Nemotron 3.5 Transcribe לעומת Grok Voice Transcribe 2.0: משקלים פתוחים על ה-GPU שלך, או $0.20 לשעה
- OrcaחדשOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29110 tok/s
- OrcaחדשOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 לכל 1M טוקנים · 95 tok/s
- OrcaחדשOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 278 tok/s
- OrcaחדשOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 לכל 1M טוקנים · 93 tok/s
- MoonshotחדשMoonshotAI: Kimi K3.1 Pro2026-10-2446אינטליגנציה
- OrcaחדשOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 לכל 1M טוקנים · 105 tok/s
- minimaxחדשMiniMax: M3.1 Flash2026-10-1929אינטליגנציה
- OrcaחדשOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 לכל 1M טוקנים · 67 tok/s
- deepseekחדשDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733אינטליגנציה
- DeepSeekחדשDeepSeek: DeepSeek V4.1 Flash2026-10-1740אינטליגנציה
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 לכל 1M טוקנים · 101 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955אינטליגנציה
- anthropicAnthropic: Claude Sonnet 5.52026-09-2854אינטליגנציה
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 לכל 1M טוקנים · 180 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228אינטליגנציה
- OpenAIOpenAI: GPT-6 Sol2026-09-2248אינטליגנציה
- AnthropicAnthropic: Claude Opus 5.52026-09-2258אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2127אינטליגנציה
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2130אינטליגנציה
- xAIGrok 4.72026-09-2134אינטליגנציה
Grok Voice Transcribe 2.0 גובה $0.20 עבור כל שעת אודיו שתזרים דרכו, ו-$0.10 עבור כל שעה שתעבד באצווה. Nemotron 3.5 Transcribe אינו גובה תשלום לפי שעה, ומבקש ממך להחזיק ב-GPU שמסוגל להכיל כ-34 מיליארד פרמטרים. קרא רק את המשפט הזה, וההשוואה נראית כמו מלחמת מחירים בין מד למכונה, כשהמד בבירור מפסיד. הוא אינו מפסיד: בלוח הבנצ'מרק היחיד שבו שני המודלים מופיעים, המודל המחויב לפי שעה מדויק יותר, והמודל הפתוח אינו קרוב מספיק כדי להתווכח על הנקודה.
שני אלה הושקו בהפרש של שישה שבועות זה מזה — Grok Voice Transcribe 2.0 ב-2026-09-18, ו-Nemotron 3.5 Transcribe ב-2026-10-28 — והם נבנו למשימות שונות. האחד הוא API מתארח עם WebSocket שמחזיר מילים בזמן שאדם עוד מדבר. האחר הוא צ'קפוינט שמורידים, טוענים ומפנים להקלטה מוגמרת. השהיה, מספר השפות, תוויות דובר, מבנה העלויות ואפילו התנאים המשפטיים — כולם נובעים מאותו הבדל יחיד, ולכן השאלה המעניינת אינה איזו מהן מתמללת טוב יותר.
מה כל אחד מהם, בשש שורות
ניגוד הצורות חד דיו עד כדי כך שרשימת מפרטים נקראת כמו טעות קטגוריה — וזו בדיוק הנקודה.
• פריסה — API מתארח של REST ו-WebSocket על התשתית של xAI עצמה, לעומת משקלים פתוחים תחת OpenMDW-1.1 שאותם אתה מפעיל בעצמך על vLLM, SGLang-Omni או NeMo Speech.
• גודל — xAI אינה מפרסמת מספר פרמטרים, לעומת 34B בסך הכול עם כ־4.3B פעילים, כולל מקודד האודיו, על עמוד שדרה מסוג תערובת מומחים של Mamba ו-Transformer מבית Nemotron 3.5 Lightning 30B-A3B.
• קלט אודיו — קבצים עד 500MB בשנים עשר פורמטי קונטיינר ועוד שלושה קידודים גולמיים, עם 2-8 ערוצים באמצעות מצב רב-ערוצי, לעומת הקלטות של עד שעה ב-16kHz מונו PCM בתוך הקשר של 65,536 טוקנים.
