Nemotron 3.5 Transcribe לעומת MAI Transcribe 2: שעה ב-100 דולר מול GPU שבבעלותך

אלף שעות אודיו עולות למיקרוסופט מאה דולרים. זהו כל הטיעון התמחורי עבור MAI Transcribe 2, שנמצא בתצוגה מקדימה ציבורית מאז 3 בספטמבר 2026 בתעריף של $0.10 לשעת אודיו — כ-$1.67 לאלף דקות, תעריף שנמוך מזה של כל מתחרה מנוהל שהוא מזכיר, וכשליש בערך ממה ש-OpenAI גובה עבור אותה עבודה. Nemotron 3.5 Transcribe, הצ'קפוינט הפתוח של NVIDIA מ-28 באוקטובר 2026, אין לו מחיר לדקה כלל, משום שהדרך היחידה לקנות אותו היא לקנות את החומרה שעליה הוא פועל. בקצב של אלף שעות בחודש, החיוב של מיקרוסופט הוא טעות עיגול בתקציב מחלקתי, וזה של NVIDIA הוא רכישה הונית.

ואז החלק המביך. בלוח הדיוק הציבורי, MAI Transcribe 2 נמצא במקום השני בעולם עם 2.0% AA-WER. Nemotron 3.5 Transcribe נמצא במקום העשרים עם 3.4%. המודל הזול יותר הוא גם המדויק יותר, בפער גדול מהפער כולו בין המקומות התשיעי והעשרים. אילו ההשוואה הזו הייתה רק על מילים וכסף, היא הייתה מסתיימת בפסקה אחת. היא אינה כזו, משום ש-Microsoft אינה מפרסמת מספר איכות דיאריזציה ו-NVIDIA מפרסמת כמה — והעמודה הריקה הזו היא הסיבה לכך שמישהו עדיין יבחר באפשרות היקרה.

מה אומר הדירקטוריון, ומה הוא אינו יכול לומר

Artificial Analysis מדרגת את שני המודלים על אותו שילוב של שלושה מערכי נתונים, כך ש־2.0% מול 3.4% הוא לפחות השוואה בתנאים זהים של אותו מדד, שנמדד על ידי אותו מפעיל. זה נדיר יותר מכפי שזה אמור להיות בקטגוריה הזו, וראוי להתייחס לזה ברצינות. MAI Transcribe 2 נמצא מאחורי מערכת תצוגה מקדימה בזמן אמת בלבד, שנמצאת בראש הטבלה; Nemotron 3.5 Transcribe נמצא בתיקו עם שלוש מערכות, שאחת מהן היא וריאנט של Gemini Flash-Lite במצב הסקה מינימלי.

חומר ההשקה של NVIDIA עצמה מדווח על 2.8% AA-WER, שאם היה מחזיק מעמד עדיין היה משאיר אותה בפיגור של שמונה עשיריות שלמות אחרי Microsoft. לוח התוצאות החי מציג 3.4%. כך או כך, הסדר לא משתנה, ולכן בניגוד לשאר ההתמודדויות בסדרה הזו, הפער בין ההשקה לבין לוח התוצאות לא מכריע כאן דבר. Microsoft פשוט מקדימה במדד ששתי החברות מסכימות להימדד לפיו.

מה אפשר לקנות בפועל ב-$0.10 לשעה

MAI Transcribe 2 הוא מודל תמלול אצווה שנבנה עבור אודיו ארוך-טווח: פגישות, שיחות, ארכיוני מדיה, הקלטות של מרכזי קשר. הוא מכסה 60 שפות עם זיהוי שפה אוטומטי, כולל דיאריזציה של דוברים, מחזיר חותמות זמן ברמת המילה, תומך בהטיית מילות מפתח עבור שמות ומונחים תחומיים, ומציע שני סגנונות פלט — מילולי (verbatim), ששומר על מילות מילוי והתחלות שגויות, ונקי (clean), שמסיר אותן. מיקרוסופט מדווחת על תפוקה של כ-411× מזמן אמת בלוח המהירות של Artificial Analysis, במקום השני בסך הכול, ופוסט ההשקה שלה מציג זאת כמהיר פי עשרה מ-GPT Transcribe ופי חמש מ-Gemini 3.5 Transcribe.

רשימת התכונות היא, על הנייר, על-קבוצה של מה שרוב הצוותים צריכים והתאמה כמעט מושלמת לזו של NVIDIA. שתיהן מבצעות דיאריזציה, שתיהן מבצעות תזמון מילים, שתיהן מבצעות הטיית מילות מפתח, שתיהן מפיקות פלט מילולי ונקי, שתיהן מוגבלות לכשעה של אודיו, ושתיהן פועלות רק במצב אצווה ב-SKU המושווה. ההבדלים נמצאים בשוליים: 60 שפות לעומת 40, שמונה דוברים לעומת מספר לא מוגדר, ומחיר שקל בשלושה סדרי גודל יותר להסביר לצוות פיננסי.

