Nemotron 3.5 Transcribe לעומת Gemini 3.5 Transcribe: 2.8% על השקופית, 3.4% על הלוח

מבית Google Gemini 3.5 Transcribeמדורג במקום התשיעי בלוח הדיבור הלא-זורם של Artificial Analysis עם שיעור שגיאה של 2.6%. של NVIDIA: Nemotron 3.5 Transcribe, שוחרר כמשקלים פתוחים ב-28 באוקטובר 2026, נמצא במקום העשרים עם 3.4%. ארבע עשיריות נקודה מפרידות ביניהם במדד הציבורי היחיד שנותן ציון לשניהם, ואותן ארבע עשיריות הן כמעט העובדה הכי פחות שימושית בהשוואה הזו. השניים לא נבנו לאותה משימה: האחד הוא נקודת קצה מנוהלת שמנקה תמלול לפני שאתם רואים אותו, והשני הוא צ'ק פוינט שאתם מורידים ושמבדיל בין שמונה דוברים גם כשהם מדברים זה על זה. הדירוג לא מטיב עם אף אחד מהם בכל הנוגע למה שהם נועדו לעשות בפועל.

כדאי לציין מראש אי־התאמה אחת, משום שהיא חוזרת בכל מאמר שנכתב על המודל הזה השבוע. חומרי ההשקה של NVIDIA מדווחים על 2.8% AA-WER ועל תיקו על המקום הראשון בקרב מערכות עם משקולות פתוחות. הלוח החי, כפי שנקרא ב־29 באוקטובר, מציג 3.4% בדירוג העשרים. שני המספרים מקורם באותו מדד, והם אינם מדידות של אותה הרצה — וזהו הלקח המעשי הראשון של הציוות הזה, והסיבה שקטע הדיוק שלהלן כתוב כפי שהוא.

מה ש-NVIDIA השיקה, ומה ש-Google מפעילה מאז אוגוסט

Nemotron 3.5 Transcribe אינו transducer ואינו מקודד רגיל. זהו מודל שפה מתוגבר-דיבור: מקודד דיבור מזין מודל Nemotron 3 Diarization קפוא, שאות פעילות הדובר שלו מוזרק למקודד ה-ASR דרך מה ש-NVIDIA מכנה Parallel Expert Encoder, והמפענח הוא LLM היברידי מסוג Mamba–Transformer עם תערובת מומחים (mixture-of-experts) שמופעלים בערך 4 מיליארד פרמטרים לכל טוקן מתוך כ-30 מיליארד בסך הכול. החומרים של החברה עצמה משתמשים גם בתוויות 30B-A3B וגם ב-30B-A4B עבור חצי מודל השפה, וסרגל הצד של Hugging Face מציין 34B כאשר סופרים את מערך השמע, אז יש להתייחס לכל נתון פרמטרים בודד כאל הערכה בלבד. המשקולות חינמיות תחת OpenMDW-1.1, שמאפשר שימוש מסחרי.

Gemini 3.5 Transcribe זמין באופן כללי מאז 26 באוגוסט 2026 בתעריף של $2.00 למיליון טוקני קלט של אודיו ו-$12.00 למיליון טוקני פלט של טקסט, אשר Google ממירה לבערך $0.005 לדקה, או כ-$0.30 לשעת אודיו. יש לו שכבת חינם במסגרת המכסה, SKU נפרד לזרימה חיה בבערך $0.009 לדקה, ואין לו משקלים כלל.

המספר שהשתנה בין חבילת ההשקה לבוקר שאחרי

ה-AA-WER של Artificial Analysis בנוי על שלושה מערכי נתונים — AgentTalk ב-50%, VoxPopuli-Cleaned ב-25%, Earnings22-Cleaned ב-25% — והמדד הוא ציון משולב יחיד, ולא ציון לכל תחום בנפרד. זה חשוב משום ש-AgentTalk הוא דיבור של סוכני קול, שהוא קצר, נקי ומיוצג באופן משמעותי בתמהיל האימון של ספק אם הספק מוכר סוכני קול. מודל שמנצח בתמהיל המשולב יכול להפסיד את הארכיון שלך.