• מסלול בזמן אמת — סטרימינג עם תוצאות ביניים בערך כל 500ms, endpointing כברירת מחדל של 400ms, זיהוי תורות דיבור חכם, ונקודת קצה נפרדת לעיבוד באצוות, לעומת ללא סטרימינג כלל; המודל קורא קובץ מוגמר ומחזיר תמלול.
• כיסוי שפות — 37 שפות הנקובות בתיעוד של xAI ומתוארות שם כ-38+, לעומת 40 שפות המתומללות ו-31 זוגות תרגום אל אנגלית או מאנגלית בכרטיס של NVIDIA.
• תוויות דובר — דגל diarize שמוסיף מספר שלם של דובר לכל מילה, זמין בעיבוד באצווה ובזרימה, לעומת מקודד דיאריזציה משולב שמייצר תמלילים עם ייחוס דובר במעבר יחיד עבור עד 8 דוברים ב-13 שפות.
• מחיר — $0.10 לשעת אודיו בעיבוד באצווה ו-$0.20 לשעת אודיו בזרימה, לעומת היעדר תעריף שפורסם לשעה, משום ש-NVIDIA מוכרת משקולות ואתם מספקים את המחשוב.
הלוח היחיד שבו הם נפגשים, והוא לא נשבר בדרך שאתם מצפים
Artificial Analysis מפעילה לוח דירוג לתמלול דיבור לטקסט עם שני מסלולים: מסלול אצווה עבור קבצים מוגמרים ומסלול זרימה עבור מודלים שפולטים תוצאות חלקיות. Nemotron 3.5 Transcribe כשיר רק לראשון. שם, Grok Voice Transcribe 2.0 ניצב על 2.3% AA-WER, חמישי מבין כששים מודלים בקירוב, בעוד שהמודל של NVIDIA מצוטט ב-2.80% בחומר ההשקה ומופיע כ-3.4% בטבלה החיה בימים שלאחר ההשקה. קראו לזה 2.8% או 3.4%; כך או כך, המודל המתארח מנצח בקנה המידה היחיד ששניהם חולקים, בפער שבין חצי נקודה לנקודה שלמה.
התוצאה הזו פחות מזיקה ממה שהיא נראית במבט ראשון, מכיוון ששני המודלים אינם נמצאים על הלוח מאותה סיבה. הטענה של NVIDIA היא ש-Nemotron 3.5 Transcribe הוא מודל הדיבור הטוב ביותר בקרב מודלים בעלי משקולות פתוחות, ובלוח הצר יותר הזה הוא אכן כך: ההשוואה שבה הוא מנצח היא מול צ'קפוינטים אחרים שניתנים להורדה, שבה 2.8% הוא המספר שצריך לנצח. Grok Voice Transcribe 2.0 הוא קנייני ומתחרה במסלול אחר. הצבת השניים זה מול זה מניבה כותרת — "מודל מתארח מנצח מודל פתוח ב-0.5 נקודות" — שמודדת תמהיל בנצ'מרקים, ולא החלטה על מוצר.
מסלול הזרימה הוא המקום שבו האסימטריה הופכת למבנית ולא לסטטיסטית. Grok Voice Transcribe 2.0 מחזיק במקום הראשון בזרימה עם WER סופי של 2.7%, נפלט 0.49 שניות לאחר סיום הדיבור, ו-3.4% בתוצאה החלקית הראשונה שלו באותו זמן השהיה, ראשון מבין כ-32 מודלי זרימה. ל-Nemotron 3.5 Transcribe אין רשומה, משום שהוא אינו יכול לבצע זרימה. זהו מודל קלט-קובץ, פלט-תמלול, ולא מתועד עבורו נתיב זרימה מבוססת-מקטעים. כל מי שמשווה את השניים מבחינת דיוק בעת תכנון פריסת כתוביות חיות משווה מודל שלא ניתן להשתמש בו.
