Nemotron 3.5 Transcribe vs MAI Transcribe 2: $100 per Jam versus GPU Milik Anda Sendiri

Seribu jam audio membebani Microsoft seratus dolar. Itulah keseluruhan argumen harga untuk MAI Transcribe 2, yang telah berada dalam pratinjau publik sejak 3 September 2026 dengan tarif $0,10 per jam audio — sekitar $1,67 per seribu menit, tarif yang lebih murah daripada setiap pesaing terkelola yang disebutnya dan kira-kira sepertiga dari yang ditagih OpenAI untuk pekerjaan yang sama. Nemotron 3.5 Transcribe, checkpoint terbuka NVIDIA dari 28 Oktober 2026, tidak memiliki harga per menit sama sekali, karena satu-satunya cara membelinya adalah membeli perangkat keras yang menjalankannya. Pada seribu jam per bulan, tagihan Microsoft hanyalah kesalahan pembulatan dalam anggaran departemen dan tagihan NVIDIA merupakan pembelian modal.

Lalu bagian yang canggung. Di papan akurasi publik, MAI Transcribe 2 berada di peringkat kedua dunia dengan 2,0% AA-WER. Nemotron 3.5 Transcribe berada di peringkat kedua puluh dengan 3,4%. Model yang lebih murah juga merupakan model yang lebih akurat dengan selisih yang lebih besar daripada seluruh jarak antara peringkat sembilan dan dua puluh. Jika perbandingan ini hanya soal kata dan uang, pembahasannya akan selesai dalam satu paragraf. Namun tidak demikian, karena Microsoft tidak menerbitkan angka kualitas diarisasi dan NVIDIA menerbitkan beberapa — dan kolom kosong itulah alasan orang masih akan memilih opsi yang mahal.

Apa yang dikatakan dewan, dan apa yang tidak dapat dikatakannya

Artificial Analysis menilai kedua model pada campuran tiga dataset yang sama, sehingga 2,0% versus 3,4% setidaknya merupakan perbandingan setara atas indeks yang sama, yang diukur oleh operator yang sama. Hal itu lebih jarang terjadi daripada seharusnya dalam kategori ini, dan pantas ditanggapi dengan serius. MAI Transcribe 2 hanya berada di belakang sistem pratinjau waktu nyata di puncak papan peringkat; Nemotron 3.5 Transcribe seri dengan tiga sistem, salah satunya varian Gemini Flash-Lite dalam mode penalaran minimal.

Materi peluncuran NVIDIA sendiri melaporkan AA-WER sebesar 2,8%, yang jika bertahan tetap akan membuatnya tertinggal 0,8 poin persentase penuh di belakang Microsoft. Papan live mencantumkan 3,4%. Bagaimanapun juga, urutannya tidak berubah, jadi tidak seperti perbandingan lain dalam seri ini, perbedaan antara angka peluncuran dan papan tidak menentukan apa pun di sini. Microsoft simplement unggul pada metrik yang disepakati kedua perusahaan untuk diukur.

Apa yang sebenarnya bisa dibeli dengan $0.10 per jam

MAI Transcribe 2 adalah model transkripsi batch yang dirancang untuk audio berdurasi panjang: rapat, panggilan, arsip media, rekaman pusat kontak. Model ini mendukung 60 bahasa dengan identifikasi bahasa otomatis, menyertakan diarisasi pembicara, mengembalikan stempel waktu tingkat kata, mendukung bias kata kunci untuk nama dan istilah domain, serta menawarkan dua gaya keluaran — verbatim, yang mempertahankan pengisi dan awal kalimat yang salah, dan clean, yang menghapusnya. Microsoft melaporkan throughput sekitar 411× real-time pada papan kecepatan Artificial Analysis, peringkat kedua secara keseluruhan, dan dalam postingan peluncurannya sendiri menggambarkannya sebagai sepuluh kali lebih cepat daripada GPT Transcribe dan lima kali lebih cepat daripada Gemini 3.5 Transcribe.

Daftar fiturnya, di atas kertas, merupakan superset dari kebutuhan sebagian besar tim dan hampir setara dengan milik NVIDIA. Keduanya melakukan diarisasi, keduanya melakukan penentuan waktu kata, keduanya melakukan bias kata kunci, keduanya menghasilkan keluaran verbatim dan bersih, keduanya membatasi sekitar satu jam audio, keduanya hanya batch pada SKU yang dibandingkan. Perbedaannya ada di tepi-tepinya: 60 bahasa versus 40, delapan pembicara versus jumlah yang tidak ditentukan, dan harga yang tiga orde besaran lebih mudah dijelaskan kepada tim keuangan.

