Nemotron 3.5 Transcribe לעומת Muse Voice Transcribe: האחד מעבד את הפגישה, האחר פשוט יושב בה

שתי הקלטות מכריעות את ההשוואה הזו עוד לפני שכל בנצ'מרק עושה זאת. האחת היא שיחה שמתרחשת ממש עכשיו, שבה התמלול חייב לעמוד בקצב השיחה, ופיגור של שתי שניות הופך את הכלי לחסר תועלת. האחרת היא ארכיון בן שעתיים של שיחות לקוחות מהרבעון הקודם, שבו לאף אחד לא אכפת אם המילים מגיעות תוך 200 אלפיות השנייה או תוך עשרים דקות. NVIDIA Nemotron 3.5 Transcribe, שיצא ב-28 באוקטובר 2026 כצ'ק-פוינט לא מקוון עם משקולות פתוחות, נבנה עבור ההקלטה השנייה. Meta Muse Voice Transcribe, שהושק על ידי Meta Superintelligence Labs ב-1 בספטמבר 2026, נבנה עבור הראשונה. רוב דפי ההשוואה מציגים את שיעורי שגיאות המילים שלהם בעמודה אחת ומסיימים בזה, וזו בדיוק ההשוואה שאי אפשר לעשות.

השעון, לא שיעור שגיאות המילים

המודל של Meta הוא שכבת תפיסה בזרימה. הוא צורך אודיו בקטעים של 80 מילישניות, פולט אסימונים רכים, ומשתמש במנגנון "השהיה אדפטיבית" שאומן בלמידת חיזוק כדי להחליט מילה אחר מילה כמה הקשר להמתין לו לפני שהוא מתחייב לטקסט. חומרי ההשקה של Meta, כפי שדווח, מציבים את הפער מסוף הדיבור לטקסט הסופי בסביבות 0.16 שניות, והמודל מוגש דרך WebSocket לאודיו חי או דרך נקודת קצה HTTP לקבצים חד-פעמיים. הוא גם מטפל בעצמו בזיהוי סוף דיבור ובזיהוי פעילות קולית, כך שהצינור סביבו דק.

המודל של NVIDIA הוא בעל הצורה ההפוכה. הכרטיס אומר זאת בפשטות: "זהו מודל לא־מקוון", ומוסיף שחלוקה פנימית (chunking) אינה הופכת אותו לשירות זרימה. אתם מוסרים לו קובץ באורך של עד שעה והוא מחזיר תמלול. אין פלט חלקי, אין השערת ביניים, ואין קטיעת דיבור (barge-in). NVIDIA מוכרת מזהה זרימה נפרד בגודל 0.6B עבור אודיו חי; זהו צ'ק־פוינט אחר, ולא מצב של המודל הזה.

אז מספרי הכותרת נמדדים בכלים שונים. Meta מדווחת על שיעור שגיאות מילים של 3.1% ומקום ראשון בלוח המובילים של Artificial Analysis לתמלול דיבור בזרימה. הכרטיס של NVIDIA מדווח על ממוצע של 4.71% על פני תשעת מערכי English Open ASR האנגליים הציבוריים, בעוד שהטבלה הלא-זורמת של Artificial Analysis מציגה 3.4% עבור נקודת הקצה שנפרסה — וה-FAQ שלה אומר 2.8% עבור אותו מודל. אלו שלוש מדידות שונות של שתי משימות שונות. ה-3.1% הוא תוצאה זורמת; ה-3.4% הוא תוצאת באצ' על התפלגות אודיו שונה. החסרתם מפיקה "ניצחון" של 0.3 נקודות שאינו אומר דבר, והחיסרון של המודל הזורם באודיו ארוך, רועש ובעל מבטא הוא אמיתי אך בלתי נראה באריתמטיקה הזו.

דוברים: עשרים ומשהו מול שמונה

פער הדיאריזציה הוא המקום היחיד שבו המספרים מודדים פחות או יותר את אותו הדבר, והוא גדול.

