Nemotron 3.5 Transcribe vs Muse Voice Transcribe : l’un traite la réunion, l’autre y assiste.

Deux enregistrements tranchent cette comparaison avant même le moindre benchmark. L’un est un appel en cours, où la transcription doit suivre la conversation et où un décalage de deux secondes rend l’outil inutile. L’autre est une archive de deux heures des appels clients du trimestre dernier, où personne ne se soucie que les mots arrivent en 200 millisecondes ou en vingt minutes. NVIDIA Nemotron 3.5 Transcribe, publié le 28 octobre 2026 sous forme de point de contrôle hors ligne à poids ouverts, est conçu pour le second enregistrement. Meta Muse Voice Transcribe, livré par Meta Superintelligence Labs le 1er septembre 2026, est conçu pour le premier. La plupart des pages de comparaison placent leurs taux d’erreur sur les mots dans une seule colonne et s’en tiennent là, ce qui est précisément la comparaison qu’il est impossible de faire.

L’horloge, et non le taux d’erreur de mots

Le modèle de Meta est une couche de perception en flux continu. Il consomme l’audio par tranches de 80 millisecondes, émet des tokens souples et utilise un mécanisme de « retard adaptatif » entraîné par renforcement pour décider, mot par mot, de la quantité de contexte à attendre avant de produire le texte final. Les documents de lancement de Meta, d’après les informations rapportées, situent l’écart entre la fin de la parole et le texte final à environ 0,16 seconde, et le modèle est servi via un WebSocket pour l’audio en direct ou un point de terminaison HTTP pour les fichiers traités en une seule fois. Il gère aussi lui-même la détection de fin d’énoncé et la détection d’activité vocale, si bien que le pipeline qui l’entoure est léger.

Le modèle NVIDIA est de conception opposée. La fiche le dit sans détour : « C’est un modèle hors ligne », et précise que le découpage interne n’en fait pas un service de streaming. On lui fournit un fichier d’une durée maximale d’une heure et il renvoie une transcription. Aucune sortie partielle, aucune hypothèse intermédiaire, aucune interruption. NVIDIA vend séparément un reconnaisseur en continu 0.6B pour l’audio en direct ; il s’agit d’un autre checkpoint, et non d’un mode de celui-ci.

Les chiffres phares sont donc mesurés avec des instruments différents. Meta rapporte un taux d'erreur sur les mots de 3,1 % et une première place au classement de transcription vocale en flux d'Artificial Analysis. La fiche de NVIDIA rapporte une moyenne de 4,71 % sur les neuf ensembles publics English Open ASR, tandis que le tableau hors flux d'Artificial Analysis indique 3,4 % pour le point de terminaison déployé — et sa FAQ mentionne 2,8 % pour le même modèle. Ce sont trois mesures différentes de deux tâches différentes. Les 3,1 % sont un résultat en flux ; les 3,4 % sont un résultat par lots sur une distribution audio différente. En les soustrayant, on obtient une « victoire » de 0,3 point qui ne veut rien dire, et le désavantage du modèle en flux sur des audios longs, bruyants et accentués est réel mais invisible dans cette arithmétique.

Orateurs : une vingtaine contre huit

L'écart de diarisation est le seul endroit où les chiffres mesurent à peu près la même chose, et il est important.

• Nombre maximal de locuteurs — Meta annonce plus de 20 locuteurs dans un seul enregistrement ; NVIDIA s'entraîne sur des mélanges allant jusqu'à huit, et sa fiche de modèle indique qu'aucun maximum n'est fixé au moment de l'inférence.

Chevauchement — La page de Meta elle-même précise que la diarisation s’applique à la « parole non chevauchante ». Tout l’argument architectural de NVIDIA repose sur la parole chevauchante : l’activité de locuteur du diariseur gelé est injectée dans l’encodeur afin que le modèle puisse attribuer les mots pendant que les personnes parlent les unes par-dessus les autres. C’est là l’affirmation qui sous-tend son cpWER moyen de 15,80 sur l’ensemble multi-locuteurs de NVIDIA.

• Couverture linguistique pour les étiquettes — Meta prend en charge 25+ langues ; NVIDIA en prend en charge 40 pour la transcription, mais en signale 13 pour la sortie multi-locuteur. Une réunion en turc est transcrite sans étiquettes.

• Format des libellés — Meta émet des lettres de locuteur brutes comme « A » ; NVIDIA émet des balises de style <spk:0> qui correspondent aux segments de diarisation.

