Nemotron 3.5 Transcribe לעומת NVIDIA Parakeet TDT 0.6B: הוותיק עם 626,000 הורדות פוגש את מחליפו

יותר מ-626,000 הורדות ב-Hugging Face שייכות לNVIDIA Parakeet TDT 0.6B, הטרנסדיוסר בן 600 מיליון הפרמטרים שהיה מזהה הדיבור האנגלי המוטמע כברירת מחדל בהרצה עצמית מאז הופיע באוגוסט 2025. כמעט אף אחד מהם לא מריץ אותו לבדו: הפריסה הסטנדרטית היא Parakeet למילים, דיאריזר נפרד לדוברים, ושלב מיזוג שמחבר את שתי הפלטים יחד בגבולות הקטעים. Nemotron 3.5 Transcribe, שפורסם כמשקולות פתוחות ב-28 באוקטובר 2026, הוא הצעתה של NVIDIA למחוק את שכבת הביניים הזו — צ'קפוינט אחד שמתמלל, מפריד עד שמונה קולות ומוסיף להם חותמות זמן, בארבעים שפות, ללא קסקייד. הוא גם איטי פי ארבעים ושלושה לכל שניית GPU וגדול בערך פי עשרים וחמישה בדיסק, וזה החלק שההכרזה לא שמה בראש.

הדבר המעניין בהשוואה הזו הוא ששני המודלים שייכים לאותה חברה. זה לא מתחרה שמגיע מבחוץ כדי להדיח שחקן קיים; זו NVIDIA שמוכרת לך מוצר שני, כבד בהרבה, כדי לבצע את החצי של העבודה שהמוצר הראשון שלה מעולם לא נבנה עבורו.

שתי ארכיטקטורות, שתי תיאוריות של התפקיד

Parakeet TDT 0.6B v3 הוא מקודד FastConformer המזין מפענח מתמר של אסימון ומשך. מודל TDT חוזה בכל צעד גם אסימון וגם משך, מה שמאפשר לו לדלג על פריימים ולהתקדם בקצב מהיר בהרבה מזמן אמת; זו כל הסיבה שהוא מהיר. הוא מכסה 25 שפות אירופיות עם זיהוי שפה אוטומטי, כולל חותמות זמן מקוריות ברמת המילה, ומופץ תחת CC-BY-4.0 — רישיון שהוא בערך הכי לא מגביל שיש. אין לו שום ייצוג של דובר — אפילו לא ייצוג חלש, כלום.

Nemotron 3.5 Transcribe הוא מודל שפה מוגבר בדיבור: מקודד דיבור, מודל Nemotron 3 Diarization קפוא שמזריק תכונות פעילות דובר דרך Parallel Expert Encoder, ומפענח היברידי Mamba–Transformer עם תערובת מומחים שבו כ-4 מיליארד מתוך 30 מיליארד הפרמטרים שלו פעילים לכל טוקן. הוא אינו מסווג פריימים. הוא מייצר טקסט, ולכן ניתן להנחות אותו כיצד לייצר אותו.

• פרמטרים — כ-30B בסך הכול, בערך 4B פעילים לכל טוקן לעומת 600M.

• פענוח — יצירה אוטורגרסיבית לעומת מתמר אסימון ומשך, לא אוטורגרסיבי.

• רישיון — OpenMDW-1.1 לעומת CC-BY-4.0.

• שפות — 40 מתומללות, 31 מתורגמות מן האנגלית או אליה לעומת 25 שפות אירופיות עם זיהוי אוטומטי.

• דוברים — עד 8, עם שיוך דוברים, ב־13 שפות לעומת ללא.

• חותמות זמן — יישור CTC לאחר פענוח, ייחוס לדובר לעומת תזמון מקורי ברמת מילה.

• תפוקה — RTFx 462 ב-Open ASR Leaderboard לעומת RTFx 3,333.

• אורך האודיו והזרימה — שעה אחת לקובץ, מוקלט בלבד לעומת מוקלט, עם אח זרימה של 0.6B המטפל באודיו חי בנפרד.

מספרי הדיוק משתנים בהתאם למי שמארח

ב-Hugging Face Open ASR Leaderboard, בממוצע לדיבור קצר באנגלית, Parakeet TDT 0.6B v3 עומד על 6.34% ו-Nemotron 3.5 Transcribe על 5.33%. זהו פער של נקודת אחוז אחת באותו לוח דירוג ציבורי, וזו השוואה מכובדת יותר מרוב ההשוואות בסדרה הזו — אותה מערכת בדיקה, אותם מערכי בדיקה, וההגשות של שני הספקים אלה בעצמם. עם זאת, זה עדיין לא כל הסיפור, מפני ששני הערכים קיבלו ציון בזמנים שונים, והממוצע של לוח הדירוג נשלט בעיקרו על ידי דיבור נקי שנקרא בקול.

