Nemotron 3.5 Transcribe מול GPT Transcribe: פער של 0.1 נקודות, ואחד מהם מעניק לך את ה-Checkpoint

בקשו מ־GPT Transcribe חותמות זמן ברמת המילה, וה-API לא ייתן לכם אותן. לא בצורה גרועה, ולא בקירוב — למודל אין ראש תזמון, התיעוד של OpenAI מפנה אתכם ל-whisper-1 למשימה הזו, וכך גם תוויות דובר, שנמצאות במודל דיאריזציה נפרד. כעת בקשו מ־Nemotron 3.5 Transcribe, ש־NVIDIA שחררה במשקלים פתוחים ב־28 באוקטובר 2026, ושניהם מתקבלים במעבר אחד: תזמון מילים עם ייחוס לדובר ממתאם CTC שמיישר את התמלול המוגמר לאודיו לאחר הפענוח. שני המודלים נמצאים במרחק עשירית נקודה זה מזה בלוח הדיוק הציבורי. בדברים שאתם עושים עם תמלול, הם לא באותה קטגוריית מוצר.

זו ההחלטה כולה, וכדאי לעבור עליה לאט, מפני שסיקור ההשקה צמצם את הזיווג הזה בעיקר למרוץ WER שאף אחד מהצדדים לא באמת מנצח בו בהפרש משמעותי.

פער הדיוק הוא רעש; פער התכונות אינו.

באינדקס הלא-זורם של Artificial Analysis, {{1}}GPT Transcribe — מודל התמלול באצווה של OpenAI, שהושק ב-28 ביולי 2026 לצד גרסה מקבילה בזרימה חיה —{{/1}} רשום ב-{{2}}3.3%{{/2}}, בשוויון {{3}}במקום השמונה-עשרה{{/3}} עם מתחרה קטן. {{4}}Nemotron 3.5 Transcribe רשום ב-3.4%, בשוויון במקום העשרים.{{/4}} עשירית נקודה, באינדקס שבו הרשומות עבור אותו מודל יכולות להשתנות בכמעט נקודה שלמה בהתאם לשאלה איזו נקודת קצה הגישה אותן. אף אחד לא צריך לבחור בין שתי מערכות דיבור על סמך זה.

בינתיים, חומרי ההשקה של NVIDIA מדווחים על שיעור AA-WER של 2.8% ועל תיקו במקום הראשון בקרב מודלים עם משקלים פתוחים. הלוח החי נכון ל-29 באוקטובר מציג 3.4%. התייחסו ל-2.8% כנתון הגשה ול-3.4% כמדידה הנוכחית; ההפרש גדול מהפער בין Nemotron ל-GPT Transcribe, מה שמלמד כמה משקל ראוי לייחס לפער בודד בטבלת הדירוג.

• פרמטרים — כ-30B בסך הכול וכ-4B פעילים בערך לכל טוקן ב-MoE היברידי מסוג Mamba–Transformer לעומת לא מפורסם, לא־גנרטיבי.

• רישיון — OpenMDW-1.1, שימוש מסחרי, משקלים להורדה לעומת API בלבד.

• מחיר — אין תעריף מחירון; זמן GPU, כאשר גרסת NVFP4 מוצהרת ככזו שמעבדת עד 2,238 שניות אודיו לשנייה על כרטיס RTX PRO 6000 Blackwell אחד, לעומת $0.0045 לדקה, כ-$0.27 לשעת אודיו.

• תוויות דובר — עד 8 דוברים ב-13 שפות, מובנה לעומת ללא; נדרש מודל דיאריזציה נפרד.

• תזמון ברמת המילה — יישור CTC לאחר פענוח, עם ייחוס לדובר לעומת לא מוצע; whisper-1 הוא החלופה המתועדת.

• שפות — 40 מתומללות, 31 מתורגמות אל האנגלית או ממנה, לעומת רב-לשוניות עם זיהוי אוטומטי ורמזי שפה, ללא מספר שפורסם.

• אורך האודיו — שעה אחת במעבר אחד לעומת גישה מבוססת קובץ שבה החלוקה למקטעים מטופלת על ידי ה-API.

• עיבוד לאחר — תוכן מילה במילה או בצורה כתובה, בשליטה של פרומפט, לעומת הקשר חופשי ורמזי מילות מפתח, ללא שלב ניקוי.