קראו את לוח הדירוג כפי שהוא כעת, וסדר הדירוג הוא: MAI Transcribe 2 עם 2.0%, Voxtral Small Transcribe 3 עם 2.1%, Gemini 3.5 Transcribe עם 2.6%, GPT Transcribe עם 3.3%, Nemotron 3.5 Transcribe עם 3.4%. הטענה של NVIDIA בדבר 2.8%, אילו הייתה מחזיקה, הייתה ממקמת את המודל החדש בשווה ל-Gemini 3.1 Pro Preview ול-Voxtral Small, ובנוחות לפני מודל ה-batch של OpenAI. ב-3.4% הוא מאחורי כולם, ובשוויון עם שלושה מערכות, כולל גרסת Gemini Flash-Lite שמולה הוא מעולם לא הוצב. תיקון של 0.6 נקודות אינו טעות עיגול במדד שכל עשרת המקומות הראשונים שלו נעים בין 1.7% ל-2.9%.

הקריאה הישרה היא לא שניוידיה שיקרה. AA מודדת מחדש כאשר מודל מוגש בנקודת קצה חדשה או מורץ מחדש על קלטים מעודכנים, ונתון ההשקה משקף כמעט בוודאות את ההגשה של NVIDIA עצמה ולא את המארח המוגדר כברירת מחדל של הלוח. אבל זה בדיוק סוג הפער שהופך לטעות ברכש: צוות שמתקצב לפי "ראשון מבין המודלים עם משקולות פתוחות" ואז מודד 3.4% קנה מודל על סמך שקופית.

מה גוגל מוכרת ש-NVIDIA לא מוכרת

התכונה שמכרעת יותר חוזי תמלול מאשר WER היא מה שקורה למילים לאחר הזיהוי, ו-Gemini 3.5 Transcribe בנויה סביבה. מצב ברירת המחדל שלה, המצב המילולי, שומר על מילות מילוי, התחלות שווא וחזרות לצורכי ציות לרגולציה; המצב החכם שלה מסיר אי-רציפויות, פותר תיקונים עצמיים ומנרמל מספרים ומטבעות מדוברים במעבר אחד. אוצר מילים מותאם אישית מטה את הזיהוי כלפי עד 1,000 מונחים, כאשר Google ממליצה על כ-100 מונחים נבחרים היטב. אף אחד מאלה אינו קיים ב-Nemotron 3.5 Transcribe, שאפשר *להנחות* אותה לעבר רשימת ישויות ואפשר לומר לה להפיק פלט מילולי או פלט בכתב, אך היא משאירה את עיצוב המספרים ואת תיקון התיקונים העצמיים לכל מי שקורא את התמלול אחריה.

גוגל גם מנצחת בהיקף השפות הנקובות בשמן: יותר מ-85, עם זיהוי אוטומטי ומעבר בין שפות בתוך המשפט, לעומת 40 של NVIDIA בתמלול ו-31 בתרגום. נספרו רק השפות בעלות שם. אם בתור שלך נכללת שפה שנמצאת ברשימה של גוגל ולא ברשימה של NVIDIA, אין שום מבחן השוואתי להתווכח עליו.

מה NVIDIA מוכרת ש-Google לא תמכור

ייחוס דובר הוא המקרה ההפוך, והוא חד יותר ממה שהשיווק מציע. Gemini 3.5 Transcribe מתעד עד שמונה דוברים, אך החומרים של Google עצמה מסמנים ייחוס לשלושה דוברים או יותר כניסיוני, והבלוג שלה נשען על "עד שלושה". Nemotron 3.5 Transcribe מתייג עד שמונה דוברים, עושה זאת ב-13 שפות, ומחזיר חותמות זמן ברמת המילה המיוחסות לדובר באמצעות מתאם CTC לאחר פענוח, שמתיישר את התמלול המוגמר עם האודיו.

• פרמטרים — 30B בסך הכול עם כ-4B פעילים, Mamba–Transformer MoE היברידי לעומת מחסנית דיבור קניינית שלא נחשפה.

• רישיון — OpenMDW-1.1, שימוש מסחרי, המשקולות ניתנות להורדה לעומת API בלבד ללא זכויות להפצה מחדש.

• מחיר — אין תעריף מחירון מפורסם; העלות היא זמן GPU, ולגבי גרסת NVFP4 על RTX PRO 6000 Blackwell אחד נטען שהיא מעבדת עד 2,238 שניות אודיו בשנייה לעומת $0.005 לדקה בתעריף משולב.