• מחיר — ‏$0.10 לשעת אודיו, לתקופה מוגבלת עד סוף 2026, לעומת אי-קיום תעריף מחירון; העלות היא זמן מאיץ.

• דיוק — 2.0% AA-WER, דירוג 2 לעומת 3.4%, דירוג 20 (3.4% בלוח החי; החבילה של NVIDIA טוענת ל-2.8%).

• תפוקה — כ-411× זמן אמת לעומת עד 2,238 שניות אודיו לשנייה על RTX PRO 6000 Blackwell אחד עם NVFP4 ומודל טיוטה, נמדד על קטעים בני 30 שניות במקביליות גבוהה.

• שפות — 60 עם זיהוי אוטומטי לעומת 40 בתעתיק, 31 מתורגמות.

• רישיון — קנייני, API בלבד לעומת OpenMDW-1.1 עם משקלים להורדה.

• דוברים — דיאריזציה כלולה, ללא DER מפורסם, לעומת עד 8 עם ייחוס, ב-13 שפות, 18.26% DER על פני 21 שפות במבחן David AI.

• כוונון עדין — לא מוצע לעומת התאמה ל-GPU יחיד ב-0.5–2.3 שעות GPU לכל משימה.

• מקומיות הנתונים — האודיו יוצא מהרשת שלך לעומת אפשרות אירוח עצמי, כולל מצב לא מקוון.

הטור שמיקרוסופט משאירה ריק

Microsoft מצרפת דיאריזציה ואינה מפרסמת שיעור שגיאות דיאריזציה. לא תוצאה חלשה — אלא אין כזו כלל. NVIDIA מפרסמת ארבע תוצאות דיאריזציה נפרדות: 18.26% DER על פני 21 שפות במבחן David AI, הנמוך מבין 14 מערכות; 32.4% WER משורשר בתמורה מינימלית ב-Diarization-Bench של VoiceArena, הטוב מבין 14; 8.32% ממילות הייחוס הושמטו בדיבור אנגלי חופף לעומת חציון קרוב ל-31%; וייחוס דוברים ב-13 שפות לעומת המספר הלא-מפורט של Microsoft.

כל אלה מדווחים על ידי הספקים על מערך בדיקות של הספק, והקריאה הכנה היא שמדובר בטענה בדבר יכולת ולא בהוכחה לאיכות. אך האסימטריה מלמדת משהו. חברה שיש לה נתון דיאריזציה מפרסמת אותו, משום שדיאריזציה היא החלק הקשה ביותר בתמלול להשגה נכונה, והחלק שהלקוחות מתלוננים עליו. חברה שמצרפת דיאריזציה בלי נתון אומרת לך שהיא לא רואה בכך נקודת מכירה. זה עשוי לומר שהתכונה הולמת ולא בולטת. זה עשוי לומר שהיא חלשה. שום דבר בחומרי ההשקה של מיקרוסופט לא מבדיל בין שני המקרים, ואף גוף עצמאי עדיין לא מודד שיעור שגיאת דיאריזציה ברמת פירוט כזו.

בשיחת מכירות של שני אנשים, זה לא משנה — כל מודל יתייג נכון שני קולות. בפגישת דירקטוריון של שישה אנשים עם דיבור חופף, ההבדל בין DER של 18% למספר לא ידוע הוא ההבדל בין תיעוד שמיש דקה-אחר-דקה לבין מסמך שאיש אינו סומך עליו. זהו עומס העבודה שבו המחיר של ה-checkpoint הפתוח מפסיק להיראות אבסורדי.

למה שמישהו יקנה את היקר

ארבע סיבות, בסדר יורד של תדירות הופעתן בפועל בהחלטות רכש.

הראשונה היא מיקום הנתונים. ‏MAI Transcribe 2 הוא API. האודיו יוצא מהרשת שלך, נוחת אצל דייר של ספק, וכפוף לתנאי השימור של אותו ספק. ‏Nemotron 3.5 Transcribe פועל על חומרה שבשליטתך, כולל במצב לא מקוון לחלוטין, וזה עבור הקלטות קליניות, הליכים משפטיים, חקירות משאבי אנוש וכל דבר שנתון למשטר מיקום נתונים אינו העדפה אלא דרישה. שום מחיר לשעה לא מתחרה באילוץ ציות.

הנקודה השנייה היא קביעות. התעריף של מיקרוסופט של $0.10 הוא במפורש הצעה לזמן מוגבל שנמשכת עד סוף 2026, ולא נחשף מחיר סטנדרטי בשום מקום בחומר ההשקה. צוות שבונה מוצר על המספר הזה בונה על תעריף מבצעי עם תאריך תפוגה לא ידוע. משקלים פתוחים אינם סובלים ממצב כשל כזה: נקודת הביקורת (checkpoint) שהורדת ממשיכה לעבוד במחיר החשמל, לא משנה מה הספק יעשה בהמשך.