Artificial Analysis מספרת סיפור שונה מאוד, וכדאי להבין מדוע. בלוח הזה הרשומה של Parakeet עומדת על 4.5%, הרבה מעבר למה שממוצע ה-Open ASR שלה היה מרמז, בעוד Nemotron 3.5 Transcribe עומדת על 3.4%. ה-4.5% שייך לתצורה של נקודת קצה מתארחת, ולא לנקודת הביקורת (checkpoint) על החומרה שלך, ובחירות האצווה והפענוח של המפעיל מזיזות את המספר בכמעט נקודה שלמה. השוואה בין ציון Parakeet מתארח לציון עצמאי היא הטעות הנפוצה ביותר בסיקור של השבוע, והיא פועלת גם בכיוון ההפוך: טענת ההשקה של NVIDIA בדבר 2.8% עבור Nemotron היא נתון הגשה, ואילו ה-3.4% הנוכחי בלוח הוא המדידה בפועל.

התמונה העצמאית שנבדקה על ידי בני אדם צרה אף יותר. במערך האנגלי של Perit, ‏Parakeet TDT 0.6B v3 מגיע ל-2.13% WER, במקום ה-14 מתוך 22, כאשר 54% מהקליפים תומללו באופן מושלם. ‏GPT Transcribe ו-MAI Transcribe 2 עומדים על 1.76% במקומות השישי והשביעי. צ'ק-פוינט ה-30B של Nemotron 3.5 Transcribe כלל אינו מופיע בלוח הזה; המודל nemotron-3.5-asr-streaming-0.6b שכן נמצא בו מגיע ל-3.35%, במקום ה-21 — מודל אחר למשימה אחרת, ולעיתים קרובות מתבלבלים בינו לבין המודל שהמאמר הזה עוסק בו.

מה שההחלפה בעצם מוחקת

לקסקייד שמשתמשי Parakeet מריצים היום יש שלושה חלקים ושלושה מצבי כשל. המזהה מפיק טקסט עם תזמוני מילים. הדיירייזר מפיק סבבי דיבור של דוברים. המיזוג משייך סבבי דיבור למילים, והוא עושה זאת באמצעות היוריסטיקות חפיפה שטועות בדיוק במקום שבו זה חשוב — כאשר שני אנשים מדברים בו-זמנית. המספרים ש-NVIDIA עצמה דיווחה עבור ההחלפה במודל יחיד מכוונים ישירות לכשל הזה: 18.26% שיעור שגיאות דייריזציה על פני 21 שפות בבנצ'מרק David AI, הטוב מבין 14 מערכות; 32.4% WER משורשר מסוג min-permutation ב-VoiceArena, הטוב מבין 14, כשהמקום השני הוא קסקייד Multitalker Parakeet בתוספת Nemotron 3 Diarization עם 34.2%; ו-8.32% ממילות הייחוס הושמטו בדיבור אנגלי חופף לעומת חציון של כ-31%.

אלה נתוני ספק על מערך בדיקות של ספק, והם לא שוחזרו באופן עצמאי. אך שימו לב מי במקום השני: ה-cascade של NVIDIA עצמה, שנבנה מהמודל שבכותרת ההשוואה הזו. החברה מפרסמת בנצ'מרק שבו המוצר החדש שלה גובר על המוצר הישן שלה בתוספת מפריד דוברים. זו עדות ישירה באופן יוצא דופן, וגם סוג העדות שספק נמצא בעמדה הטובה ביותר להפיק, והפחות סביר שיפרסם אילו התוצאה הייתה הפוכה.

הדבר השני שההחלפה מוחקת הוא הטיפול בשפות. Parakeet מכסה 25 שפות אירופיות; Nemotron מכסה 40 שפות לתמלול ו-31 לתרגום מאנגלית או לאנגלית, עם זיהוי דוברים ב-13 מהן. אם התור שלכם נעצר באיחוד האירופי, ההבדל הזה הוא אקדמי בלבד. אם הוא כולל ערבית, מנדרינית, הינדי או יפנית, Parakeet מעולם לא היה אפשרות, וההשוואה היא בין Nemotron לבין משהו אחר לגמרי.

כמה זה עולה לך להחליף אותו

קודם כול, תפוקה. ה-3,333 RTFx של Parakeet לעומת 462 של Nemotron הם הבדל של פי 7.2 על אותה מערכת בדיקה של טבלת המובילים — פער קטן יותר ממה שיחס הפרמטרים מרמז, משום שה-MoE מפעיל רק כ-4 מיליארד מתוך 30 מיליארד המשקולות שלו לכל טוקן, אך עדיין פער ממשי. ההצהרה הקולנית יותר של NVIDIA, עד 2,238 שניות אודיו לשנייה על RTX PRO 6000 Blackwell אחד, מניחה את נקודת הבדיקה NVFP4 בתוספת מודל טיוטה DFlash2, ונמדדה על קטעים באורך 30 שניות בריבוי מקבילי גבוה. אף אחד מהמספרים אינו שגוי; הם מודדים תצורות שונות, ותוכנית קיבולת שנבנתה על המספר הגדול יותר תאכזב אתכם בפגישות באורך שעה.