Si votre cas d'usage est une table ronde, une salle d'audience ou un appel de support avec trois participants qui se chevauchent, c'est le plafond de huit locuteurs qui est la contrainte décisive, et non la colonne WER. Si votre cas d'usage est une réunion générale de vingt personnes où les gens parlent surtout à tour de rôle, le 20+ de Meta est le chiffre qui compte et le huit de NVIDIA est un mur infranchissable.

Langues : 25 contre 40, et aucun des deux nombres n’est ce qu’il paraît.

La page développeur de Meta indique elle-même « 25+ langues » et prend en charge l’alternance codique au sein des phrases et entre elles, ce qui compte pour les réunions bilingues. Les articles sur le lancement rapportaient que le modèle avait été entraîné sur plus de 70 langues, dont 25 validées de manière approfondie — une distinction utile, car une langue « entraînée » mais non validée est une langue qu’il faut tester avant de lui faire confiance. La fiche technique de NVIDIA répertorie 40 langues avec prise en charge de l’ASR, 31 avec traduction bidirectionnelle vers et depuis l’anglais, et un composant distinct d’identification de langue à 48 étiquettes.

• Si vous avez besoin d’une étendue de couverture européenne — les 25 langues validées de Meta sont plus restreintes que les 40 de NVIDIA, mais la liste de Meta privilégie les langues que les clients entreprises enregistrent réellement.

• Si vous avez besoin de traduction — seul NVIDIA le fait. Le modèle de Meta transcrit ; il ne traduit pas la transcription dans une autre langue.

• Si vous avez besoin d’alternance codique — Meta l’annonce nativement ; la fiche de NVIDIA ne mentionne rien de comparable, et sa compréhension audio est uniquement en anglais, quelle que soit la langue de transcription.

Ce que la transcription contient réellement

Les horodatages sont précisément le point où une différence d'apparence anodine devient coûteuse. Meta fournit des horodatages au niveau du tour — les frontières de segment, et non des temps par mot — et n'expose pas du tout de scores de confiance. NVIDIA fournit des horodatages par mot via un adaptateur CTC, avec la réserve que les horodatages ne sont pas disponibles lorsque le brouillon de décodage spéculatif DFlash2 est activé.

• Horodatages — Meta au niveau du tour ; NVIDIA au niveau du mot, mais pas parallèlement à son chemin de décodage le plus rapide.

• Confiance — Meta n’en publie aucune ; NVIDIA ne publie pas non plus de niveau de confiance par mot.

• Format d’entrée — Meta exige du PCM mono 16 bits à 16 ou 24 kHz et vous indique de convertir tout le reste avec ffmpeg ; NVIDIA accepte le mono 16 kHz et traite le fichier directement.

• Le prompting — tous deux biaisent la sortie. Le biais par mots-clés et le biais linguistique de Meta « ne font qu’orienter le modèle et ne garantissent pas l’orthographe », selon sa documentation. Le prompting contextuel de NVIDIA rapporte une baisse du WER des entités nommées, de 12,21 % à 2,20 %, avec une liste d’entités à granularité fine — menée par le fournisseur, mais une affirmation bien plus forte, et qui implique un mécanisme différent d’une simple incitation.

• Styles de sortie — les cinq styles de NVIDIA (verbatim, forme écrite, contextuel, attribué au locuteur, riche) sont sélectionnés par instruction. Meta renvoie un seul format et attend que vous le post-traitiez.

Prix par heure audio

Meta facture 3,00 $ par tranche de 1 000 minutes, soit 0,18 $ par heure d’audio, sans paliers ni quota gratuit publié. L’offre hébergée de NVIDIA sur Artificial Analysis est de 2,00 $ par 1 000 minutes — environ 0,12 $ par heure — et les poids sont téléchargeables gratuitement sous OpenMDW-1.1, si bien que l’auto-hébergement est une troisième option que Meta ne propose à aucun prix.

Le calcul à l’échelle est simple et ne favorise pas le tarif affiché le plus bas. Mille heures d’audio par mois coûtent 180 $ via Meta et 120 $ via un point de terminaison Nemotron hébergé. En auto-hébergement, ces mêmes mille heures représentent moins d’une heure de temps GPU sur une RTX PRO 6000 Blackwell, selon le débit NVFP4 annoncé par NVIDIA — disons 2 $ de calcul au tarif d’un GPU loué, plus les opérations, le stockage et l’ingénieur qui en a la charge. À 10 000 heures par mois, l’écart entre 1 800 $ et quelques centaines de dollars finance beaucoup d’opérations ; à 100 heures par mois, il ne finance rien de tout cela.

