Nemotron 3.5 Transcribe vs Gemini 3.5 Transcribe: 2,8% pada Slide, 3,4% pada Board

Google Gemini 3.5 Transcribeberada di peringkat sembilan pada papan peringkat ucapan non-streaming Artificial Analysis dengan tingkat kesalahan 2,6%. NVIDIA Nemotron 3.5 Transcribe, yang dirilis sebagai bobot terbuka pada 28 Oktober 2026, berada di peringkat dua puluh dengan 3,4%. Empat persepuluh poin memisahkan keduanya pada satu-satunya indeks publik yang menilai keduanya, dan empat persepuluh itu hampir merupakan fakta paling tidak berguna dalam perbandingan ini. Keduanya tidak dibangun untuk pekerjaan yang sama: yang satu adalah endpoint terkelola yang merapikan transkrip sebelum Anda melihatnya, yang lain adalah checkpoint yang Anda unduh yang menjaga delapan pembicara tetap terpisah dengan benar saat mereka saling menyela. Peringkat itu tidak menyanjung keduanya untuk hal yang sebenarnya menjadi tujuan perancangan mereka.

Ada baiknya menandai satu ketidaksesuaian di awal, karena hal itu muncul berulang di setiap artikel yang ditulis tentang model ini minggu ini. Materi peluncuran NVIDIA melaporkan AA-WER 2,8% dan posisi seri di peringkat pertama di antara sistem berbobot terbuka. Papan langsung, yang dibaca pada 29 Oktober, mencantumkan 3,4% pada peringkat dua puluh. Kedua angka tersebut berasal dari indeks yang sama, dan keduanya bukan pengukuran dari proses yang sama — yang merupakan pelajaran praktis pertama dari pemasangan ini, dan alasan bagian akurasi di bawah ini ditulis sebagaimana adanya.

Apa yang dirilis NVIDIA, dan apa yang telah dijalankan Google sejak Agustus

Nemotron 3.5 Transcribe bukanlah transduser dan bukan encoder biasa. Ini adalah model bahasa yang diperkaya ucapan (speech-augmented): sebuah encoder ucapan memberi masukan ke model Nemotron 3 Diarization yang dibekukan, dan sinyal aktivitas pembicara dari model tersebut disuntikkan ke encoder ASR melalui apa yang NVIDIA sebut sebagai Parallel Expert Encoder, sementara dekodernya adalah LLM hybrid Mamba–Transformer mixture-of-experts dengan sekitar 4 miliar parameter aktif per token dari total sekitar 30 miliar. Materi perusahaan sendiri menggunakan label 30B-A3B dan 30B-A4B untuk bagian model bahasanya, dan sidebar Hugging Face mencantumkan 34B setelah tumpukan audio ikut dihitung, jadi anggap angka parameter tunggal mana pun sebagai perkiraan. Bobotnya gratis di bawah OpenMDW-1.1, yang mengizinkan penggunaan komersial.

Gemini 3.5 Transcribe telah tersedia secara umum sejak 26 Agustus 2026 dengan tarif $2,00 per juta token input audio dan $12,00 per juta token output teks, yang menurut Google setara dengan sekitar $0,005 per menit, atau sekitar $0,30 per jam audio. Layanan ini memiliki tier gratis di dalam kuota, SKU live-streaming terpisah dengan tarif sekitar $0,009 per menit, dan sama sekali tidak memiliki bobot.

Angka yang bergeser antara paket peluncuran dan pagi sesudahnya

AA-WER milik Artificial Analysis dibangun di atas tiga dataset — AgentTalk 50%, VoxPopuli-Cleaned 25%, Earnings22-Cleaned 25% — dan indeksnya adalah satu skor gabungan, bukan skor per domain. Itu penting karena AgentTalk adalah tuturan agen suara, yang pendek, bersih, dan sangat terwakili dalam campuran pelatihan vendor jika vendor tersebut menjual agen suara. Model yang menang dalam gabungan bisa kalah pada arsip Anda.

