Nemotron 3.5 Transcribe vs GPT Transcribe: Terpaut 0,1 Poin, Salah Satunya Memberi Anda Checkpoint

Minta GPT Transcribe untuk stempel waktu tingkat kata, dan API tidak akan memberikannya kepada Anda. Bukan buruk, bukan perkiraan — model ini tidak memiliki head timing, dokumentasi OpenAI mengarahkan Anda ke whisper-1 untuk tugas itu, dan hal yang sama berlaku untuk label pembicara, yang berada di model diarization terpisah. Sekarang minta Nemotron 3.5 Transcribe, yang dirilis NVIDIA sebagai bobot terbuka pada 28 Oktober 2026, dan keduanya dihasilkan dalam satu proses: waktu kata yang diatribusikan ke pembicara dari adaptor CTC yang menyelaraskan transkrip final dengan audio setelah decoding. Kedua model hanya berbeda sepersepuluh poin satu sama lain pada papan akurasi publik. Dalam hal-hal yang Anda lakukan dengan transkrip, keduanya tidak berada dalam kategori produk yang sama.

Itulah keseluruhan keputusannya, dan layak ditelusuri perlahan, karena liputan peluncuran sebagian besar mereduksi pasangan ini menjadi perlombaan WER yang sebenarnya tidak dimenangkan oleh pihak mana pun dengan selisih yang berarti.

Kesenjangan akurasi hanyalah noise; kesenjangan fitur bukan.

Pada indeks non-streaming Artificial Analysis, GPT Transcribe — model transkripsi batch milik OpenAI, dirilis 28 Juli 2026 bersama model saudara live-streaming — tercatat di 3,3%, berbagi peringkat delapan belas dengan penantang kecil. Nemotron 3.5 Transcribe tercatat di 3,4%, berbagi peringkat dua puluh. Sepersepuluh poin, pada indeks yang entri untuk model yang sama saja bisa berbeda hampir satu poin penuh tergantung endpoint mana yang melayaninya. Tidak seorang pun seharusnya memilih antara dua sistem ucapan berdasarkan itu.

Materi peluncuran NVIDIA, sementara itu, melaporkan AA-WER 2,8% dan posisi seri di peringkat pertama di antara model open-weight. Pembacaan papan langsung pada 29 Oktober menunjukkan 3,4%. Anggap 2,8% sebagai angka pengajuan dan 3,4% sebagai pengukuran saat ini; selisihnya lebih besar daripada jarak antara Nemotron dan GPT Transcribe, yang memberi tahu Anda seberapa besar bobot yang pantas diberikan pada satu selisih papan peringkat.

• Parameter — sekitar total 30B dan kira-kira 4B aktif per token dalam MoE hibrida Mamba–Transformer vs tidak diungkapkan, non-generatif.

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

• Harga — tidak ada tarif daftar; waktu GPU, dengan build NVFP4 yang diklaim mampu memproses hingga 2.238 detik audio per detik pada satu RTX PRO 6000 Blackwell, dibandingkan $0,0045 per menit, sekitar $0,27 per jam audio.

• Label pembicara — hingga 8 pembicara dalam 13 bahasa, bawaan vs tidak ada; diperlukan model diarisasi terpisah.

• Waktu kata — perataan CTC pasca-dekode, diatribusikan ke pembicara vs tidak ditawarkan; whisper-1 adalah alternatif yang didokumentasikan.

• Bahasa — 40 ditranskripsikan, 31 diterjemahkan ke atau dari bahasa Inggris vs multibahasa dengan deteksi otomatis dan petunjuk bahasa, tanpa jumlah yang dipublikasikan.

• Durasi audio — 1 jam dalam satu proses vs berbasis file dengan chunking yang ditangani oleh API.

• Pasca-pemrosesan — verbatim atau bentuk tertulis yang dikendalikan prompt vs konteks bebas dan petunjuk kata kunci, tanpa proses pembersihan.

Apa yang GPT Transcribe lakukan lebih baik dibandingkan checkpoint terbuka?

