner, pas de build NVFP4 à attendre, pas de recette vLLM à épingler. OpenAI annonce un traitement environ 34× plus rapide que le temps réel, ce qui est plus lent que le débit revendiqué par NVIDIA sur une carte Blackwell et sans importance pour la plupart des équipes, car 34× le temps réel est déjà plus rapide que n’importe quelle file d’attente qu’elles exploitent.

Le second point est la gestion du contexte. GPT Transcribe accepte un contexte libre, des indications de mots-clés et de vocabulaire, ainsi que plusieurs indications de langue, et renvoie un tableau des langues détectées en même temps que la transcription. Cette combinaison est réellement utile sur de l’audio avec alternance de langues et sur le jargon métier, et il s’agit d’une interface de prompting plutôt que d’un fine-tuning — ce qui signifie qu’une équipe produit peut l’ajuster sans posséder de GPU. L’équivalent de NVIDIA, une liste d’entités attendues fournie dans le prompt, est crédité d’une réduction d’un facteur six des erreurs d’entités nommées sur ContextASR-Bench, mais ce chiffre est rapporté par le fournisseur et non reproduit.

Le troisième est la surface d’intégration : le même point de terminaison prend en charge la transcription de fichiers, les transcriptions de fichiers en flux, les tours en temps réel validés via WebSocket, l’API Responses et Batch. Une équipe déjà sur la plateforme d’OpenAI obtient la transcription comme un paramètre, pas comme un déploiement.

Les propres allégations de qualité publiées par OpenAI sont vastes et difficiles à vérifier : un taux d'erreur de mots de 19,27 % sur un ensemble Common Voice de 22 langues, contre 40,37 % pour Whisper, et de 8,98 % sur un benchmark du monde réel en neuf langues, contre 15,21 %. Ce sont des chiffres de fournisseur mesurés par rapport à une référence de 2024, et non par rapport à un concurrent de 2026. Le tableau indépendant est plus favorable à GPT Transcribe que ne le suggère le tableau AA : sur l'ensemble anglais revu par des humains de Perit, il atteint 1,76 % de WER, au sixième rang sur 22, avec 61,3 % des extraits transcrits parfaitement. Il s'agit d'un ensemble de test différent de celui d'Artificial Analysis, et les chiffres ne sont pas comparables entre les deux tableaux — mais la tendance est cohérente, et cela place le modèle d'OpenAI devant le point de terminaison Parakeet hébergé sur le même ensemble.

Là où les fonctionnalités manquantes font vraiment mal

Si votre sortie est du texte brut destiné à un index de recherche, les lacunes de GPT Transcribe ne vous coûtent rien. Dès que vous avez besoin de davantage, le travail se multiplie. L’horodatage des mots implique une seconde passe par whisper-1 ou un aligneur forcé, ce qui réintroduit exactement le mode de défaillance que l’alignement vise à corriger : une transcription décalée aux frontières qui se lit bien mais casse les sous-titres. Les étiquettes de locuteur impliquent un troisième modèle, raccordé aux frontières de segment, avec son propre taux d’erreur à déboguer. Et aucune de ces secondes passes ne connaît l’autre, si bien qu’un appel à deux locuteurs devient trois modèles et une étape de fusion.

La cascade n’est pas une critique de l’ingénierie d’OpenAI. C’est ce qu’est le produit : un transcripteur de haute précision avec une sortie volontairement étroite. Microsoft et Google proposent tous deux le même découpage — la diarisation comme un SKU distinct ou un mode distinct avec ses propres limites. Le pari de NVIDIA est l’inverse, et la façon honnête de le dire est que Nemotron 3.5 Transcribe coûte plus de calcul pour éviter un pipeline.

Ce que ce calcul permet d’obtenir est documenté, mais rapporté par le fournisseur : 18,26 % de taux d’erreur de diarisation sur 21 langues au benchmark David AI, meilleur de 14 systèmes ; 32,4 % de WER concaténé par permutation minimale sur VoiceArena, également meilleur de 14 ; 8,32 % des mots de référence omis sur de la parole anglaise avec chevauchement, contre une médiane proche de 31 %. Il n’existe aucun chiffre de diarisation OpenAI à opposer à ceux-ci, car OpenAI n’en publie pas pour ce modèle.

