Nemotron 3.5 Transcribe vs Grok Voice Transcribe 2.0 : des poids ouverts sur votre GPU, ou 0,20 $ l'heure

Grok Voice Transcribe 2.0 facture 0,20 $ par heure d’audio que vous lui transmettez en streaming, et 0,10 $ par heure traitée par lots. Nemotron 3.5 Transcribe ne facture rien à l’heure et exige que vous possédiez un GPU capable d’accueillir environ 34 milliards de paramètres. Lisez uniquement cette phrase et la comparaison ressemble à une guerre des prix entre un compteur et une machine, où le compteur perd manifestement. Il ne perd pas : sur le seul tableau de référence où les deux modèles figurent, celui facturé à l’heure est plus précis, et le modèle ouvert n’en est pas assez proche pour contester ce point.

Les deux sont sortis à six semaines d'intervalle — Grok Voice Transcribe 2.0 le 2026-09-18, Nemotron 3.5 Transcribe le 2026-10-28 — et ils ont été conçus pour des usages différents. L'un est une API hébergée avec un WebSocket qui renvoie des mots alors que la personne est encore en train de parler. L'autre est un checkpoint que l'on télécharge, que l'on charge et que l'on pointe vers un enregistrement terminé. La latence, le nombre de langues, l'étiquetage des locuteurs, la structure des coûts et même les conditions juridiques découlent tous de cette seule différence, et c'est pourquoi la question intéressante n'est pas de savoir lequel transcrit le mieux.

Ce qu’est chacun, en six lignes

Le contraste de formes est assez saisissant pour qu'une liste de caractéristiques ressemble à une erreur de catégorie, ce qui est précisément le but.

• Déploiement — une API REST et WebSocket hébergée sur l'infrastructure propre à xAI, par opposition à des poids ouverts sous OpenMDW-1.1 que vous servez vous-même sur vLLM, SGLang-Omni ou NeMo Speech.

• Taille — xAI ne publie aucun nombre de paramètres, contre 34B au total avec environ 4,3B actifs, y compris l'encodeur audio, reposant sur une architecture dorsale de mélange d'experts Mamba et Transformer Nemotron 3.5 Lightning 30B-A3B.

• Entrée audio — fichiers jusqu’à 500 Mo dans douze formats de conteneur plus trois encodages bruts, avec 2 à 8 canaux via le mode multicanal, contre des enregistrements jusqu’à une heure en PCM mono à 16 kHz dans un contexte de 65 536 jetons.

• Voie temps réel — diffusion en continu avec des résultats intermédiaires environ toutes les 500 ms, un endpointing défini par défaut à 400 ms, une détection intelligente des tours de parole et un endpoint batch séparé, par opposition à l’absence totale de streaming ; le modèle lit un fichier terminé et renvoie une transcription.

• Couverture linguistique — 37 langues nommées dans la documentation de xAI et y étant décrites comme 38+, contre 40 langues transcrites et 31 paires de traduction vers ou depuis l’anglais sur la carte NVIDIA.

• Étiquettes d’intervenant — un indicateur de diarisation qui ajoute un entier identifiant l’intervenant à chaque mot, disponible en traitement par lots et en streaming, contrairement à un encodeur de diarisation fusionné qui produit des transcriptions avec attribution des intervenants en une seule passe, pour jusqu’à 8 intervenants dans 13 langues.

• Prix — 0,10 $ par heure audio en traitement par lots et 0,20 $ par heure audio en streaming, contre aucun tarif horaire publié, car NVIDIA vend les poids et vous fournissez la puissance de calcul.

Le seul plateau où ils se rencontrent, et il ne se casse pas comme on s’y attend.

Artificial Analysis tient un classement de transcription vocale avec deux voies : une voie par lots pour les fichiers terminés et une voie en flux pour les modèles qui émettent des résultats partiels. Nemotron 3.5 Transcribe ne se qualifie que pour la première. Là, Grok Voice Transcribe 2.0 affiche 2,3 % d’AA-WER, au cinquième rang sur environ soixante modèles, tandis que le modèle de NVIDIA est annoncé à 2,80 % dans les documents de lancement et affiche 3,4 % sur le tableau en ligne dans les jours suivant sa sortie. Qu’on l’appelle 2,8 % ou 3,4 % : dans un cas comme dans l’autre, le modèle hébergé l’emporte sur le seul barème que les deux ont en commun, avec un écart compris entre un demi-point et un point complet.