Ce que l'auto-hébergement apporte réellement, ce n'est pas le prix. C'est la possibilité d'exécuter la transcription sur des enregistrements audio qu'il est contractuellement interdit de faire sortir de votre réseau, et la possibilité de maintenir le pipeline en fonctionnement lorsqu'un point de terminaison de fournisseur se dégrade. Voilà pourquoi les équipes soumises à réglementation paient pour des GPU qu'elles pourraient sinon louer.

Là où chacun se brise

Les modes de défaillance de Meta sont liés à la latence. Sa diarisation suppose une parole sans chevauchement, de sorte qu’un appel au support houleux avec des interruptions étiquettera mal les tours de parole. Sa transcription ne comporte pas d’horodatages au niveau des mots, ce qui casse la génération de sous-titres, la recherche audio et tout alignement en aval avec la vidéo. Son contrat d’entrée est strict, et son biais n’est qu’indicatif. Il n’offre ni traduction, ni réponse aux questions audio, ni option auto-hébergée.

Les modes de défaillance de NVIDIA touchent de près au workflow. Il ne peut pas diffuser en flux continu et ne peut donc pas fournir de sous-titres en direct, d'agents vocaux ni de routage d'appels en temps réel. Sa compréhension de l'audio se limite à l'anglais. Il est plafonné à une heure par enregistrement. Son intégration SGLang-Omni livrée d'origine omet la sortie attribuée par locuteur, les horodatages au niveau du mot et la traduction, si bien qu'une partie de ce que promet la fiche nécessite la voie vLLM ou le conteneur NIM. Et il peut parfois ne pas se terminer, ce contre quoi la fiche recommande de se prémunir.

Aucun des deux ensembles d’échecs ne constitue un bug à l’avantage de l’autre modèle. Ce sont les deux formes du problème : un modèle présent pendant que l’audio se produit, et un modèle minutieux après sa fin.

Si vous avez besoin des deux, le pipeline n’est pas un compromis.

Le déploiement réel le plus courant n’est pas du tout un choix. L’audio en direct passe par le point de terminaison de streaming de Meta, car c’est le seul moyen d’obtenir du texte pendant l’appel — sous-titres, assistance agent, recherche en direct. Le même enregistrement est ensuite retranscrit hors ligne par le checkpoint de NVIDIA pendant la nuit, car la passe par lots produit un texte plus propre, des horodatages de mots attribués aux locuteurs et, si nécessaire, une traduction anglaise d’un appel non anglophone. La transcription en streaming sert à l’instant présent ; la transcription par lots sert de référence. Les équipes qui essaient de forcer un seul modèle à assumer les deux rôles finissent généralement avec soit une vue en direct retardée, soit une facture de streaming coûteuse pour un audio que personne n’écoute.

La moitié aval de ce pipeline — résumer les appels, évaluer les performances des agents, occulter les données personnelles, acheminer les conversations signalées vers un humain — relève du travail textuel ordinaire et n’a pas sa place sur le même GPU que l’ASR. OrcaRouter exécute ces appels texte derrière une seule clé avec 0 % de majoration, en répercutant à l’identique le prix catalogue du fournisseur, avec un basculement automatique en cas de défaillance d’un fournisseur et un DSL de routage capable d’envoyer la synthèse et la classification vers des modèles différents au sein d’un même workflow. Ni Meta Muse Voice Transcribe ni NVIDIA Nemotron 3.5 Transcribe ne figurent dans le catalogue d’OrcaRouter ; le routeur intervient après la transcription, là où se trouve la charge de travail textuelle.

Trois questions tranchent cela plus vite que n’importe quel classement. Combien de temps après l’arrivée de l’audio le texte doit-il être disponible ? Si la réponse est « pendant l’appel », la décision revient à Meta et la discussion sur le WER n’est que décorative. Combien de personnes parlent en même temps, et leurs voix se chevauchent-elles ? Si la réponse est « plus de huit, et oui », c’est le terrain de NVIDIA. Et l’audio est-il autorisé à quitter votre réseau ? Si la réponse est non, un seul de ces deux modèles peut être déployé.

Tout le reste — les 3,1 %, les 4,71 %, les 0,18 $ — est un facteur de départage entre deux produits conçus pour des moments différents d’une même réunion.