Nemotron 3.5 Transcribe vs MAI Transcribe 2 : une heure à 100 $ contre un GPU que vous possédez

Mille heures d’audio coûtent cent dollars à Microsoft. C’est tout l’argument tarifaire en faveur de MAI Transcribe 2, qui est en aperçu public depuis le 3 septembre 2026 à 0,10 $ par heure d’audio — environ 1,67 $ pour mille minutes, un tarif qui bat tous les concurrents gérés qu’il cite et représente environ un tiers de ce qu’OpenAI facture pour le même travail. Nemotron 3.5 Transcribe, le checkpoint ouvert de NVIDIA du 28 octobre 2026, n’a aucun prix à la minute, car la seule façon de l’acheter est d’acheter le matériel sur lequel il fonctionne. À mille heures par mois, la facture de Microsoft est une erreur d’arrondi sur un budget départemental et celle de NVIDIA est un achat d’investissement.

Puis vient la partie gênante. Dans le classement public de précision, MAI Transcribe 2 est deuxième au monde avec 2,0 % d’AA-WER. Nemotron 3.5 Transcribe est vingtième avec 3,4 %. Le modèle le moins cher est aussi le plus précis, avec une marge supérieure à l’écart total entre les rangs neuf et vingt. Si cette comparaison ne portait que sur les mots et l’argent, elle serait réglée en un paragraphe. Ce n’est pas le cas, car Microsoft ne publie aucun chiffre sur la qualité de la diarisation et NVIDIA en publie plusieurs — et c’est cette colonne vide qui explique pourquoi on choisirait encore l’option coûteuse.

Ce que dit le conseil, et ce qu’il ne peut pas dire

Artificial Analysis évalue les deux modèles sur le même mélange de trois jeux de données, de sorte que le 2,0 % contre 3,4 % constitue au moins une comparaison à armes égales sur le même indice, mesuré par le même opérateur. C’est plus rare que cela ne devrait l’être dans cette catégorie, et cela mérite d’être pris au sérieux. MAI Transcribe 2 n’est devancé que par un système de prévisualisation en temps réel en tête du classement ; Nemotron 3.5 Transcribe est à égalité avec trois systèmes, dont l’un est une variante Gemini Flash-Lite en mode raisonnement minimal.

Les documents de lancement de NVIDIA rapportent un AA-WER de 2,8 %, qui, s’il se maintenait, laisserait encore NVIDIA à huit dixièmes de point derrière Microsoft. Le classement en direct affiche 3,4 %. Dans un cas comme dans l’autre, l’ordre ne change pas ; contrairement aux autres confrontations de cette série, l’écart entre les chiffres de lancement et ceux du classement ne tranche donc pas ici. Microsoft est simplement en tête sur la métrique que les deux entreprises s’accordent à utiliser pour être mesurées.

Ce que 0,10 $ l’heure permet réellement d’acheter

MAI Transcribe 2 est un modèle de transcription par lots conçu pour l'audio long format : réunions, appels, archives médias, enregistrements de centres de contact. Il couvre 60 langues avec identification automatique de la langue, intègre la diarisation des locuteurs, renvoie des horodatages au niveau du mot, prend en charge le biais par mots-clés pour les noms et les termes métier, et propose deux styles de sortie — verbatim, qui conserve les mots de remplissage et les faux départ, et clean, qui les supprime. Microsoft rapporte un débit d'environ 411 fois le temps réel sur le tableau des vitesses d'Artificial Analysis, deuxième au classement général, et son propre billet de lancement le présente comme dix fois plus rapide que GPT Transcribe et cinq fois plus rapide que Gemini 3.5 Transcribe.

La liste des fonctionnalités est, sur le papier, un surensemble de ce dont la plupart des équipes ont besoin et un quasi-équivalent de celle de NVIDIA. Les deux font de la diarisation, les deux fournissent l’horodatage des mots, les deux prennent en charge le biais par mots-clés, les deux produisent une sortie mot pour mot et nettoyée, les deux plafonnent à environ une heure d’audio, et les deux fonctionnent uniquement en mode traitement par lots dans le SKU comparé. Les différences se situent à la marge : 60 langues contre 40, huit locuteurs contre un nombre non spécifié, et un prix trois ordres de grandeur plus facile à expliquer à une équipe financière.

• Prix — 0,10 $ par heure audio, offre limitée jusqu’à la fin de 2026, contre aucun tarif catalogue ; le coût correspond au temps d’accélérateur.