Ce résultat est moins préjudiciable qu'il n'y paraît à première vue, car les deux modèles ne figurent pas dans le classement pour la même raison. NVIDIA affirme que Nemotron 3.5 Transcribe est le meilleur modèle vocal à poids ouverts, et sur ce classement plus restreint, il l'est : la comparaison qu'il remporte se fait face à d'autres checkpoints téléchargeables, où 2,8 % est le chiffre à battre. Grok Voice Transcribe 2.0 est propriétaire et évolue dans une autre catégorie. Comparer les deux l'un à l'autre produit un titre — « un modèle hébergé bat un modèle ouvert de 0,5 point » — qui mesure un mélange de benchmarks, pas une décision produit.

La voie du streaming est celle où l’asymétrie devient structurelle plutôt que statistique. Grok Voice Transcribe 2.0 occupe la première place du streaming avec un WER final de 2,7 %, produit 0,49 seconde après la fin de la parole, et de 3,4 % sur son premier résultat partiel à la même latence, soit le premier d’environ trente-deux modèles de streaming. Nemotron 3.5 Transcribe n’a pas d’entrée, car il ne peut pas fonctionner en streaming. C’est un modèle fichier en entrée, transcription en sortie, et aucun mode de streaming par blocs n’est documenté pour lui. Quiconque compare les deux sur l’exactitude tout en planifiant un déploiement de sous-titrage en direct compare un modèle qu’il ne peut pas utiliser.

Les deux classements portent une mention d’avertissement qu’il vaut la peine de répéter. L’AA-WER varie de près d’un point complet pour le même modèle selon les différents points de terminaison de service, si bien que l’écart de 0,5 point ci-dessus correspond à peu près à la largeur du bruit de mesure : réel en direction, faible comme verdict. Et le chiffre de 6,8 % d’xAI sur les phrases courtes multilingues, en baisse par rapport à 20,6 % dans la version 1.0, provient d’un ensemble interne constitué à partir du trafic de production, et non d’un corpus publié. Il s’agit d’une affirmation d’un fournisseur concernant un ensemble propre au fournisseur, et elle n’apparaît pas du tout sur Artificial Analysis.

Le streaming est la limite que le modèle ouvert ne peut pas franchir.

Pour un agent de centre d’appels, un sous-titrage en direct, un assistant de réunion ou un bot vocal, la décision est déjà prise avant même que la précision n’entre en ligne de compte. Grok Voice Transcribe 2.0 accepte des trames audio binaires brutes via un WebSocket — pcm, mulaw, alaw ou opus — renvoie des résultats intermédiaires environ deux fois par seconde et fournit des signaux de fin de tour grâce à l’endpointing et à la détection intelligente de fin de tour. Ce sont les mécanismes qui donnent à une transcription l’impression du direct, et c’est la raison pour laquelle Loom d’Atlassian a migré sa bibliothèque vidéo vers le modèle dès le lancement.

Nemotron 3.5 Transcribe présente par conception le profil inverse. Il lit jusqu'à une heure d'audio en une seule passe et renvoie une transcription complète, avec des horodatages de mots produits par un léger adaptateur CTC après la génération plutôt que pendant celle-ci. Cette conception apporte de la précision sur les enregistrements longs et désordonnés, au prix de la latence sur tout ce qui est court et interactif. NVIDIA propose dans sa gamme un autre reconnaisseur vocal en streaming, beaucoup plus petit — Nemotron Speech Streaming EN 0.6B — mais il s'agit d'un modèle différent avec une couverture différente, et non d'un mode streaming de ce checkpoint. Acheter le modèle 30B en espérant y greffer le streaming plus tard, c'est acheter deux fois la mauvaise chose.

Quarante langues contre trente-sept, et un décompte qui a évolué.