שני הלוחות נושאים תווית אזהרה שראויה לחזרה. AA-WER נע בכמעט נקודה שלמה עבור אותו מודל בין נקודות קצה שונות של מתן שירות, כך שהפער של 0.5 נקודות לעיל הוא בערך רוחב רעש המדידה — אמיתי בכיוון, חלש כהכרעה. והנתון של xAI עצמה — 6.8% עבור ביטויים קצרים רב-לשוניים, ירידה מ-20.6% בגרסה 1.0 — נשאב מתוך סט פנימי שנבנה מתעבורת ייצור, ולא מקורפוס שפורסם. זוהי טענת ספק לגבי סט של ספק, והיא אינה מופיעה ב-Artificial Analysis כלל.
סטרימינג הוא הגבול שהמודל הפתוח לא יכול לחצות.
עבור נציג מוקד טלפוני, כתוביות בזמן אמת, עוזר פגישות או בוט קולי, ההחלטה כבר מתקבלת לפני שנשקללת הדיוק. Grok Voice Transcribe 2.0 מקבל פריימים בינאריים גולמיים של אודיו דרך WebSocket — pcm, mulaw, alaw או opus — מחזיר תוצאות ביניים בערך פעמיים בשנייה, ומספק אותות סוף-תור באמצעות זיהוי נקודות קצה וזיהוי תור חכם. אלה המנגנונים שגורמים לתמלול להרגיש חי, והם הסיבה לכך ש-Loom של Atlassian העבירה את ספריית הווידאו שלה למודל כבר בהשקה.
ל-Nemotron 3.5 Transcribe יש צורה הפוכה במכוון. הוא קורא עד שעה של אודיו במעבר אחד ומחזיר תמלול מלא, כאשר חותמות הזמן ברמת המילה מופקות בידי מתאם CTC קל-משקל לאחר היצירה ולא במהלכה. העיצוב הזה קונה דיוק בהקלטות ארוכות ומבולגנות, אך גובה מחיר של השהיה בכל מה שקצר ואינטראקטיבי. ל-NVIDIA יש בקו המוצרים שלה מזהה דיבור סטרימינג נפרד וקטן בהרבה — Nemotron Speech Streaming EN 0.6B — אך זהו מודל שונה עם כיסוי שונה, ולא מצב סטרימינג של הצ'קפוינט הזה. מי שקונה את מודל ה-30B בציפייה לחבר סטרימינג בדיעבד קונה את הדבר הלא נכון פעמיים.
ארבעים שפות מול שלושים ושבע, וספירה שזזה
על הנייר הפער הוא שלוש שפות. בפועל זה תלוי באיזה עמוד קוראים. התיעוד של xAI לתמלול דיבור מפרט 37 שפות בעלות שם — מערבית ובוסנית ועד אורדו ווייטנאמית, עם וריאנטים אזוריים לספרדית, פורטוגזית וערבית — ומתאר את הסך הכולל כ־38+. כיסוי שפורסם סביב ההשקה בספטמבר ציין 25. התיעוד הוא המקור העדכני יותר והספציפי יותר, אך ספירת שפות שמשתנה בשלוש עשרה בין פוסט השקה לעמוד תיעוד היא ספירה שכדאי לאמת מול האודיו שלכם במקום לאמץ אותה.
הכרטיס של NVIDIA מפורט יותר, ולשם שינוי גם שמרני יותר: 40 שפות עם טבלת וי לכל שפה, ו-13 מהן מסומנות לתמלול רב-דוברים. אלה שחשובות לייחוס דוברים הן קבוצה צרה יותר מ-40 השפות — ערבית, מנדרינית, אנגלית, צרפתית, גרמנית, הינדי, איטלקית, יפנית, קוריאנית, פורטוגזית, רוסית, ספרדית ותאית. אם הארכיון שלך בפולנית או בטורקית, Nemotron 3.5 Transcribe יתמלל אותו היטב ולא יגיד לך מי אמר מה — וזו היכולת שכנראה באת לרכוש.