Tiga hal, dan itu bukan perkara sepele. Yang pertama adalah bahwa ini adalah API. Tidak ada checkpoint 30B parameter yang perlu disesuaikan ukurannya, tidak ada build NVFP4 yang perlu ditunggu, tidak ada resep vLLM yang perlu dipatok. OpenAI melaporkan pemrosesan sekitar 34× waktu nyata, yang lebih lambat daripada throughput yang diklaim NVIDIA pada kartu Blackwell dan tidak relevan bagi sebagian besar tim, karena 34× waktu nyata sudah lebih cepat daripada antrean apa pun yang mereka jalankan.

Yang kedua adalah penanganan konteks. GPT Transcribe menerima konteks bebas, petunjuk kata kunci dan kosakata, serta beberapa petunjuk bahasa, dan mengembalikan array bahasa yang terdeteksi bersama transkrip. Kombinasi itu benar-benar berguna pada audio code-switched dan pada jargon domain, dan ini merupakan antarmuka prompting, bukan fine-tune — yang berarti tim produk dapat menyetelnya tanpa memiliki GPU. Padanan dari NVIDIA, yaitu daftar entitas yang diharapkan yang disediakan dalam prompt, disebut mampu menghasilkan pengurangan enam kali lipat dalam kesalahan entitas bernama pada ContextASR-Bench, tetapi angka itu dilaporkan oleh vendor dan belum direplikasi.

Yang ketiga adalah cakupan integrasi: endpoint yang sama melayani transkripsi file, transkrip file yang dialirkan, giliran realtime yang dikomit melalui WebSocket, Responses API, dan Batch. Tim yang sudah berada di platform OpenAI mendapatkan transkripsi sebagai parameter, bukan sebagai deployment.

Klaim kualitas yang diterbitkan OpenAI sendiri bersifat luas dan sulit diperiksa: tingkat kesalahan kata 19,27% pada set Common Voice 22 bahasa dibandingkan dengan 40,37% milik Whisper, dan 8,98% pada benchmark dunia nyata sembilan bahasa dibandingkan dengan 15,21%. Itu adalah angka vendor terhadap baseline 2024, bukan terhadap pesaing 2026. Gambaran independen lebih ramah terhadap GPT Transcribe daripada yang disiratkan papan AA: pada set bahasa Inggris yang ditinjau manusia milik Perit, model ini mencapai WER 1,76%, peringkat keenam dari 22, dengan 61,3% klip ditranskripsikan dengan sempurna. Itu adalah set uji yang berbeda dari milik Artificial Analysis, dan angka-angka tersebut tidak dapat dibandingkan di antara kedua papan tersebut — tetapi arahnya konsisten, dan itu menempatkan model OpenAI di depan endpoint Parakeet yang dihosting pada set yang sama.

Di mana fitur yang hilang benar-benar menimbulkan masalah

Jika output Anda berupa teks biasa untuk indeks pencarian, celah GPT Transcribe tidak merugikan Anda. Begitu Anda membutuhkan lebih, pekerjaannya berlipat ganda. Penentuan waktu kata berarti proses kedua melalui whisper-1 atau forced aligner, yang memunculkan kembali mode kegagalan yang justru ingin diperbaiki oleh alignment: transkrip yang bergeser batasnya, yang terbaca mulus tetapi merusak subtitle. Label pembicara berarti model ketiga, digabungkan di batas segmen, dengan tingkat kesalahannya sendiri untuk di-debug. Dan tidak satu pun dari proses kedua itu mengetahui yang lain, jadi panggilan dua pembicara menjadi tiga model dan satu langkah penggabungan.

Kaskade ini bukanlah kritik terhadap rekayasa OpenAI. Itulah produknya: transkriptor berakurasi tinggi dengan keluaran yang sengaja dibuat sempit. Microsoft dan Google sama-sama menerapkan pemisahan yang sama — diarisasi sebagai SKU terpisah atau mode terpisah dengan batasannya sendiri. Pilihan NVIDIA justru kebalikannya, dan cara jujur untuk menyatakannya adalah bahwa Nemotron 3.5 Transcribe membutuhkan lebih banyak daya komputasi untuk menghindari pipeline.

Hasil yang diberikan oleh komputasi tersebut terdokumentasi, tetapi dilaporkan oleh vendor: tingkat kesalahan diarisasi 18.26% pada 21 bahasa di benchmark David AI, terbaik dari 14 sistem; WER min-permutasi gabungan 32.4% di VoiceArena, juga terbaik dari 14 sistem; 8.32% kata referensi dihilangkan pada ucapan bahasa Inggris yang tumpang tindih dibandingkan median mendekati 31%. Tidak ada angka diarisasi OpenAI untuk dibandingkan dengan ini, karena OpenAI tidak menerbitkan angka tersebut untuk model ini.