טביעת רגל, שנית. Parakeet TDT 0.6B נכנס לכמה גיגה-בייטים ורץ בנוחות על GPU בינוני, והגרסאות המקוונטות שלו רצות על מעבדים. Nemotron 3.5 Transcribe הוא עשרות גיגה-בייטים ב-BF16 ודורש vLLM עם תוסף NeMo Speech או SGLang-Omni על מאיץ במרכז נתונים. אין גרסה של זה שבה מודל 30B מחליף את מודל 0.6B על אותה חומרה.

בגרות, שלישית. ל-Parakeet יש שנה של פריסות, אלף תשובות בפורום ושרשרת כלים עובדת ב-NeMo, ב-Transformers וב-runtime של C++. ל-Nemotron 3.5 Transcribe יש יום. התמיכה שלו ב-GGUF וב-NeMo-Speech.cpp מתוארת כ"בקרוב"; הגרסאות המקומיות המכוונטות שלו טרם שוחררו. אם הפייפליין שלך צריך להיות משעמם, זו סיבה להמתין רבעון ולא סיבה לדחות את המודל.

היכן שהמכהן עדיין מנצח באופן מוחלט

כל דבר אינטראקטיבי, קודם כל. פענוח ה-transducer של Parakeet מחזיר מילים ככל שהאודיו מגיע, וחותמות הזמן המקוריות שלו הן תכונה של המפענח ולא שלב יישור בדיעבד. Nemotron 3.5 Transcribe נבנה במפורש עבור אודיו מוקלט — כך נאמר בפוסט של NVIDIA עצמה ב-Hugging Face — וקיים מודל זרימה נפרד בגודל 0.6B למפגשים חיים. אם המוצר שלכם הוא כתוביות בזמן אמת, אף אחד מהמודלים בכותרת הזו אינו התשובה הנכונה; המודל הזורם האח הוא כן, וזו השוואה אחרת.

כל דבר מקומי (on-premise) בקנה מידה קטן, לשניים. מרפאה עם כרטיס תחנת עבודה אחד, משרד עורכי דין עם ארכיון וקצין ציות, קבוצת מחקר עם מענק ל-GPU בודד: Parakeet עם 0.6B הוא פריסה ריאלית ואילו Nemotron עם 30B אינו. פער הדיוק של כנקודה בערך באנגלית נקייה אינו מצדיק את עלות החומרה.

כל דבר באנגלית בלבד וללא דרישת דובר, עבור שלושה. שזה רוב עבודת התמלול. הסיכום הכנה הוא שרוב 626,000 ההורדות של Parakeet הן עבור עבודות שהשדרוג לא משפר.

לשמור על הפייפליין פעיל כשמחצית ממנו היא חומרה בבעלותך

אירוח עצמי של מזהה הדיבור מציג מצב כשל שאין לממשקי API מנוהלים: הכרטיס שלך, הדרייבר שלך, חלון התחזוקה שלך. זה בדיוק הטיעון להשאיר את החצי השני של הצינור — המסכם, המסווג, המחלץ שהופך תמלול לרשומות מובנות — על נקודת קצה עם יתירות מובנית. OrcaRouter מריץ יותר מ-200 מודלים טקסט ומולטימודליים מאחורי מפתח אחד, עם מעבר אוטומטי בין ספקים כאשר ספק במעלה הזרם מדרדר, מחירי המחירון של הספקים מועברים בתוספת של 0%, ו-DSL לניתוב שמאפשר לך לכוון פרוטוקולי פגישות והערות שיחות למודלים שונים בלי לשכפל אינטגרציות. Nemotron 3.5 Transcribe ו-Parakeet TDT 0.6B נמצאים שניהם מחוץ לקטלוג הזה — איננו מספקים תמלול דיבור לטקסט — אבל השכבה שקוראת את הפלט שלהם לא חייבת להיכשל כאשר GPU נכשל.

החלטת השדרוג

החלף את Parakeet ב-Nemotron 3.5 Transcribe אם ה-cascade הוא מה שמפריע לך: אם אתה מתחזק דיארייזר ושלב מיזוג, אם בפגישות שלך יש יותר משני קולות, אם האודיו שלך אינו אירופי, או אם המילים "דיבור חופף" מופיעות בפניות התמיכה שלך. במקרה כזה, צ'קפוינט 30B אינו מותרות — הוא הסרה של שני חלקים נעים ותקציב השגיאות שלהם, ועלות התפוקה היא עלות תפוקה — כרטיס אחד עדיין מעבד הרבה יותר אודיו ממה שצוות עתיר פגישות יכול לייצר.

הישארו עם Parakeet אם האודיו שלכם הוא באנגלית או אירופי, הדוברים שלכם מוכרים או לא רלוונטיים, החומרה שלכם היא תחנת עבודה, והפייפליין שלכם עובד. המודל החדש לא הופך את הישן למיושן; הוא מכסה את המקרים שהמודל הישן מעולם לא תוכנן עבורם. והמשיכו לעקוב אחר לוחות הדירוג העצמאיים, כי כל מספר במאמר הזה שמטה לטובת Nemotron 3.5 Transcribe בדיאריזציה הוא של NVIDIA עצמה, וחוות דעת שנייה טרם פורסמה.