Baca papan peringkat sebagaimana adanya saat ini, dan urutan peringkatnya adalah: MAI Transcribe 2 di 2,0%, Voxtral Small Transcribe 3 di 2,1%, Gemini 3.5 Transcribe di 2,6%, GPT Transcribe di 3,3%, Nemotron 3.5 Transcribe di 3,4%. Klaim NVIDIA sebesar 2,8%, jika bertahan, akan menempatkan model baru itu setara dengan Gemini 3.1 Pro Preview dan Voxtral Small, serta jauh di depan model batch OpenAI. Pada 3,4% model itu tertinggal dari semuanya dan imbang dengan tiga sistem, termasuk varian Gemini Flash-Lite yang tidak pernah diposisikan sebagai pembandingnya. Revisi 0,6 poin bukanlah kesalahan pembulatan pada indeks yang seluruh sepuluh peringkat teratasnya membentang dari 1,7% hingga 2,9%.

Pembacaan yang jujur bukanlah bahwa NVIDIA berbohong. AA mengukur ulang saat sebuah model disajikan pada endpoint baru atau dijalankan ulang dengan input yang diperbarui, dan angka peluncuran hampir pasti mencerminkan pengajuan NVIDIA sendiri, bukan host default papan peringkat. Namun, inilah jenis celah yang berubah menjadi kesalahan pengadaan: tim yang menyusun anggaran berdasarkan "pertama di antara bobot terbuka" lalu mengukur 3,4% telah membeli model di atas slide.

Apa yang dijual Google yang tidak dijual NVIDIA

Fitur yang lebih menentukan dalam memenangkan kontrak transkripsi dibandingkan WER adalah apa yang terjadi pada kata-kata setelah pengenalan, dan Gemini 3.5 Transcribe dibangun di sekitar fitur tersebut. Mode verbatim default-nya mempertahankan kata pengisi, awalan keliru, dan pengulangan untuk pekerjaan kepatuhan; mode smart-nya menghapus disfluensi, menyelesaikan koreksi diri, dan menormalisasi angka serta mata uang yang diucapkan dalam satu kali proses. Kosakata kustom memengaruhi pengenalan agar condong ke hingga 1.000 istilah, dengan Google merekomendasikan sekitar 100 istilah yang dipilih dengan cermat. Tidak satu pun dari fitur tersebut ada di Nemotron 3.5 Transcribe, yang dapat *diberi prompt* menuju daftar entitas dan dapat diminta menghasilkan output verbatim atau dalam bentuk tertulis, tetapi menyerahkan pemformatan angka dan perbaikan koreksi diri kepada apa pun yang membaca transkrip berikutnya.

Google juga unggul dalam hal cakupan locale yang dinamai: 85+, dengan deteksi otomatis dan alih kode dalam kalimat, dibandingkan 40 milik NVIDIA untuk transkripsi dan 31 untuk terjemahan. Hitungannya hanya mencakup locale yang dinamai. Jika antrean Anda mencakup bahasa yang ada dalam daftar Google tetapi tidak ada dalam daftar NVIDIA, tidak ada benchmark yang perlu diperdebatkan.

Apa yang dijual NVIDIA tetapi tidak oleh Google

Atribusi pembicara adalah kasus sebaliknya, dan ini lebih tajam daripada yang disiratkan pemasaran. Gemini 3.5 Transcribe mendokumentasikan hingga delapan pembicara, tetapi materi Google sendiri menandai atribusi untuk tiga pembicara atau lebih sebagai eksperimental, dan blognya bersandar pada "hingga tiga". Nemotron 3.5 Transcribe memberi label hingga delapan pembicara, melakukannya dalam 13 bahasa, dan mengembalikan stempel waktu tingkat kata yang diatribusikan ke pembicara melalui adaptor CTC pascadekode yang menyelaraskan transkrip final dengan audio.

• Parameter — total 30B dengan sekitar 4B aktif, MoE hibrida Mamba–Transformer vs stack ucapan proprietari yang tidak diungkapkan.

• Lisensi — OpenMDW-1.1, penggunaan komersial, bobot dapat diunduh vs hanya API tanpa hak redistribusi.

• Harga — tidak ada tarif daftar resmi yang dipublikasikan; biayanya adalah waktu GPU, dan sebuah build NVFP4 pada satu RTX PRO 6000 Blackwell diklaim dapat memproses hingga 2.238 detik audio per detik vs $0,005 per menit campuran.