Dua cara untuk berhenti membayar per menit

GPT Transcribe menagih $0.0045 per menit, yaitu $4.50 per seribu menit dan sekitar $270 per seribu jam audio. Nemotron 3.5 Transcribe tidak menagih apa pun per menit dan sebagai gantinya meminta GPU. Konfigurasi demonstrasi NVIDIA adalah satu RTX PRO 6000 Blackwell yang menjalankan checkpoint NVFP4 dengan model draft DFlash2, dan angka utama throughput — 100 jam audio dalam waktu kurang dari tiga menit — diukur pada klip 30 detik dengan konkurensi tinggi, bukan pada rapat berdurasi sejam. Bacalah itu sebagai batas atas untuk pekerjaan yang di-batch dengan baik.

Itu menyisakan titik silang yang ditentukan oleh utilisasi, bukan oleh harga daftar. Kartu yang sudah Anda miliki dan terus dipakai sibuk mengalahkan $270 per seribu jam dengan nyaman. Kartu yang harus Anda beli untuk antrean empat puluh jam sebulan tidak, dan seberapa pun efisiensi parameter tidak mengubah aritmetika itu.

Ada opsi ketiga yang tersembunyi oleh pembingkaian dua arah, dan itulah yang paling sering diambil tim: pertahankan API terkelola untuk sebagian besar volume, lalu arahkan file-file sulit — rapat enam orang, wawancara klinis beraksen, audio yang tidak diizinkan untuk Anda unggah — ke checkpoint yang dihosting sendiri. Itu hanya berhasil jika kedua keluaran memiliki bentuk yang sama, yang menjadi alasan untuk menstandarkan skema transkrip dengan field pembicara dan pewaktuan bahkan ketika vendor Anda saat ini tidak mengisinya. Standarkan skema terlebih dahulu; model menjadi dapat ditukar nanti.

Pada lapisan di atas transkrip, tugas OrcaRouter adalah memastikan kemampuan penukaran itu tidak berhenti di batas model. Perangkum, pengklasifikasi, dan pemeriksa kepatuhan yang membaca transkrip ini semuanya dapat berada di belakang satu kunci untuk 200+ model, dengan harga daftar penyedia diteruskan pada markup 0%, failover otomatis saat upstream tersendat, dan DSL perutean yang mengirim setiap beban kerja ke model berbeda tanpa integrasi kedua. GPT Transcribe dan Nemotron 3.5 Transcribe keduanya berada di luar katalog tersebut — kami tidak melayani keduanya — sehingga panggilan speech tetap di mana pun Anda membelinya, dan hanya separuh hilir yang menjadi portabel.

Versi singkatnya, berdasarkan situasi

Jika Anda menginginkan transkrip dan tidak yang lain, serta ingin mendapatkannya minggu depan tanpa perlu menyiapkan apa pun, GPT Transcribe adalah pilihan dengan risiko lebih rendah: peringkat keenam pada set Perit independen, antarmuka integrasi yang mungkin sudah Anda miliki, dan harga yang tidak memerlukan pembelian aset modal. Jika transkrip Anda menjadi masukan bagi subtitle, analitik rapat, pencarian dengan atribusi penutur, atau arsip kepatuhan, model tambahan yang akan Anda pasang ke GPT Transcribe memakan lebih banyak waktu rekayasa daripada biaya checkpoint dalam jam GPU, dan Nemotron 3.5 Transcribe mengerjakan pekerjaan itu dalam satu proses.

Peringatan yang berlaku untuk keduanya: ini adalah model yang baru berusia satu hari, tolok ukur utamanya adalah milik vendornya sendiri, dan papan independen belum sama sekali menilai checkpoint 30 miliar parameter itu. Jangan mengacaukannya dengan nvidia/nemotron-3.5-asr-streaming-0.6b, model streaming 600M dari Juni yang memang muncul di papan independen dan performanya jauh lebih buruk (3,35% WER, peringkat 21 dari 22 di Perit). Mereka hanya berbagi nama keluarga dan tidak ada kesamaan lain.