• Harga — $0,10 per jam audio, berlaku untuk waktu terbatas hingga akhir 2026, dibandingkan tanpa tarif daftar; biayanya adalah waktu akselerator.

• Akurasi — 2,0% AA-WER, peringkat 2 vs 3,4%, peringkat 20 (3,4% di papan langsung; paket NVIDIA mengklaim 2,8%).

• Throughput — sekitar 411× waktu nyata vs hingga 2,238 detik audio per detik pada satu RTX PRO 6000 Blackwell dengan NVFP4 dan model draf, diukur pada klip 30 detik dengan konkurensi tinggi.

• Bahasa — 60 dengan identifikasi otomatis vs 40 ditranskripsi, 31 diterjemahkan.

• Lisensi — proprietary, hanya API vs OpenMDW-1.1 dengan bobot yang dapat diunduh.

• Pembicara — diarisasi disertakan, tanpa DER yang dipublikasikan vs hingga 8, dengan atribusi, dalam 13 bahasa, DER 18,26% di 21 bahasa pada tolok ukur David AI.

• Fine-tuning — tidak ada yang ditawarkan vs adaptasi GPU tunggal pada 0,5–2,3 jam-GPU per tugas.

• Lokalitas data — audio keluar dari jaringan Anda vs dapat di-host sendiri, termasuk secara offline.

Kolom yang dibiarkan kosong oleh Microsoft

Microsoft menggabungkan diarisasi dan tidak memublikasikan tingkat kesalahan diarisasi. Bukan angka yang lemah — tidak ada sama sekali. NVIDIA memublikasikan empat hasil diarisasi terpisah: DER 18,26% di 21 bahasa pada tolok ukur David AI, terendah dari 14 sistem; WER min-permutation gabungan sebesar 32,4% pada Diarization-Bench milik VoiceArena, terbaik dari 14; 8,32% kata acuan terlewat pada ucapan bahasa Inggris yang bertumpang tindih dibandingkan median mendekati 31%; dan atribusi penutur dalam 13 bahasa dibandingkan jumlah yang tidak dirinci Microsoft.

Semua itu dilaporkan oleh vendor pada harness milik vendor, dan bacaan yang jujur adalah bahwa itu merupakan klaim tentang kemampuan, bukan bukti kualitas. Namun asimetri itu informatif. Perusahaan yang memiliki angka diarisasi akan menerbitkannya, karena diarisasi adalah bagian transkrip yang paling sulit dilakukan dengan benar dan bagian yang dikeluhkan pelanggan. Perusahaan yang menyertakan diarisasi tanpa angka memberi tahu Anda bahwa mereka tidak menganggapnya sebagai nilai jual. Itu bisa berarti fiturnya memadai dan biasa saja. Bisa juga berarti fiturnya lemah. Tidak ada apa pun dalam materi peluncuran Microsoft yang membedakan kedua kasus itu, dan belum ada dewan independen yang mengukur tingkat kesalahan diarisasi pada tingkat kerincian ini.

Untuk panggilan penjualan dua orang, hal ini tidak menjadi masalah — model mana pun akan melabeli dua suara dengan benar. Untuk rapat dewan enam orang dengan percakapan yang saling tumpang tindih, perbedaan antara DER 18% dan angka yang tidak diketahui adalah perbedaan antara catatan per menit yang dapat digunakan dan dokumen yang tidak dipercaya siapa pun. Itulah beban kerja di mana harga checkpoint terbuka tidak lagi tampak absurd.

Mengapa orang membeli yang mahal

Empat alasan, diurutkan dari yang paling sering hingga paling jarang benar-benar muncul dalam keputusan pengadaan.

Yang pertama adalah lokalitas data. MAI Transcribe 2 adalah API. Audio meninggalkan jaringan Anda, masuk ke tenant vendor, dan diatur oleh ketentuan retensi vendor tersebut. Nemotron 3.5 Transcribe berjalan pada perangkat keras yang Anda kendalikan, termasuk sepenuhnya offline, yang bagi rekaman klinis, proses hukum, investigasi SDM, dan apa pun yang berada di bawah rezim residensi data bukanlah preferensi melainkan persyaratan. Tidak ada harga per jam yang dapat menandingi batasan kepatuhan.

Yang kedua adalah sifat permanen. Tarif $0.10 Microsoft secara eksplisit merupakan penawaran waktu terbatas yang berlaku hingga akhir 2026, dan tidak ada harga standar yang diungkapkan di mana pun dalam materi peluncuran. Tim yang membangun produk berdasarkan angka itu sedang membangun di atas tarif promosi dengan masa berlaku yang tidak diketahui. Bobot terbuka tidak memiliki mode kegagalan tersebut: checkpoint yang Anda unduh tetap berfungsi dengan biaya listrik, apa pun yang dilakukan vendor selanjutnya.