השלישי הוא הסתגלות. NVIDIA מדווחת על כיוונון עדין על GPU יחיד בהיקף של 0.5 עד 2.3 שעות GPU לכל משימה, ועל מקרה בוחן בדיבור רפואי שבו ההסתגלות הורידה את שיעור שגיאות המילים מ-30.8% ל-11.8% על פני 3,619 קטעים, כאשר דוברים שהוחזקו מחוץ לאימון השתפרו מ-22.44% ל-12.17%. Microsoft אינה מציעה מסלול כיוונון עדין כלל. עבור אודיו עם מבטא, רועש או עמוס בז'רגון — בדיוק האודיו שבו ממוצע של 2.0% הופך למציאות של 25% — היכולת להסתגל שווה יותר משתי נקודות מיקום בלוח המובילים. הסט האנגלי של Perit שנבדק בידי אדם מספר את אותו סיפור מהכיוון ההפוך: הוא מציב את MAI Transcribe 2 ואת GPT Transcribe במרחק של מאית נקודה זה מזה, ב-1.76%, מה שמזכיר שלוחות הדירוג האלה מתקבצים בצפיפות באודיו נקי ומתפזרים בכל השאר.

הרביעי הוא ש-MAI Transcribe 2 נמצא בתצוגה מקדימה ציבורית. תצוגה מקדימה פירושה אין התחייבות לזמן פעילות, אין תקופת הודעה מוקדמת על הפסקת תמיכה, ומערך תכונות שעלול להשתנות לך מתחת לרגליים. Nemotron 3.5 Transcribe בן יום אחד בלבד ויש לו בעיית בגרות משלו — כלי ה-GGUF שלו עדיין מתוארים כ"בקרוב" והבניינים המקומיים המקוונטים שלו טרם שוחררו — אבל צ'קפוינט לא יוצא ממצב תצוגה מקדימה.

הגידור שלא עולה כלום

רוב הצוותים לא צריכים לבחור. הפעילו את ה-API הזול על רוב התור ונתבו אל נקודת הביקורת את הקבצים שאינם יכולים לצאת מהבניין, או את הפגישות שבהן ייחוס הדובר חייב להיות מדויק. השילוב הזה זול יותר מכל אחת מהאסטרטגיות הטהורות, והוא נכשל ברכות: אם התעריף המבצעי של Microsoft יסתיים במחיר לא אטרקטיבי, מסלול ההארחה העצמית כבר פרוס; אם הטענה של המודל הפתוח לגבי דיאריזציה לא תעמוד במבחן האודיו שלכם, ה-API כבר מחובר.

מה שמאפשר לגידור הסיכון הזה לעבוד בפועל הוא שמירה על הפרדה בין שני החצאים של הצינור. זיהוי דיבור הוא חוזה אחד; המסכם, המסווג והמנתב שצורכים את התמלולים הם חוזה אחר. OrcaRouter מכסה את החצי השני עם 200+ מודלים לטקסט ולמולטימודל מאחורי מפתח אחד, מחירי המחירון של הספקים מועברים הלאה עם תוספת של 0% — כך שהורדת מחיר מצד ספק מגיעה לחשבון שלך באותו יום ולא בחידוש החוזה הבא — ובנוסף מעבר אוטומטי לגיבוי ו-DSL לניתוב שיכול לנתב סוגי תמלולים שונים למודלים שונים. לא MAI Transcribe 2 ולא Nemotron 3.5 Transcribe נמצאים בקטלוג הזה, ואנחנו לא מספקים זיהוי דיבור בכלל, כך שחוזה התמלול נשאר במקום שבו חתמת עליו. הנקודה היחידה היא שהמודל שבהמשך השרשרת לא צריך להיות כבול לאותו ספק.

פסק הדין, לפי נפח

בהיקף של עד כמה מאות שעות אודיו בחודש, ללא מגבלת מיקום נתונים וללא דרישת ייחוס דוברים מעבר לשיחות בין שני משתתפים, MAI Transcribe 2 היא הקנייה הטובה יותר בכל ציר שמופיע בגיליון אלקטרוני: זולה יותר, מדויקת יותר במדד המשותף, מהירה יותר, וזמינה היום ללא צורך בהקצאת משאבים. תמחור המבצע הוא סיכון אמיתי וכדאי לבנות מודל שמניח פי שניים או פי שלושה מהתעריף הנוכחי, אך הוא אינו מוחק פער של שלושה סדרי גודל.

מעל לנפח הזה, או כשמצורף אליו מי מארבעת האילוצים שלעיל, החשבון מתהפך — לא מפני שהמודל הפתוח זול יותר לשעה, אלא מפני שהשעות חדלות להיות ניתנות לרכישה כלל. המקרה של Nemotron 3.5 Transcribe נשען על דוברים, שפות, מקומיות, התאמה וקביעות, בערך בסדר הזה. מקרה הדיוק שלו נשען על טענת יצרן שלוח התוצאות הציבורי אינו תומך בה כיום, וכל מי שחוזר על "ראשון מבין משקלים פתוחים" כאילו זה הכריע את ההשוואה מצטט שקופית ולא מדידה.