Sur le papier, l’écart est de trois langues. En pratique, tout dépend de la page que vous consultez. La documentation de transcription vocale d’xAI répertorie 37 langues nommées — de l’arabe et du bosnien jusqu’à l’ourdou et au vietnamien, avec des variantes régionales pour l’espagnol, le portugais et l’arabe — et présente le total comme étant de 38+. La couverture publiée autour du lancement de septembre en indiquait 25. La documentation est la source la plus récente et la plus précise, mais un nombre de langues qui varie de treize entre un billet de lancement et une page de documentation est un nombre à vérifier par rapport à votre propre audio plutôt qu’à adopter tel quel.

La fiche de NVIDIA est plus détaillée et, pour une fois, plus prudente : 40 langues avec un tableau de coches par langue, et 13 d’entre elles signalées pour la transcription multi-locuteurs. Celles qui comptent pour l’attribution des locuteurs constituent un ensemble plus restreint que les 40 — arabe, mandarin, anglais, français, allemand, hindi, italien, japonais, coréen, portugais, russe, espagnol et thaï. Si votre archive est en polonais ou en turc, Nemotron 3.5 Transcribe la transcrira bien et ne vous dira pas qui a dit quoi, qui est la capacité que vous achetiez probablement.

Ici, la traduction est une colonne propre à Nemotron. Le modèle traduit depuis et vers l’anglais sur 31 paires dans la même passe que la transcription, ce que Grok Voice Transcribe 2.0 ne propose pas ; l’API de xAI renvoie le texte dans la langue parlée. Si la tâche consiste à produire des procès-verbaux de réunion bilingues, c’est une fonctionnalité qu’aucun travail d’ingénierie de prompt côté Grok ne reproduira.

Étiquettes de locuteur : un encodeur fusionné contre un booléen

C'est la seule dimension où les deux sont plus proches que ne le laisse entendre le marketing, et où la réponse honnête est que les deux le font.

• Nemotron 3.5 Transcribe — un modèle Nemotron 3 Diarization figé transmet des représentations de l’activité des locuteurs à l’encodeur ASR, de sorte que le modèle de langue voit qui parle comme faisant partie de son entrée. La sortie contient des étiquettes de locuteur et des segments bruts, jusqu’à 8 locuteurs, ainsi que des horodatages au niveau des mots. Le tout en une seule passe, sans service intermédiaire.

• Grok Voice Transcribe 2.0 — définissez diarize=true et chaque mot est renvoyé avec un champ speaker entier, aussi bien en traitement par lots qu’en streaming. Le mode multicanal va plus loin : jusqu’à 8 canaux transcrits indépendamment et renvoyés avec un index de canal, ce qui constitue une attribution exacte lorsque votre source est un enregistrement multicanal plutôt qu’un enregistrement mixé.

La différence pratique tient à la couverture, pas à l’existence. Le flag de Grok fonctionne dans toutes les langues prises en charge par son API ; le chemin fusionné de NVIDIA est entraîné pour 13 langues. Et le multicanal est un véritable avantage dans les salles où il s’applique : une salle de conseil avec un microphone par siège n’a pas besoin d’un diariseur pour deviner. Un fichier mono mixé capté dans une salle de conférence, en revanche, en a besoin, et là, l’écart de qualité entre un encodeur fusionné et un flag hébergé est quelque chose que seul votre propre audio peut trancher.

L'arithmétique à mille heures par mois

Le prix est le point où les deux modèles divergent réellement, et il vaut la peine de faire le calcul plutôt que d'échanger des anecdotes sur les factures de GPU.

À 1 000 heures d’audio par mois, Grok Voice Transcribe 2.0 coûte 100 $ en mode batch ou 200 $ en streaming — 1 200 $ ou 2 400 $ par an, sans matériel, sans fenêtre de maintenance et sans démarrage à froid. Nemotron 3.5 Transcribe coûte ce que coûte le GPU. La page de recherche de NVIDIA affirme que le checkpoint NVFP4 avec le modèle draft DFlash2 transcrit 2 238 secondes d’audio par seconde sur une seule RTX PRO 6000 Blackwell, ce qui, même réduit d’un ordre de grandeur, place 1 000 heures d’audio en quelques heures de GPU par mois. Le calcul n’est pas la contrainte ; la propriété l’est.