במה GPT Transcribe טוב יותר מה-checkpoint הפתוח

שלושה דברים, והם לא טריוויאליים. הראשון הוא שזהו API. אין צ'קפוינט של 30B פרמטרים לתכנן את גודלו, אין בניית NVFP4 להמתין לה, ואין מתכון vLLM לנעוץ. OpenAI מדווחת על עיבוד מהיר פי 34 בקירוב מקצב זמן אמת, קצב שאיטי יותר מהתפוקה המוצהרת של NVIDIA בכרטיס Blackwell ואינו רלוונטי לרוב הצוותים, מפני שפי 34 מזמן אמת כבר מהיר מכל תור שהם מריצים.

השני הוא טיפול בהקשר. GPT Transcribe מקבל הקשר בצורה חופשית, רמזי מילות מפתח ואוצר מילים, ורמזי שפה מרובים, ומחזיר מערך של שפות שזוהו לצד התמלול. השילוב הזה באמת מועיל באודיו עם החלפת קוד וברז'יסטר מקצועי, וזהו ממשק הנחיה ולא כיוונון עדין — כלומר צוות מוצר יכול לכוונן אותו בלי להחזיק GPU. המקבילה של NVIDIA, רשימת ישויות צפויות שמסופקת בהנחיה, זוכה להערכה כגורמת להפחתה פי שישה בשגיאות של ישויות מזוהות ב-ContextASR-Bench, אך נתון זה מדווח על ידי הספק ואינו משוכפל.

השלישי הוא משטח האינטגרציה: אותה נקודת קצה משרתת תמלול קבצים, תמלולי קבצים בזרימה, סבבי זמן אמת מחויבים דרך WebSocket, את Responses API ו-Batch. צוות שכבר נמצא בפלטפורמה של OpenAI מקבל תמלול כפרמטר, לא כפריסה.

טענות האיכות שפרסמה OpenAI בעצמה רחבות וקשות לבדיקה: שיעור שגיאת מילים של 19.27% במערך Common Voice בן 22 שפות לעומת 40.37% של Whisper, ו-8.98% במדד מציאותי בן תשע שפות לעומת 15.21%. אלו מספרים של ספק לעומת בסיס השוואה מ-2024, ולא לעומת מתחרה מ-2026. התמונה העצמאית ידידותית יותר ל-GPT Transcribe מכפי שלוח AA מרמז: במערך האנגלי של Perit שעבר סקירה אנושית הוא מגיע ל-1.76% WER, במקום השישי מתוך 22, כאשר 61.3% מהקטעים תומללו באופן מושלם. זהו מערך מבחן שונה מזה של Artificial Analysis, והמספרים אינם ברי השוואה בין שני הלוחות — אך הכיוון עקבי, והוא מציב את המודל של OpenAI לפני נקודת הקצה המתארחת של Parakeet על אותו מערך.

איפה שהתכונות החסרות באמת כואבות

אם הפלט שלך הוא טקסט פשוט לאינדקס חיפוש, הפערים של GPT Transcribe לא עולים לך כלום. ברגע שאתה צריך יותר, העבודה מתרבה. תזמון מילים משמעו מעבר נוסף דרך whisper-1 או מיישר כפוי, מה שמחזיר בדיוק את מצב הכשל שה�יישור נועד לפתור: תמלול שגבולותיו הוסטו, שנקרא היטב אך שובר כתוביות. תוויות דובר משמעו מודל שלישי, המחובר בגבולות קטעים, עם שיעור שגיאות משלו שיש לדבג. ואף אחד משני המעברים הנוספים האלה לא יודע על האחר, כך ששיחה עם שני דוברים הופכת לשלושה מודלים ושלב מיזוג.

הקסקייד אינו ביקורת על ההנדסה של OpenAI. זה מה שהמוצר הוא: מתמלל בעל דיוק גבוה עם פלט צר במכוון. גם Microsoft וגם Google מציעות את אותו פיצול — דיאריזציה כ-SKU נפרד או כמצב נפרד עם מגבלות משלו. ההימור של NVIDIA הוא ההפך, והדרך הכנה לנסח זאת היא ש-Nemotron 3.5 Transcribe דורש יותר מחשוב כדי להימנע מצינור עיבוד.

מה שהמחשוב הזה קונה מתועד אך מדווח על ידי הספק: שיעור שגיאות דיאריזציה של 18.26% על פני 21 שפות במבחן David AI, הטוב מבין 14 מערכות; 32.4% WER משורשר של min-permutation ב-VoiceArena, גם הוא הטוב מבין 14; 8.32% ממילות הייחוס הושמטו בדיבור אנגלי חופף, לעומת חציון סמוך ל-31%. אין מספר דיאריזציה של OpenAI להשוות אליו, מפני ש-OpenAI אינה מפרסמת מספר כזה עבור המודל הזה.