• Précision — 2,0 % AA-WER, classé 2e contre 3,4 %, classé 20e (3,4 % sur le tableau en direct ; le dossier de NVIDIA revendique 2,8 %).

• Débit — environ 411× le temps réel, contre jusqu’à 2 238 secondes d’audio par seconde sur une RTX PRO 6000 Blackwell avec NVFP4 et un modèle de brouillon, mesuré sur des clips de 30 secondes à concurrence élevée.

• Langues — 60 avec identification automatique contre 40 transcrites, 31 traduites.

• Licence — propriétaire, API uniquement vs OpenMDW-1.1 avec poids téléchargeables.

• Locuteurs — diarisation intégrée, aucun DER publié contre jusqu’à 8, attribué, en 13 langues, 18,26 % de DER sur 21 langues au benchmark David AI.

• Fine-tuning — aucune option proposée, contre une adaptation sur GPU unique à 0,5–2,3 heures-GPU par tâche.

• Localité des données — l'audio quitte votre réseau vs auto-hébergeable, y compris hors ligne.

La colonne que Microsoft laisse vide

Microsoft intègre la diarisation et ne publie aucun taux d’erreur de diarisation. Pas même un faible — aucun. NVIDIA publie quatre résultats de diarisation distincts : 18,26 % de DER sur 21 langues au benchmark David AI, le plus bas parmi 14 systèmes ; 32,4 % de WER concaténé à permutation minimale sur Diarization-Bench de VoiceArena, le meilleur parmi 14 ; 8,32 % de mots de référence omis sur des paroles anglaises qui se chevauchent, contre une médiane proche de 31 % ; et l’attribution des locuteurs dans 13 langues face au nombre non spécifié de Microsoft.

Tous ces chiffres sont déclarés par le fournisseur sur son propre banc d’essai, et l’interprétation honnête est qu’ils constituent une affirmation sur les capacités plutôt qu’une preuve de qualité. Mais l’asymétrie est instructive. Une entreprise qui dispose d’un chiffre de diarisation le publie, car la diarisation est la partie la plus difficile à réussir dans une transcription et celle dont les clients se plaignent. Une entreprise qui intègre la diarisation sans chiffre vous dit qu’elle ne considère pas cela comme un argument de vente. Cela peut signifier que la fonctionnalité est correcte et sans rien d’exceptionnel. Cela peut aussi signifier qu’elle est faible. Rien dans les documents de lancement de Microsoft ne distingue les deux cas, et aucun organisme indépendant ne mesure encore le taux d’erreur de diarisation à ce niveau de granularité.

Pour un appel commercial à deux personnes, cela n’a pas d’importance — l’un ou l’autre des modèles identifiera correctement deux voix. Pour une réunion du conseil d’administration à six personnes avec des conversations croisées, la différence entre 18 % DER et un nombre inconnu est celle entre un compte rendu minute par minute exploitable et un document auquel personne ne fait confiance. C’est ce type de charge de travail où le prix du checkpoint ouvert cesse de paraître absurde.

Pourquoi on achète le modèle coûteux

Quatre raisons, par ordre décroissant de la fréquence à laquelle elles apparaissent réellement dans les décisions d’achat.

Le premier point est la localisation des données. MAI Transcribe 2 est une API. L’audio quitte votre réseau, atterrit chez un fournisseur et est régi par les conditions de conservation de ce fournisseur. Nemotron 3.5 Transcribe s’exécute sur du matériel que vous contrôlez, y compris entièrement hors ligne, ce qui, pour les enregistrements cliniques, les procédures judiciaires, les enquêtes RH et tout ce qui relève d’un régime de résidence des données, n’est pas une préférence mais une exigence. Aucun prix horaire ne rivalise avec une contrainte de conformité.

Le deuxième est la permanence. Le tarif de 0,10 $ de Microsoft est explicitement une offre à durée limitée qui court jusqu’à la fin de 2026, et aucun prix standard n’a été communiqué où que ce soit dans les documents de lancement. Une équipe qui bâtit un produit sur ce chiffre repose sur un tarif promotionnel dont l’échéance est inconnue. Les poids ouverts n’ont pas ce mode de défaillance : le checkpoint que vous avez téléchargé continue de fonctionner au prix de l’électricité, quoi que fasse le fournisseur ensuite.