• Seuil de rentabilité par rapport au tarif de streaming — une carte de station de travail à 8 000 $ s’amortit après 40 mois de 1 000 heures de streaming, ou 80 mois face au tarif par lots.

• À 10 000 heures par mois — la même carte atteint son seuil de rentabilité en quatre mois face au streaming, et le coût horaire tombe à environ 2 cents.

• GPU cloud loué — un H100 à environ 2 $ de l'heure bat les prix catalogue des deux modèles dès que la promesse de débit du fournisseur se vérifie, même à une fraction du chiffre annoncé ; le coût fixe devient le temps d'ingénierie, le stockage et le fait que vous exploiterez désormais un serveur de modèles.

Le seuil de rentabilité n’a donc rien à voir avec la précision de la transcription. Il dépend du volume et de la possibilité pour l’audio de quitter votre réseau. En dessous de quelques milliers d’heures par mois, le tarif hébergé est moins cher que l’ingénierie. Au-delà, ou derrière un mur de conformité, les poids l’emportent et la comparaison s’inverse.

Là où OrcaRouter est pertinent, et là où il ne l'est pas

Aucun de ces deux transcripteurs ne figure aujourd'hui au catalogue d'OrcaRouter ; les modèles que nous servons sont des modèles de texte et de vision, et rien ici ne doit être interprété comme un endpoint pour l'un ou l'autre. Ce qu'un pipeline de transcription génère, c'est une grosse masse de texte qu'il faut ensuite résumer, extraire des entités, anonymiser, classer et rechercher. C'est pour ces appels que une seule clé compatible OpenAI donnant accès à plus de 200 modèles rentabilise son coût : le prix catalogue du fournisseur répercuté à 0 % de marge, si bien qu'une baisse de prix d'un fournisseur s'applique le jour même, un basculement automatique lorsqu'un amont se dégrade, et un DSL de routage capable de confier le travail de classification bon marché à un petit modèle tout en réservant la synthèse coûteuse à un modèle de pointe. Si vous auto-hébergez Nemotron 3.5 Transcribe, le GPU fait office de transcripteur ; le routage, c'est ce qui arrive à la transcription ensuite.

Lequel choisir

La décision porte sur l'horloge de l'audio, et non sur la fiche du modèle.

• Audio en direct, agents vocaux, sous-titres, routage des appels — Grok Voice Transcribe 2.0, sans trop de débat. Le streaming est natif, la latence est inférieure à une demi-seconde jusqu’à une transcription finale, et le point de terminaison par lots utilise le même modèle pour le rattrapage nocturne.

• Enregistrements terminés avec plusieurs locuteurs, dans des langues autres que l’anglais — Nemotron 3.5 Transcribe, à condition de disposer du GPU et que la prise en charge des locuteurs en 13 langues couvre votre audio. C’est le cas pour lequel le modèle a été conçu, et celui où 40 langues et une diarisation en une seule passe l’emportent sur un écart de précision de 0,5 point.

• Archives bilingues — Nemotron 3.5 Transcribe, car les paires de traduction sont fournies dans la même passe et Grok ne traduit pas.

• Faible volume, pas de GPU, anglais uniquement — Grok Voice Transcribe 2.0 en mode batch à 0,10 $ l’heure. Mille heures coûtent cent dollars ; aucune liberté de licence open-weight ne compense l’achat d’une carte Blackwell pour économiser cela.

La quatrième réponse tentante — déployer Nemotron maintenant et ajouter le streaming plus tard — n’existe pas. Le modèle livré par NVIDIA est délibérément hors ligne, et l’offre de streaming qu’il commercialise en parallèle est un reconnaisseur anglais de 0,6 B, et non un mode de celui-ci. Choisissez d’abord la forme qu’il vous faut ; l’argument du classement peut attendre, car un demi-point d’AA-WER se situe bien dans la plage de variation du même modèle lorsqu’il change d’hôte.