Ketiga adalah adaptasi. NVIDIA melaporkan fine-tuning pada satu GPU selama 0,5 hingga 2,3 jam-GPU per tugas, serta studi kasus ujaran medis yang dalam hal ini adaptasi menurunkan word error rate dari 30,8% menjadi 11,8% pada 3.619 klip, dengan pembicara held-out meningkat dari 22,44% menjadi 12,17%. Microsoft tidak menawarkan jalur fine-tuning sama sekali. Untuk audio beraksen, bising, atau padat jargon — tepatnya audio yang membuat rata-rata 2,0% menjadi kenyataan 25% — kemampuan untuk beradaptasi bernilai lebih dari dua poin posisi papan peringkat. Kumpulan bahasa Inggris yang ditinjau manusia dari Perit menuturkan kisah yang sama dari arah sebaliknya: kumpulan itu menempatkan MAI Transcribe 2 dan GPT Transcribe dalam selisih seperseratus poin satu sama lain pada 1,76%, yang merupakan pengingat bahwa papan-papan peringkat ini mengelompok rapat pada audio bersih dan menyebar pada segala hal lainnya.

Yang keempat adalah bahwa MAI Transcribe 2 berada dalam pratinjau publik. Pratinjau berarti tidak ada komitmen waktu aktif, tidak ada periode pemberitahuan penghentian, dan set fitur yang dapat berubah sewaktu-waktu. Nemotron 3.5 Transcribe baru berumur satu hari dan memiliki masalah kematangannya sendiri — perkakas GGUF-nya masih dijelaskan sebagai segera hadir dan build lokal terkuantisasinya belum dikirim — tetapi sebuah checkpoint tidak bisa dicabut status pratinjaunya.

Lindung nilai yang tidak memakan biaya

Sebagian besar tim tidak perlu memilih. Jalankan API murah untuk sebagian besar antrean dan rutekan file yang tidak boleh keluar dari gedung, atau rapat yang atribusi pembicaranya harus tepat, ke checkpoint. Pendekatan hybrid itu lebih murah daripada salah satu strategi murni dan gagal dengan elegan: jika tarif promosi Microsoft berakhir pada angka yang tidak menarik, jalur self-hosted sudah disiapkan; jika klaim diarisasi model terbuka tidak terbukti pada audio Anda, API sudah terpasang.

Yang membuat lindung nilai itu berhasil dalam praktik adalah menjaga kedua bagian pipeline tetap dapat dipisahkan. Pengenalan suara adalah satu kontrak; summariser, classifier, dan router yang mengonsumsi transkrip adalah kontrak lain. OrcaRouter mencakup bagian kedua dengan 200+ model teks dan multimodal di balik satu kunci, harga daftar penyedia diteruskan dengan markup 0% — sehingga pemotongan harga vendor sampai ke tagihan Anda pada hari yang sama alih-alih pada perpanjangan kontrak berikutnya — ditambah failover otomatis dan DSL routing yang dapat mengarahkan kelas transkrip yang berbeda ke model yang berbeda. Baik MAI Transcribe 2 maupun Nemotron 3.5 Transcribe tidak ada dalam katalog itu, dan kami tidak menyediakan speech-to-text sama sekali, sehingga kontrak transkripsi tetap di tempat Anda menandatanganinya. Intinya hanyalah bahwa model di hilirnya tidak boleh dilas ke vendor yang sama.

Putusan, berdasarkan volume

Pada sekitar beberapa ratus jam audio per bulan, tanpa batasan residensi data dan tanpa persyaratan atribusi pembicara selain panggilan dua pihak, MAI Transcribe 2 adalah pilihan pembelian yang lebih baik pada setiap sumbu yang muncul dalam spreadsheet: lebih murah, lebih akurat pada indeks bersama, lebih cepat, dan tersedia hari ini tanpa provisioning. Harga promosi merupakan risiko nyata dan layak dimodelkan pada dua atau tiga kali tarif saat ini, tetapi itu tidak menghapus celah tiga orde besaran.

Di atas volume itu, atau dengan salah satu dari empat batasan di atas yang melekat, aritmetikanya berbalik — bukan karena model terbuka lebih murah per jam, tetapi karena jam-jamnya berhenti dapat dibeli sama sekali. Argumen Nemotron 3.5 Transcribe bertumpu pada penutur, bahasa, lokalitas, adaptasi, dan permanensi, kira-kira dalam urutan itu. Argumen akurasinya bertumpu pada klaim vendor yang saat ini tidak didukung oleh papan publik, dan siapa pun yang mengulang "pertama di antara bobot terbuka" seolah-olah itu sudah menyelesaikan perbandingan sebenarnya mengutip slide, bukan pengukuran.