• תקרת דוברים — Meta מפרסמת 20+ דוברים בהקלטה אחת; NVIDIA מאמנת על תערובות של עד שמונה, וכרטיס המודל שלה מציין שאין מקסימום בזמן הסקה.

• חפיפה — העמוד של Meta עצמה מסייג שהדיאריזציה חלה על "דיבור שאינו חופף". כל הטיעון הארכיטקטוני של NVIDIA הוא דיבור חופף: פעילות הדובר של רכיב הדיאריזציה הקפוא מוזרקת אל תוך האנקודר, כך שהמודל יכול לייחס מילים בזמן שאנשים מדברים זה על זה. זו הטענה שעומדת מאחורי ממוצע ה-cpWER של 15.80 במערך הרב-דוברים של NVIDIA.

• כיסוי שפות עבור תוויות — Meta משרתת 25+ שפות; NVIDIA תומכת ב-40 לצורך תמלול אך מסמנת 13 מהן עבור פלט רב-דוברים. פגישה בטורקית מתומללת ואינה מקבלת תוויות.

פורמט תווית — Meta מפיקה אותיות דובר חשופות כגון "A"; NVIDIA מפיקה תגים בסגנון <spk:0> שממופים חזרה למקטעי דיאריזציה.

אם תרחיש השימוש שלך הוא פאנל, אולם בית משפט או שיחת תמיכה עם שלושה משתתפים חופפים, תקרת שמונת הדוברים היא האילוץ שמכריע את העניין, לא עמודת ה-WER. אם תרחיש השימוש שלך הוא מפגש כלל-חברה של עשרים איש שבו אנשים בעיקר מדברים בתורות, ה-20+ של Meta הוא המספר שחשוב, והשמונה של NVIDIA הוא קיר קשיח.

שפות: 25 מול 40, ואף אחד מהמספרים אינו מה שהוא נראה

{{1}}עמוד המפתחים של Meta עצמה אומר "25+ שפות" ותומך במעבר בין שפות (code-switching) בתוך משפטים וביניהם, מה שחשוב לפגישות דו-לשוניות.{{/1}} {{2}}סיקור ההשקה דיווח שהמודל אומן על 70+ שפות, כש-25 מהן אומתו לעומק — הבחנה שימושית, מפני ששפה ש"אומנה" אך לא אומתה היא שפה שכדאי לבדוק לפני שסומכים עליה.{{/2}} {{3}}הכרטיס של NVIDIA מפרט 40 שפות עם תמיכת ASR, 31 עם תרגום דו-כיווני לאנגלית וממנה, ורכיב נפרד לזיהוי שפה עם 48 תוויות.{{/3}}

• אם אתה זקוק לרוחב כיסוי אירופי — 25 השפות המאומתות של Meta צרות יותר מ-40 של NVIDIA, אך הרשימה של Meta נוטה לעבר השפות שלקוחות ארגוניים למעשה מקליטים.

• אם יש לך צורך בתרגום — רק NVIDIA עושה זאת. המודל של Meta מתמלל; הוא אינו מתרגם את התמלול לשפה אחרת.

• אם יש צורך בהחלפת קוד — Meta מצהירה על כך כפונקציונליות מובנית; הכרטיס של NVIDIA אינו מציין דבר דומה, והבנת האודיו שלה היא אנגלית בלבד, ללא קשר לשפת התמלול.

מה שהתמלול מכיל בפועל

חותמות זמן הן המקום שבו הבדל שנראה זול הופך ליקר. Meta מספקת חותמות זמן ברמת תור — גבולות של מקטעים, ולא זמנים לכל מילה — ואינה חושפת ציוני ביטחון כלל. NVIDIA מספקת חותמות זמן ברמת מילה באמצעות מתאם CTC, עם הסתייגות שחותמות זמן אינן זמינות כאשר טיוטת הפענוח הספקולטיבי של DFlash2 מופעלת.