התרגום הוא עמודה ייחודית ל-Nemotron כאן. המודל מתרגם אל אנגלית וממנה ב-31 צמדי שפות באותו מעבר שבו הוא מתמלל, מה ש-Grok Voice Transcribe 2.0 אינו מציע; ה-API של xAI מחזיר טקסט בשפה שבה דיברו. אם המשימה היא פרוטוקול פגישה דו-לשוני, זו תכונה ששום הנדסת פרומפטים בצד של Grok לא תשחזר.
תוויות דובר: מקודד ממוזג לעומת ערך בוליאני
זהו הממד היחיד שבו השניים קרובים יותר ממה שהשיווק מרמז, ושבו התשובה הכנה היא ששניהם עושים זאת.
• Nemotron 3.5 Transcribe — מודל Nemotron 3 Diarization קפוא מזין ייצוגי פעילות דוברים אל מקודד ASR, כך שמודל השפה רואה מי מדבר כחלק מהקלט שלו. הפלט נושא תגי דובר ומקטעים גולמיים, עד 8 דוברים, וחתימות זמן ברמת מילה. זהו מעבר אחד ללא שירות שני באמצע.
• Grok Voice Transcribe 2.0 — הגדירו diarize=true וכל מילה חוזרת עם שדה דובר כמספר שלם, גם באצוות וגם בזרימה. מצב ריבוי ערוצים מרחיק לכת: עד 8 ערוצים מתומללים בנפרד ומוחזרים עם אינדקס ערוץ, וזו שיוך מדויק כשהמקור שלכם הוא הקלטה מרובת ערוצים ולא מעורבבת.
ההבדל המעשי הוא בכיסוי, לא בקיום. הדגל של Grok עובד בכל השפות שה-API שלו תומך בהן; המסלול הממוזג של NVIDIA מאומן ל-13. וריבוי ערוצים הוא יתרון אמיתי בחדרים שבהם הוא רלוונטי — חדר ישיבות עם מיקרופון אחד לכל מושב לא צריך דיאריזר כדי לנחש. קובץ מונו מעורב מרחבת כנסים כן צריך, ושם את פער האיכות בין מקודד ממוזג לדגל מתארח יכול להכריע רק האודיו שלכם.
החשבון באלף שעות בחודש
המחיר הוא המקום שבו שני המודלים באמת נבדלים, וכדאי לעשות את החשבון במקום להחליף אנקדוטות על חשבונות GPU.
ב-1,000 שעות אודיו בחודש, Grok Voice Transcribe 2.0 עולה $100 במצב באצ' או $200 בסטרימינג — $1,200 או $2,400 בשנה, בלי חומרה, בלי חלון תחזוקה ובלי התנעה קרה. Nemotron 3.5 Transcribe עולה כעלות ה-GPU. בעמוד המחקר של NVIDIA נטען שצ'קפוינט NVFP4 עם מודל הטיוטה DFlash2 מתמלל 2,238 שניות אודיו לשנייה על RTX PRO 6000 Blackwell בודד, מה שאפילו בהנחה של סדר גודל מכניס 1,000 שעות אודיו לכמה שעות GPU בחודש. המחשוב אינו המגבלה; הבעלות היא.
נקודת איזון מול תעריף הסטרימינג — {{1}}כרטיס תחנת עבודה ב-8,000 דולר{{/1}} מחזיר את עלותו לאחר {{2}}40 חודשים{{/2}} של 1,000 שעות סטרימינג, או {{3}}80 חודשים{{/3}} מול תעריף האצווה.
• ב-10,000 שעות בחודש — אותו כרטיס מגיע לנקודת איזון בתוך ארבעה חודשים לעומת שירותי סטרימינג, והתעריף לשעה יורד לכ-2 סנטים.