• שפות — 40 מתומללות, 31 מתורגמות מאנגלית או לאנגלית, 13 עם תוויות דובר לעומת 85+ לוקאלים עם החלפת קודים.

• רמקולים — 8, מתועדים ועברו בדיקות ביצועים לעומת 8 מתועדים, 3+ מסומנים כניסיוניים.

• אורך השמע — שעה במעבר אחד לעומת שעה, שיורדת ל-30 דקות כאשר מתבקשת דיאריזציה או חותמות זמן.

• סטרימינג — אין; אודיו מוקלט בלבד לעומת SKU חי נפרד בכ-0.009 $ לדקה.

• עיבוד לאחר — נשלט על ידי פרומפט, בצורה מילולית או כתובה; ללא ניקוי מובנה לעומת מצב חכם שמסיר מילות מילוי ומתקן תיקונים עצמיים.

מספרי הדיאריזציה שרק צד אחד מפרסם

כאן ההשוואה מפסיקה להיות צמודה ומתחילה להיות חד־צדדית, וגם כאן המקורות הופכים דלילים. NVIDIA מדווחת על שיעור שגיאות דיאריזציה של 18.26% על פני 21 שפות במבחן David AI, הנמוך מבין 14 מערכות שנבחנו, כאשר הערך הבא הוא מודל Nemotron 3 Diarization שלה עצמה עם 18.38%, וכל השאר בין 22.85% ל־37.55%. ב־Diarization-Bench של VoiceArena היא מדווחת על 32.4% WER משורשר בפרמוטציה מינימלית, הטוב מבין 14, כשהמקום השני הוא 34.2%. בהקלטות דיבור חופף באנגלית היא מדווחת על השמטה של 8.32% ממילות הייחוס לעומת חציון של כ־31%.

גוגל אינה מפרסמת כלל שיעור שגיאת דיאריזציה עבור Gemini 3.5 Transcribe. לא שיעור גרוע יותר — אלא אין כזה. האסימטריה הזו פועלת לשני הכיוונים ויש להציג אותה בפשטות: המספרים של NVIDIA מדווחים על ידי הספק, במערך הבדיקות של NVIDIA, ואין מספר של צד שלישי שכנגדו אפשר לבדוק אותם, משום שלוחות הדירוג העצמאיים לדיאריזציה שקיימים מאוכלסים בעיקר במערכות ש-NVIDIA עצמה הגישה. מה שאינו מוטל בספק הוא התקרה המתועדת: Gemini מוגבלת לשמונה דוברים, כאשר שיוך מעל שלושה דוברים הוא ניסיוני, ומקצרת את אורך השמע המרבי שלך משעה לשלושים דקות ברגע שתבקש תוויות דוברים ותזמון מילים יחד. אם החומר שלך הוא ישיבת דירקטוריון של שישה משתתפים, זו מגבלה של המוצר ולא שאלת איכות, ואף השוואת WER לא תחשוף אותה.

מה באמת עולה שעה של אודיו בכל אחד מהם

הריצו אותו על אלף שעות בחודש, עומס ריאלי למוקד שירות או לארכיון מדיה. Gemini 3.5 Transcribe במחיר של $0.005 לדקה מסתכם ב-$300 לאלף שעות. ל-Nemotron 3.5 Transcribe אין מחיר מחירון כי אין מה למכור ברשימה: קונים את ה-GPU. כרטיס RTX PRO 6000 Blackwell אחד שמריץ את צ'קפוינט ה-NVFP4 הוא התצורה שניידיה מדגימה, וטענת התפוקה — עד 2,238 שניות אודיו לשנייה — מגיעה עם תנאי שפוסט ב-Hugging Face מציין והכותרות משמיטות: היא נמדדה על קטעים של 30 שניות בקונרזנטיות גבוהה. פגישות ארוכות עם דוברים חופפים לא יגיעו למספר הזה.