• חותמות זמן — Meta ברמת תור; NVIDIA ברמת מילה, אך לא לצד נתיב הפענוח המהיר ביותר שלה.

• ביטחון — Meta אינה מפרסמת נתון כזה; NVIDIA גם אינה מפרסמת רמת ביטחון ברמת מילה.

• פורמט קלט — Meta דורשת PCM מונו 16-ביט בקצב 16 או 24 kHz, ומורה לך להמיר כל דבר אחר באמצעות ffmpeg; NVIDIA מקבלת מונו 16 kHz ומטפלת בקובץ ישירות.

• פרומפטינג — שניהם מטים את הפלט. ההטיה לפי מילות מפתח ולפי שפה של Meta "רק דוחפת את המודל ואינה מבטיחה כתיב", לפי התיעוד שלה. פרומפטינג הקשרי של NVIDIA מדווח על ירידת WER של ישויות מזוהות מ־12.21% ל־2.20% עם רשימת ישויות מפורטת — מבוצע על ידי הספק, אך טענה חזקה בהרבה, וכזו שמרמזת על מנגנון שונה מדחיפה רכה.

• סגנונות פלט — חמשת הסגנונות של NVIDIA (מילולי, בצורה כתובה, הקשרי, מיוחס לדובר, עשיר) נבחרים לפי הוראה. Meta מחזירה פורמט אחד ומצפה שתעבדו אותו לאחר מכן.

מחיר לשעת אודיו

Meta גובה 3.00 דולר לכל 1,000 דקות, שהם 0.18 דולר לשעת אודיו, ללא מדרגות או מכסה חינמית מפורסמת. הרשומה המארחת של NVIDIA ב-Artificial Analysis היא 2.00 דולר לכל 1,000 דקות — כ-0.12 דולר לשעה — והמשקולות חינמיות להורדה תחת OpenMDW-1.1, כך שאירוח עצמי הוא אפשרות שלישית ש-Meta אינה מציעה בשום מחיר.

החשבון בהיקפים גדולים הוא פשוט ואינו מיטיב עם תג המחיר הזול יותר. אלף שעות אודיו בחודש עולות $180 דרך Meta ו-$120 דרך נקודת קצה מתארחת של Nemotron. באחסון עצמי, אותן אלף שעות הן פחות משעה של זמן GPU על RTX PRO 6000 Blackwell בהתאם לטענת התפוקה של NVIDIA ל-NVFP4 — הבה נאמר $2 של מחשוב בתעריף GPU שכור, בתוספת תפעול, אחסון והמהנדס שאחראי לכך. ב-10,000 שעות בחודש הפער בין $1,800 לכמה מאות דולרים מממן לא מעט תפעול; ב-100 שעות בחודש הוא אינו מממן ממנו דבר.

מה שאירוח עצמי בעצם קונה אינו המחיר. היכולת להריץ תמלול על אודיו שאסור חוזית לצאת מהרשת שלך, והיכולת לשמור על צינור העיבוד פעיל כאשר נקודת הקצה של ספק נחלשת. אלה הסיבות שצוותים בפיקוח רגולטורי משלמים על כרטיסי GPU שהיו יכולים אחרת לשכור.

היכן כל אחד נשבר

מצבי הכשל של Meta סמוכים לנושא השהיה. הדיאריזציה שלה מניחה דיבור ללא חפיפה, כך ששיחת תמיכה סוערת עם קטיעות תסמן שגוי את החלפות הדוברים. לתמלול שלה אין חותמות זמן ברמת המילה, מה ששובר יצירת כתוביות, חיפוש אודיו וכל יישור במורד הזרם לווידאו. חוזה הקלט שלה נוקשה, וההטיה שלה היא בגדר המלצה. אין לה תרגום, אין לה מענה לשאלות באודיו, ואין לה אפשרות אחסון עצמי.

