Nemotron 3.5 Transcribe vs Muse Voice Transcribe: Satu Memproses Rapat, yang Lain Duduk di Dalamnya

Dua rekaman menentukan perbandingan ini sebelum benchmark apa pun. Yang satu adalah panggilan yang sedang berlangsung saat ini, ketika transkrip harus mengikuti percakapan dan jeda dua detik membuat alat itu tidak berguna. Yang lainnya adalah arsip dua jam berisi panggilan pelanggan kuartal lalu, ketika tidak ada yang peduli apakah kata-kata tiba dalam 200 milidetik atau dua puluh menit. NVIDIA Nemotron 3.5 Transcribe, dirilis pada 28 Oktober 2026 sebagai checkpoint offline berbobot terbuka, dirancang untuk rekaman kedua. Meta Muse Voice Transcribe, diluncurkan oleh Meta Superintelligence Labs pada 1 September 2026, dirancang untuk rekaman pertama. Sebagian besar halaman perbandingan menempatkan tingkat kesalahan kata mereka dalam satu kolom dan menganggapnya selesai, padahal justru itulah perbandingan yang tidak dapat dilakukan.

Jam, bukan tingkat kesalahan kata

Model Meta adalah lapisan persepsi streaming. Model ini mengonsumsi audio dalam bongkahan 80 milidetik, mengeluarkan soft token, dan menggunakan mekanisme "adaptive delay" yang dilatih dengan reinforcement learning untuk memutuskan kata demi kata berapa banyak konteks yang perlu ditunggu sebelum menetapkan teks. Materi peluncuran Meta, sebagaimana dilaporkan, menempatkan jeda dari akhir ucapan hingga teks final pada sekitar 0,16 detik, dan model ini disajikan melalui WebSocket untuk audio langsung atau endpoint HTTP untuk file sekali-jalan. Model ini juga menangani endpointing dan deteksi aktivitas suara sendiri, sehingga pipeline di sekelilingnya sangat minimal.

Model NVIDIA berbentuk sebaliknya. Kartu modelnya menyatakannya secara gamblang: "Ini adalah model offline," dan menambahkan bahwa chunking internal tidak menjadikannya layanan streaming. Anda memberinya file berdurasi hingga satu jam dan ia mengembalikan transkrip. Tidak ada output parsial, tidak ada hipotesis sementara, tidak ada barge-in. NVIDIA menjual pengenal streaming 0,6B terpisah untuk audio langsung; itu adalah checkpoint yang berbeda, bukan mode dari model ini.

Jadi angka utama itu diukur pada instrumen yang berbeda. Meta melaporkan tingkat kesalahan kata 3,1% dan posisi pertama di papan peringkat speech-to-text streaming Artificial Analysis. Kartu NVIDIA melaporkan rata-rata 4,71% di sembilan set Open ASR bahasa Inggris publik, sementara tabel non-streaming Artificial Analysis menunjukkan 3,4% untuk endpoint yang diterapkan — dan FAQ-nya menyebut 2,8% untuk model yang sama. Itu tiga pengukuran berbeda atas dua tugas yang berbeda. Angka 3,1% adalah hasil streaming; angka 3,4% adalah hasil batch pada distribusi audio yang berbeda. Mengurangkan keduanya menghasilkan "kemenangan" 0,3 poin yang tidak bermakna, dan kerugian model streaming pada audio panjang, berisik, dan beraksen itu nyata tetapi tidak terlihat dalam aritmetika tersebut.

Pembicara: dua puluhan lawan delapan

Kesenjangan diarisasi adalah satu-satunya tempat di mana angka-angka tersebut mengukur hal yang kurang lebih sama, dan kesenjangan itu besar.

• Batas jumlah speaker — Meta mengiklankan 20+ speaker dalam satu rekaman; NVIDIA melatih pada campuran hingga delapan, dan kartu modelnya menyatakan tidak ada maksimum pada waktu inferensi.

• Tumpang tindih — Halaman Meta sendiri membatasi bahwa diarisasi berlaku untuk "ucapan yang tidak tumpang tindih." Seluruh argumen arsitektural NVIDIA adalah ucapan yang tumpang tindih: aktivitas penutur dari diarisator yang dibekukan disuntikkan ke dalam encoder sehingga model dapat mengatribusikan kata-kata saat orang saling berbicara tumpang tindih. Itulah klaim di balik rata-rata cpWER 15.80 pada set multi-penutur NVIDIA.