• Bahasa — 40 ditranskripsikan, 31 diterjemahkan ke atau dari bahasa Inggris, 13 dengan label pembicara vs 85+ lokal dengan alih kode.

• Speaker — 8, terdokumentasi dan di-benchmark vs 8 terdokumentasi, 3+ ditandai eksperimental.

• Durasi audio — 1 jam dalam satu kali proses vs 1 jam, turun menjadi 30 menit saat diarisasi atau stempel waktu diminta.

• Streaming — tidak ada; hanya audio rekaman vs SKU live terpisah dengan sekitar $0.009 per menit.

• Pascapemrosesan — bentuk verbatim atau tertulis yang dikendalikan oleh prompt; tanpa pembersihan bawaan vs mode pintar yang menghapus kata pengisi dan memperbaiki koreksi diri.

Angka diarisasi yang hanya diterbitkan oleh satu pihak

Di sinilah perbandingan tidak lagi berimbang dan mulai menjadi timpang, dan juga di sinilah basis sumbernya menipis. NVIDIA melaporkan tingkat kesalahan diarisasi sebesar 18,26% di 21 bahasa pada benchmark David AI, terendah dari 14 sistem yang dievaluasi, dengan entri berikutnya adalah model Nemotron 3 Diarization miliknya sendiri pada 18,38% dan semua sisanya antara 22,85% dan 37,55%. Pada Diarization-Bench milik VoiceArena, ia melaporkan WER min-permutasi gabungan sebesar 32,4%, terbaik dari 14, dengan peringkat kedua pada 34,2%. Pada sesi bahasa Inggris dengan tuturan tumpang tindih, ia melaporkan menghilangkan 8,32% kata referensi dibandingkan median sekitar 31%.

Google sama sekali tidak menerbitkan tingkat kesalahan diarisasi untuk Gemini 3.5 Transcribe. Bukan angka yang lebih buruk — memang tidak ada. Asimetri itu berlaku dua arah dan harus dinyatakan secara gamblang: angka NVIDIA dilaporkan oleh vendor berdasarkan harness NVIDIA, dan tidak ada angka pihak ketiga untuk memeriksanya karena papan peringkat diarisasi independen yang ada sebagian besar diisi oleh sistem yang dimasukkan NVIDIA sendiri. Yang tidak diragukan adalah batas atas yang didokumentasikan: Gemini membatasi hingga delapan pembicara, dengan atribusi eksperimental untuk lebih dari tiga pembicara, dan menurunkan panjang audio maksimum Anda dari satu jam menjadi tiga puluh menit begitu Anda meminta label pembicara dan waktu kata secara bersamaan. Jika materi Anda adalah rapat dewan dengan enam orang, itu adalah keterbatasan produk, bukan pertanyaan kualitas, dan tidak ada perbandingan WER yang akan memunculkannya.

Berapa biaya sebenarnya untuk satu jam audio di masing-masing

Jika dipakai selama seribu jam per bulan—beban yang realistis untuk pusat kontak atau arsip media—Gemini 3.5 Transcribe dengan $0,005 per menit berarti $300 per seribu jam. Nemotron 3.5 Transcribe tidak memiliki harga daftar karena tidak ada yang perlu dicantumkan: Anda membeli GPU-nya. Satu RTX PRO 6000 Blackwell yang menjalankan checkpoint NVFP4 adalah konfigurasi yang didemonstrasikan NVIDIA, dan klaim throughput—hingga 2.238 detik audio per detik—disertai syarat yang disebutkan dalam postingan Hugging Face dan dihilangkan dari judul berita: angka itu diukur pada klip 30 detik dengan konkurensi tinggi. Rapat panjang dengan pembicara yang saling tumpang tindih tidak akan mencapai angka tersebut.