מצבי הכשל של NVIDIA קשורים לזרימות עבודה. היא אינה תומכת בזרימה, ולכן אינה יכולה לספק כתוביות בזמן אמת, סוכני קול או ניתוב שיחות בזמן אמת. הבנת האודיו שלה היא באנגלית בלבד. היא מוגבלת לשעה אחת לכל הקלטה. אינטגרציית SGLang-Omni שהופצה משמיטה פלט עם ייחוס דוברים, חותמות זמן ברמת מילה ותרגום, כך שחלק ממה שהכרטיס מבטיח דורש את מסלול vLLM או את מכולת NIM. והיא עלולה לפעמים להיכשל מלהסתיים, והכרטיס ממליץ להתגונן מפני זה.

אף אחת משתי קבוצות הכשלים אינה באג לטובת המודל האחר. הן שני הצורות של הבעיה: מודל נוכח בזמן שהאודיו מתרחש, ומודל יסודי לאחר שהוא מסתיים.

אם נדרשים לך שניהם, ה-pipeline אינו פשרה

הפריסה האמיתית הנפוצה ביותר אינה בחירה כלל. אודיו חי עובר דרך נקודת הקצה להזרמה של Meta, מפני שזו הדרך היחידה לקבל טקסט בזמן שהשיחה מתרחשת — כתוביות, סיוע לסוכן, חיפוש חי. אותה הקלטה מתומללת אז מחדש באופן לא מקוון באמצעות ה-checkpoint של NVIDIA במהלך הלילה, מפני שריצת האצווה מפיקה טקסט נקי יותר, חותמות זמן ברמת המילה עם ייחוס לדובר, ובמידת הצורך גם תרגום לאנגלית של שיחה שאינה באנגלית. תמלול ההזרמה נועד לרגע; תמלול האצווה נועד לתיעוד. צוותים שמנסים לכפות מודל אחד על שני התפקידים מגיעים בדרך כלל למצב שבו יש להם תצוגה חיה בפיגור או חשבון הזרמה יקר עבור אודיו שאיש אינו מאזין לו.

המחצית במורד הזרם של אותו צינור — סיכום שיחות, ניקוד ביצועי סוכנים, השחרת נתונים אישיים, ניתוב שיחות מסומנות אל אדם — היא עבודת טקסט רגילה, והיא לא שייכת לאותו GPU כמו ה-ASR. OrcaRouter מריץ את קריאות הטקסט האלה מאחורי מפתח אחד עם 0% תוספת מחיר, ומעביר את מחיר המחירון של הספק ללא שינוי, עם מעבר אוטומטי לגיבוי כאשר ספק מתנדנד ו-DSL לניתוב שיכול לשלוח סיכום וסיווג למודלים שונים בתוך זרימת עבודה אחת. לא Meta Muse Voice Transcribe ולא NVIDIA Nemotron 3.5 Transcribe נמצאים בקטלוג של OrcaRouter; הנתב יושב אחרי התמלול, היכן שעומס העבודה של הטקסט נמצא.

שלוש שאלות מכריעות את זה מהר יותר מכל טבלת דירוג. כמה זמן אחרי שהאודיו מגיע הטקסט צריך להתקיים? אם התשובה היא "במהלך השיחה", ההחלטה היא של Meta ודיון ה-WER הוא קישוט. כמה אנשים מדברים בו-זמנית, והאם הם חופפים? אם התשובה היא "יותר משמונה, וכן", זה השטח של NVIDIA. והאם האודיו רשאי לצאת מהרשת שלך? אם התשובה היא לא, רק אחד משני המודלים האלה יכול בכלל להיות פרוס.

כל השאר — ה-3.1%, ה-4.71%, ה-$0.18 — הוא שובר שוויון בין שני מוצרים שתוכננו לרגעים שונים באותה פגישה.