נקודת האיזון היא אפוא שאלת ניצולת, לא שאלת מחיר. כרטיס בודד שעולה בערך כמו כמה חודשי תעתוק מנוהל מחזיר את עלותו רק אם מחזיקים אותו עסוק, והוא לעולם אינו מחזיר את עלותו מול קריאות API בסך 300 דולר בחודש על תור קטן. הטיעון בעד הצ'קפוינט אינו דקות זולות בנפח נמוך. הוא בכך שהדקות מפסיקות להיות סעיף חיוב בכלל, שהאודיו לעולם לא עוזב את הרשת שלך, ושכיוונון עדין הוא אחר צהריים אחד על GPU בודד — NVIDIA מדווחת על 0.5 עד 2.3 שעות GPU למשימה, ועל התאמת דיבור רפואי שהורידה את שיעור שגיאות המילים מ-30.8% ל-11.8% על 3,619 קליפים, כשדוברים שהוחזקו מחוץ לאימון השתפרו מ-22.44% ל-12.17%.

עמוד המחקר של NVIDIA עצמה הוא המקום היחיד שבו מופיעות יחד הטענות בדבר תפוקה וכיונון עדין, וכדאי לקרוא אותו לצד המספרים שלעיל: הנתון של 2,238 שניות לשנייה מניח את נקודת הבדיקה של NVFP4 ואת מודל הטיוטה DFlash2 על חומרת Blackwell, ואילו הטענה בדבר כיונון עדין של 0.5 עד 2.3 שעות-GPU מניחה GPU יחיד ומשימה קטנה מספיק כדי להיכנס לאחד כזה. אף אחד משני אלה אינו כותרת שאפשר להעתיק לתוכנית קיבולת בלי ההסתייגויות האלה.

לא משנה באיזה צד תבחרו, התמלול אינו סוף צינור העיבוד. הוא מסוכם, מסווג, מחופש ומנותב, והחצי שבמורד הזרם הוא המקום שבו נקודת קצה אחת חשובה: OrcaRouter מאגד מאחורי מפתח אחד 200+ מודלים טקסטואליים ומולטימודליים, כאשר מחירי המחירון של הספקים מועברים הלאה ללא תוספת מחיר של 0%, מעבר אוטומטי לגיבוי ו-DSL לניתוב שיכול לשלוח פרוטוקול פגישה למסכם אחד וסקירת ציות לאחר, בלי אינטגרציה נוספת. כיום אף אחד מ-Gemini 3.5 Transcribe ומ-Nemotron 3.5 Transcribe אינו נמצא בקטלוג הזה — המרת דיבור לטקסט היא עדיין חוזה נפרד בכל מקום שבו רוכשים אותה — ולכן הנקודה צרה מכפי שהיא נשמעת: בחרו את המתמלל לפי התמלול, ותנו לשכבה שמעליו להישאר ניידת.

איזה מהם שייך לסטאק שלך?

בחרו ב-Gemini 3.5 Transcribe אם הבעיה שלכם היא הטקסט: אודיו לא שוטף של ראיונות, דיבור מוקד שירות מלא ב"לא רגע, התכוונתי", רשימת לוקאלים שעליכם לבדוק לפי שם, ונקודת קצה מנוהלת שתוכלו להעמיד מאחורי מפתח עוד היום אחר הצהריים. זהו המודל המדויק יותר בלוח הציבורי כיום, בפער קטן אך אמיתי, הוא מתקן את התמלול תוך כדי, והוא עולה שלושים סנט לשעה, עם שכבה חינמית לבדיקה.

בחרו ב-Nemotron 3.5 Transcribe אם הבעיה שלכם היא החדר. יותר משלושה דוברים, דיבור חופף, שלוש עשרה שפות של תוויות דובר, תזמון מילים ששורד קובץ באורך שעה, ומדיניות אודיו שאוסרת שליחת ההקלטה לצד שלישי — אלו התנאים שבהם נקודת השמירה הפתוחה אינה פשרה אלא האפשרות היחידה שעומדת בדרישה. הוא גם היחיד מבין השניים שאפשר לכוונן אותו, ובעבור אודיו עם מבטא או אודיו ספציפי לתחום זה שווה יותר מארבע עשיריות הנקודה.

מה ישנה את ההכרעה הזאת: הרצה חוזרת ועצמאית של דיאריזציה שמציבה את Gemini אפילו בקרבת 18.26% ה-DER של NVIDIA, או מדידה חוזרת של AA שתקבע את Nemotron בין 2.8% ל-3.4%. עד שאחד מהם יתפרסם, טיעון הדיוק הוא של ספק, ואילו טיעון התכונות הוא זה שאתה יכול לאמת בעצמך בתוך אחר צהריים אחד, עם ההקלטה הגרועה ביותר שלך.