Cakupan bahasa untuk label — Meta melayani 25+ bahasa; NVIDIA mendukung 40 bahasa untuk transkripsi tetapi menandai 13 di antaranya untuk output multispeaker. Rapat berbahasa Turki ditranskripsikan dan tidak mendapatkan label.

• Format label — Meta mengeluarkan huruf pembicara polos seperti "A"; NVIDIA mengeluarkan tag bergaya <spk:0> yang memetakan kembali ke segmen diarisasi.

Jika kasus penggunaan Anda adalah panel, ruang sidang, atau panggilan dukungan dengan tiga peserta yang saling tumpang tindih, batas delapan pembicara adalah kendala yang menentukan, bukan kolom WER. Jika kasus penggunaan Anda adalah rapat all-hands dua puluh orang yang sebagian besar berbicara bergiliran, angka 20+ dari Meta adalah yang penting dan batas delapan dari NVIDIA adalah dinding keras.

Bahasa: 25 berbanding 40, dan kedua angka itu tidak seperti yang tampak

Halaman pengembang Meta sendiri menyebutkan "25+ bahasa" dan mendukung alih kode di dalam dan antarkalimat, yang penting untuk rapat bilingual. Pemberitaan peluncuran melaporkan bahwa model tersebut dilatih pada 70+ bahasa dengan 25 bahasa divalidasi secara ekstensif — perbedaan yang berguna, karena bahasa yang "dilatih" tetapi tidak divalidasi adalah bahasa yang harus Anda uji sebelum memercayainya. Kartu NVIDIA mencantumkan 40 bahasa dengan dukungan ASR, 31 dengan terjemahan dua arah ke dan dari bahasa Inggris, serta komponen identifikasi bahasa terpisah dengan 48 label.

• Jika Anda memerlukan keluasan cakupan Eropa — 25 bahasa tervalidasi Meta lebih sempit daripada 40 bahasa NVIDIA, tetapi daftar Meta lebih condong ke bahasa yang benar-benar direkam oleh pelanggan perusahaan.

• Jika Anda memerlukan terjemahan — hanya NVIDIA yang melakukannya. Model Meta hanya melakukan transkripsi; model tersebut tidak menerjemahkan transkrip ke bahasa lain.

• Jika Anda memerlukan alih kode — Meta mengklaimnya secara native; kartu NVIDIA tidak mencantumkan hal yang sebanding, dan pemahaman audionya hanya bahasa Inggris terlepas dari bahasa transkripsi.

Apa yang sebenarnya terkandung dalam transkrip

Stempel waktu adalah titik ketika perbedaan yang tampak sepele menjadi sangat mahal. Meta menyediakan stempel waktu tingkat giliran — batas segmen, bukan waktu per kata — dan sama sekali tidak mengekspos skor keyakinan. NVIDIA menyediakan stempel waktu kata melalui adapter CTC, dengan catatan bahwa stempel waktu tidak tersedia saat draf dekode spekulatif DFlash2 diaktifkan.

• Stempel waktu — Meta tingkat giliran; NVIDIA tingkat kata, tetapi tidak bersama jalur dekode tercepatnya.

• Keyakinan — Meta tidak mempublikasikan satu pun; NVIDIA juga tidak mempublikasikan tingkat keyakinan per kata.

• Format masukan — Meta memerlukan PCM mono 16-bit pada 16 atau 24 kHz dan meminta Anda mengonversi semua format lainnya dengan ffmpeg; NVIDIA menerima mono 16 kHz dan menangani file tersebut secara langsung.

• Prompting — keduanya memengaruhi keluaran. Bias kata kunci dan bahasa dari Meta "hanya mendorong model dan tidak menjamin ejaan," menurut dokumentasinya. Prompting kontekstual NVIDIA melaporkan WER entitas bernama turun dari 12,21% menjadi 2,20% dengan daftar entitas yang terperinci — dijalankan oleh vendor, tetapi merupakan klaim yang jauh lebih kuat, dan menyiratkan mekanisme yang berbeda daripada sekadar dorongan halus.

• Gaya keluaran — lima gaya NVIDIA (verbatim, bentuk tertulis, kontekstual, diatribusikan kepada pembicara, kaya) dipilih berdasarkan instruksi. Meta mengembalikan satu format dan mengharapkan Anda melakukan pascapemrosesan.