Deux façons d'arrêter de payer à la minute

GPT Transcribe facture 0,0045 $ par minute, soit 4,50 $ par millier de minutes et environ 270 $ par millier d’heures d’audio. Nemotron 3.5 Transcribe ne facture rien à la minute et demande plutôt un GPU. La configuration de démonstration de NVIDIA est une RTX PRO 6000 Blackwell exécutant le checkpoint NVFP4 avec un modèle draft DFlash2, et le chiffre phare en matière de débit — 100 heures d’audio en moins de trois minutes — a été mesuré sur des clips de 30 secondes à forte concurrence, et non sur des réunions d’une heure. À interpréter comme un plafond pour un travail bien regroupé en lots.

Il reste un seuil d’indifférence déterminé par le taux d’utilisation plutôt que par le prix catalogue. Une carte que vous possédez déjà et que vous gardez occupée bat confortablement 270 $ pour mille heures. Une carte qu’il vous faudrait acheter pour une file d’attente de quarante heures par mois n’y parvient pas, et aucun gain d’efficacité des paramètres ne modifie ce calcul.

Il existe une troisième option que le cadrage à deux voies masque, et c’est celle que la plupart des équipes adoptent en réalité : conserver l’API gérée pour le gros du volume, et acheminer les fichiers difficiles — les réunions à six personnes, les entretiens cliniques avec accent, l’audio que vous n’êtes pas autorisé à téléverser — vers un checkpoint auto-hébergé. Cela ne fonctionne que si les deux sorties arrivent dans la même structure, ce qui plaide pour la standardisation sur un schéma de transcription avec des champs de locuteur et d’horodatage, même si votre fournisseur actuel ne les remplit pas. Standardisez d’abord le schéma ; le modèle deviendra interchangeable plus tard.

Sur la couche au-dessus de la transcription, le rôle d’OrcaRouter est d’empêcher cette interchangeabilité de s’arrêter à la frontière du modèle. Le résumeur, le classifieur et le vérificateur de conformité qui lisent ces transcriptions peuvent tous se trouver derrière une seule clé pour plus de 200 modèles, avec les prix catalogue des fournisseurs répercutés à 0 % de marge, un basculement automatique en cas de défaillance en amont, et un DSL de routage qui envoie chaque charge de travail vers un modèle différent sans deuxième intégration. GPT Transcribe et Nemotron 3.5 Transcribe sont tous deux hors de ce catalogue — nous ne proposons ni l’un ni l’autre — donc l’appel vocal reste là où vous l’achetez, et seule la partie en aval devient portable.

La version courte, par situation

Si vous voulez une transcription et rien d’autre, et que vous la voulez la semaine prochaine sans provisionner quoi que ce soit, GPT Transcribe est la solution la moins risquée : sixième au classement sur le jeu indépendant Perit, une surface d’intégration que vous possédez probablement déjà, et un prix qui n’exige pas d’achat d’immobilisations. Si vos transcriptions alimentent des sous-titres, l’analyse de réunions, la recherche avec attribution des locuteurs ou une archive de conformité, les modèles supplémentaires que vous grefferiez sur GPT Transcribe coûtent plus cher en temps d’ingénierie que le checkpoint en heures GPU, et Nemotron 3.5 Transcribe fait ce travail en une seule passe.

La réserve qui s’applique aux deux : c’est un modèle qui a un jour, ses benchmarks phares sont ceux de son fournisseur, et les classements indépendants n’ont pas encore évalué du tout le checkpoint de 30 milliards de paramètres. Ne le confondez pas avec nvidia/nemotron-3.5-asr-streaming-0.6b, le modèle de streaming de 600 M de juin qui, lui, figure sur les classements indépendants et obtient des résultats nettement moins bons (3,35 % de WER, 21e sur 22 sur Perit). Ils partagent un nom de famille et rien d’autre.