שתי דרכים להפסיק לשלם לפי דקה

GPT Transcribe גובה $0.0045 לדקה, שהם $4.50 לאלף דקות וכ-270$ לאלף שעות אודיו. Nemotron 3.5 Transcribe לא גובה תשלום לדקה ובמקום זאת דורש GPU. תצורת ההדגמה של NVIDIA היא RTX PRO 6000 Blackwell אחד שמריץ את צ'ק-פוינט NVFP4 עם מודל טיוטה DFlash2, וכותרות התפוקה — 100 שעות אודיו בפחות משלוש דקות — נמדדו על קטעים בני 30 שניות במקביליות גבוהה, לא על פגישות בנות שעה. יש לקרוא זאת כתקרה לעבודה מקובצת היטב.

זה מותיר נקודת חיתוך שנקבעת לפי ניצול ולא לפי מחיר מחירון. כרטיס שכבר ברשותך ואתה מחזיק אותו עסוק מנצח בנוחות את 270 הדולר לאלף שעות. כרטיס שתצטרך לקנות עבור תור של ארבעים שעות בחודש אינו כזה, ושום מידת יעילות פרמטרים לא משנה את החשבון הזה.

ישנה אפשרות שלישית שהמסגור הדו-כיווני מסתיר, והיא זו שרוב הצוותים למעשה בוחרים בה: להשאיר את ה-API המנוהל עבור עיקר הנפח, ולנתב את הקבצים הקשים — פגישות של שישה אנשים, ראיונות קליניים עם מבטא, האודיו שאסור לכם להעלות — אל צ'קפוינט באחסון עצמי. זה עובד רק אם שני הפלטים נוחתים באותו מבנה, וזה הטיעון לתקנן סכימת תמלול עם שדות דובר ותזמון גם כאשר הספק הנוכחי שלכם אינו מאכלס אותם. תקננו קודם את הסכימה; המודל יהפוך לניתן להחלפה בהמשך.

בשכבה שמעל לתמלול, תפקידו של OrcaRouter הוא למנוע מיכולת ההחלפה הזו לעצור בגבול המודל. המסכם, המסווג ובודק הציות שקוראים את התמלולים האלה יכולים כולם לשבת מאחורי מפתח אחד על פני 200+ מודלים, כאשר מחירי המחירון של הספקים מועברים ללא תוספת של 0%, מעבר אוטומטי לגיבוי כאשר ספק במעלה הזרם נתקל בבעיה, ו-DSL ניתוב ששולח כל עומס עבודה למודל אחר בלי אינטגרציה שנייה. GPT Transcribe ו-Nemotron 3.5 Transcribe נמצאים שניהם מחוץ לקטלוג הזה — אנחנו לא מספקים אף אחד מהם — כך שהקריאה לדיבור נשארת בכל מקום שבו אתה רוכש אותה, ורק החצי במורד הזרם הופך לנייד.

הגרסה הקצרה, לפי מצב

אם אתה רוצה תמלול ולא דבר אחר, ואתה רוצה אותו בשבוע הבא בלי להקצות דבר, GPT Transcribe הוא הבחירה בסיכון נמוך יותר: מקום שישי במבחן Perit העצמאי, משטח אינטגרציה שכנראה כבר יש לך, ומחיר שאינו מחייב רכישה הונית. אם התמלולים שלך מזינים כתוביות, אנליטיקת פגישות, חיפוש עם ייחוס דובר או ארכיון ציות, המודלים הנוספים שהיית מרכיב על GPT Transcribe עולים יותר בזמן הנדסה מאשר הצ'קפוינט עולה בשעות GPU, ו-Nemotron 3.5 Transcribe עושה את העבודה הזו במעבר אחד.

ההסתייגות שחלה על שניהם: מדובר במודל בן יום אחד בלבד, מדדי הביצועים הכותרתיים שלו הם של הספק עצמו, ולוחות הדירוג הבלתי־תלויים טרם דירגו כלל את ה-checkpoint בן 30 מיליארד הפרמטרים. אל תבלבלו בינו לבין nvidia/nemotron-3.5-asr-streaming-0.6b, מודל ה-streaming בגודל 600M מיוני שכן מופיע בלוחות בלתי־תלויים ומשיג תוצאות גרועות בהרבה (3.35% WER, מקום 21 מתוך 22 ב-Perit). אין להם במשותף דבר מלבד שם המשפחה.