Oleh karena itu, titik impasnya adalah soal pemanfaatan, bukan soal harga. Satu kartu yang harganya kurang lebih sama dengan beberapa bulan transkripsi terkelola hanya akan balik modal jika Anda terus membuatnya sibuk, dan kartu itu tidak akan pernah balik modal jika dibandingkan dengan panggilan API senilai $300 per bulan pada antrean kecil. Alasan untuk checkpoint bukanlah menit yang lebih murah pada volume rendah. Melainkan bahwa menit tidak lagi menjadi pos biaya sama sekali, audio tidak pernah meninggalkan jaringan Anda, dan fine-tuning hanyalah satu sore dengan satu GPU — NVIDIA melaporkan 0,5 hingga 2,3 jam-GPU per tugas, dan adaptasi ucapan medis yang menurunkan tingkat kesalahan kata dari 30,8% menjadi 11,8% pada 3.619 klip, dengan pembicara held-out meningkat dari 22,44% menjadi 12,17%.

Halaman riset NVIDIA sendiri adalah satu-satunya tempat klaim throughput dan fine-tuning muncul bersamaan, dan halaman itu layak dibaca berdampingan dengan angka-angka di atas: angka 2,238 detik per detik mengasumsikan checkpoint NVFP4 dan model draf DFlash2 pada perangkat keras Blackwell, sedangkan klaim fine-tuning 0.5 hingga 2.3 jam-GPU mengasumsikan satu GPU dan tugas yang cukup kecil untuk muat di satu GPU. Tidak satu pun merupakan headline yang dapat Anda salin ke rencana kapasitas tanpa kualifikasi tersebut.

Ke sisi mana pun Anda memutuskan, transkrip bukanlah akhir dari pipeline. Transkrip diringkas, diklasifikasikan, dicari, dan dirutekan, dan bagian hilir itulah tempat satu endpoint menjadi penting: OrcaRouter membawa 200+ model teks dan multimodal di balik satu kunci, dengan harga daftar penyedia diteruskan pada markup 0%, failover otomatis dan DSL routing yang dapat mengirim risalah rapat ke satu penyimpul dan tinjauan kepatuhan ke penyimpul lain tanpa integrasi kedua. Baik Gemini 3.5 Transcribe maupun Nemotron 3.5 Transcribe belum ada dalam katalog tersebut saat ini — speech-to-text masih merupakan kontrak terpisah di mana pun Anda membelinya — jadi intinya lebih sempit daripada kedengarannya: pilih transcriber berdasarkan transkripsi, dan biarkan lapisan di atasnya tetap portabel.

Yang mana yang cocok untuk stack Anda?

Pilih Gemini 3.5 Transcribe jika masalah Anda adalah teks: audio wawancara yang tidak lancar, ucapan pusat panggilan penuh dengan "tidak, tunggu, maksud saya", daftar lokal yang perlu Anda periksa berdasarkan nama, dan endpoint terkelola yang bisa Anda letakkan di balik kunci sore ini. Ini adalah model yang lebih akurat di papan publik saat ini dengan selisih yang kecil tetapi nyata, ia memperbaiki transkrip secara langsung, dan biayanya tiga puluh sen per jam dengan tier gratis untuk pengujian.

Pilih Nemotron 3.5 Transcribe jika masalah Anda adalah ruangan. Lebih dari tiga pembicara, ucapan yang tumpang tindih, label pembicara dalam tiga belas bahasa, penentuan waktu kata yang tetap akurat pada file berdurasi satu jam, dan kebijakan audio yang melarang pengiriman rekaman ke pihak ketiga — itulah kondisi ketika checkpoint terbuka bukanlah kompromi, melainkan satu-satunya opsi yang memenuhi persyaratan. Ini juga satu-satunya dari kedua opsi yang dapat Anda fine-tune, yang untuk audio beraksen atau khusus domain bernilai lebih dari empat persepuluh poin.

Apa yang akan mengubah putusan ini: pengujian ulang diarisasi independen yang menempatkan Gemini di mana pun yang mendekati 18.26% DER NVIDIA, atau pengukuran ulang AA yang menetapkan Nemotron di antara 2.8% dan 3.4%. Sampai salah satu dari itu terwujud, argumen akurasi adalah argumen vendor, dan argumen fitur adalah yang bisa Anda verifikasi sendiri dalam satu sore dengan rekaman terburuk Anda sendiri.