Le troisième est l’adaptation. NVIDIA rapporte un ajustement fin sur un seul GPU à raison de 0,5 à 2,3 heures-GPU par tâche, ainsi qu’une étude de cas sur la parole médicale dans laquelle l’adaptation a fait passer le taux d’erreur sur les mots de 30,8 % à 11,8 % sur 3 619 clips, les locuteurs tenus à l’écart passant de 22,44 % à 12,17 %. Microsoft ne propose aucune voie d’ajustement fin. Pour l’audio accentué, bruité ou dense en jargon — exactement l’audio où une moyenne de 2,0 % devient une réalité à 25 % — la capacité d’adaptation vaut plus de deux points de position au classement. Le jeu anglais revu par des humains de Perit raconte la même histoire dans l’autre sens : il place MAI Transcribe 2 et GPT Transcribe à un centième de point l’un de l’autre, à 1,76 %, ce qui rappelle que ces tableaux se resserrent fortement sur l’audio propre et s’étalent sur tout le reste.

Le quatrième point, c’est que MAI Transcribe 2 est en aperçu public. Aperçu signifie aucun engagement de disponibilité, aucune période de préavis de dépréciation et un ensemble de fonctionnalités susceptible de changer sous vos pieds. Nemotron 3.5 Transcribe a un jour et a son propre problème de maturité — son outillage GGUF est encore annoncé comme « bientôt disponible » et ses builds locaux quantifiés ne sont pas livrés — mais un checkpoint ne cesse pas d’être en aperçu.

La couverture qui ne coûte rien

La plupart des équipes n’ont pas besoin de choisir. Faites tourner l’API bon marché sur l’essentiel de la file d’attente et acheminez vers le checkpoint les fichiers qui ne peuvent pas quitter le bâtiment, ou les réunions où l’attribution des locuteurs doit être exacte. Cette approche hybride est moins chère que l’une ou l’autre des stratégies pures et elle échoue proprement : si le tarif promotionnel de Microsoft expire à un montant peu attractif, la voie auto-hébergée est déjà provisionnée ; si l’affirmation de diarisation du modèle ouvert ne résiste pas à votre audio, l’API est déjà intégrée.

Ce qui rend cette couverture efficace en pratique, c’est de garder les deux moitiés du pipeline séparables. La reconnaissance vocale est un contrat ; le résumeur, le classifieur et le routeur qui consomment les transcriptions en sont un autre. OrcaRouter couvre la seconde moitié avec plus de 200 modèles texte et multimodaux derrière une seule clé, les prix catalogue des fournisseurs étant répercutés avec 0 % de marge — ainsi, une baisse de prix d’un fournisseur se répercute sur votre facture le jour même plutôt qu’au prochain renouvellement du contrat — ainsi que le basculement automatique et un DSL de routage qui peut diriger différentes classes de transcription vers différents modèles. Ni MAI Transcribe 2 ni Nemotron 3.5 Transcribe ne figurent dans ce catalogue, et nous ne proposons pas du tout de service de transcription vocale, si bien que le contrat de transcription reste là où vous l’avez signé. L’idée est simplement que le modèle en aval ne doit pas être soudé au même fournisseur.

Le verdict, en volume

En dessous d’environ quelques centaines d’heures audio par mois, sans contrainte de résidence des données et sans exigence d’attribution des locuteurs au-delà des appels à deux participants, MAI Transcribe 2 est le meilleur achat sur tous les axes qui apparaissent dans une feuille de calcul : moins cher, plus précis sur l’indice partagé, plus rapide et disponible dès aujourd’hui sans provisionnement. La tarification promotionnelle est un risque réel et mérite d’être modélisée à deux ou trois fois le tarif actuel, mais elle n’efface pas un écart de trois ordres de grandeur.

Au-delà de ce volume, ou avec l’une quelconque des quatre contraintes ci-dessus, le calcul s’inverse — non pas parce que le modèle ouvert coûte moins cher par heure, mais parce que les heures cessent d’être achetables tout court. Le dossier de Nemotron 3.5 Transcribe repose sur les locuteurs, les langues, la localité, l’adaptation et la permanence, à peu près dans cet ordre. Son argument d’exactitude repose sur une affirmation de fournisseur que le classement public ne soutient pas actuellement, et quiconque répète « premier parmi les modèles à poids ouverts » comme si cela réglait la comparaison cite une diapositive plutôt qu’une mesure.