• GPU בענן בשכירות — כרטיס H100 בכ־2 דולר לשעה זול יותר ממחירי המחירון של שני המודלים ברגע שטענת הספק בדבר התפוקה מתקיימת אפילו בחלקיק מהנתון המוצהר; העלות הקבועה הופכת לזמן הנדסה, לאחסון ולעובדה שאתה מפעיל כעת שרת מודל.
נקודת האיזון אינה עוסקת כלל בדיוק התמלול. היא עוסקת בהיקף ובשאלה האם האודיו רשאי לצאת מהרשת שלך. בפחות מכמה אלפי שעות בחודש, תעריף השירות המתארח זול יותר מעלות ההנדסה. מעל לכך, או מאחורי חומת ציות, המשקלים מנצחים וההשוואה מתהפכת.
היכן OrcaRouter מתאים, והיכן לא
אף אחד משני המתמללים האלה לא נמצא בקטלוג של OrcaRouter היום; המודלים שאנו מספקים הם מודלי טקסט וראייה, ואין לקרוא שום דבר כאן כנקודת קצה לאף אחד מהם. מה שצינור תמלול כן מייצר הוא ערימה גדולה של טקסט שזקוקה לאחר מכן לסיכום, חילוץ ישויות, השחרה, סיווג וחיפוש. הקריאות האלה הן המקום שבו מפתח יחיד תואם OpenAI על פני יותר מ-200 מודלים מחזיר את ההשקעה: מחיר המחירון של הספק מועבר הלאה בתוספת של 0%, כך שהורדת מחיר של ספק מגיעה כבר באותו יום, מעבר אוטומטי לגיבוי כאשר ספק במעלה הזרם מדרדר, ו-DSL לניתוב שיכול לשלוח עבודת סיווג זולה למודל קטן בעודו מחזיק את הסיכום היקר על מודל מהשורה הראשונה. אם אתה מארח בעצמך את Nemotron 3.5 Transcribe, ה-GPU הוא המתמלל שלך; הניתוב הוא מה שקורה לתמלול לאחר מכן.
איזה אחד לבחור?
ההחלטה נוגעת לשעון שבאודיו, ולא לכרטיס המודל.
• שמע חי, סוכני קול, כתוביות וניתוב שיחות — Grok Voice Transcribe 2.0, בלי הרבה דיון. ההזרמה מובנית מלכתחילה, זמן ההשהיה עד לתמלול סופי הוא מתחת לחצי שנייה, ונקודת הקצה האצוותית משתמשת באותו מודל עבור השלמת הנתונים הלילית.
• הקלטות מוגמרות עם מספר דוברים, בשפות שאינן אנגלית — Nemotron 3.5 Transcribe, בתנאי שיש לך את ה-GPU ושמסלול הדוברים ב-13 השפות מכסה את האודיו שלך. זה בדיוק המקרה שלשמו נבנה המודל, ושבו 40 שפות ודיאריזציה במעבר אחד גוברות על פער דיוק של 0.5 נקודות.
• ארכיונים דו-לשוניים — Nemotron 3.5 Transcribe, משום שצמדי התרגום מגיעים באותו מעבר, ו-Grok אינו מתרגם.
• נפח קטן, ללא GPU, אנגלית בלבד — Grok Voice Transcribe 2.0 במצב אצווה בעלות של 0.10 דולר לשעה. אלף שעות עולות מאה דולר; שום חופש רישוי של מודלים עם משקלים פתוחים לא מפצה על קניית כרטיס Blackwell כדי לחסוך את זה.
התשובה הרביעית המפתה — לפרוס את Nemotron עכשיו ולהוסיף סטרימינג מאוחר יותר — אינה קיימת. המודל ש-NVIDIA שחררה הוא אופליין במכוון, וקו הסטרימינג שהיא מוכרת לצידו הוא מזהה דיבור אנגלי בגודל 0.6B, ולא מצב של המודל הזה. בחרו קודם את הצורה שאתם צריכים; הוויכוח על לוח הדירוג יכול לחכות, כי חצי נקודה של AA-WER נמצאת היטב בתוך הטווח שבו אותו מודל נע כאשר הוא מחליף מארחים.