Harga per jam audio

Meta mengenakan biaya $3.00 per 1.000 menit, yaitu $0.18 per jam audio, tanpa tingkatan harga atau kuota gratis yang dipublikasikan. Daftar hosting NVIDIA di Artificial Analysis adalah $2.00 per 1.000 menit — sekitar $0.12 per jam — dan bobot modelnya gratis untuk diunduh di bawah OpenMDW-1.1, sehingga self-hosting menjadi opsi ketiga yang tidak ditawarkan Meta dengan harga berapa pun.

Perhitungan pada volume tinggi itu lugas dan tidak menguntungkan harga yang lebih murah. Seribu jam audio per bulan biayanya $180 melalui Meta dan $120 melalui endpoint Nemotron yang dihosting. Dengan self-hosted, seribu jam yang sama membutuhkan waktu GPU kurang dari satu jam pada RTX PRO 6000 Blackwell sesuai klaim throughput NVFP4 NVIDIA — sebut saja $2 biaya komputasi dengan tarif GPU sewaan, ditambah operasional, penyimpanan, dan engineer yang mengelolanya. Pada 10.000 jam per bulan, selisih antara $1.800 dan beberapa ratus dolar membiayai banyak operasional; pada 100 jam per bulan, selisih itu tidak membiayai apa pun.

Yang sebenarnya didapat dari self-hosting bukanlah harganya. Melainkan kemampuan menjalankan transkripsi pada audio yang secara kontraktual dilarang keluar dari jaringan Anda, dan kemampuan menjaga pipeline tetap berjalan ketika endpoint vendor menurun kinerjanya. Itulah alasan tim yang tunduk pada regulasi membayar GPU yang sebenarnya bisa mereka sewa.

Di mana masing-masing rusak

Mode kegagalan Meta berkaitan erat dengan latensi. Diarisasinya mengasumsikan ucapan yang tidak tumpang tindih, sehingga panggilan dukungan yang memanas dengan interupsi akan salah memberi label pada giliran bicara. Transkripnya tidak memiliki stempel waktu per kata, yang merusak pembuatan subtitel, pencarian audio, dan penyelarasan hilir apa pun ke video. Kontrak inputnya ketat, dan fitur biasnya hanya bersifat saran. Tidak ada terjemahan, tidak ada tanya jawab audio, dan tidak ada opsi hosting mandiri.

Mode kegagalan NVIDIA berkaitan erat dengan alur kerja. NVIDIA tidak dapat melakukan streaming, sehingga tidak dapat menyediakan takarir langsung, agen suara, atau perutean panggilan real-time. Pemahaman audionya hanya untuk bahasa Inggris. Durasi per rekaman dibatasi hingga satu jam. Integrasi SGLang-Omni yang disertakannya tidak menyediakan output dengan atribusi pembicara, stempel waktu per kata, dan terjemahan, sehingga sebagian hal yang dijanjikan kartu tersebut memerlukan jalur vLLM atau kontainer NIM. Selain itu, terkadang prosesnya bisa gagal berhenti, dan kartu tersebut menyarankan untuk mengantisipasi hal ini.

Kedua rangkaian kegagalan itu bukanlah bug yang menguntungkan model lain. Keduanya adalah dua bentuk masalah: model yang hadir saat audio berlangsung, dan model yang menyeluruh setelah audio berakhir.

Jika Anda membutuhkan keduanya, pipeline ini bukanlah kompromi.

Penerapan nyata yang paling umum sama sekali bukanlah sebuah pilihan. Audio langsung melewati endpoint streaming Meta, karena itulah satu-satunya cara untuk mendapatkan teks saat panggilan berlangsung — takarir, bantuan agen, pencarian langsung. Rekaman yang sama kemudian ditranskripsikan ulang secara offline oleh checkpoint NVIDIA pada malam hari, karena proses batch menghasilkan teks yang lebih bersih, stempel waktu kata dengan atribusi pembicara, dan, bila diperlukan, terjemahan bahasa Inggris dari panggilan non-Inggris. Transkrip streaming adalah untuk saat itu juga; transkrip batch adalah untuk catatan resmi. Tim yang mencoba memaksakan satu model untuk kedua peran biasanya berakhir dengan tampilan langsung yang tertinggal atau tagihan streaming yang mahal untuk audio yang tidak ada yang mendengarkan.

Bagian hilir dari pipeline tersebut — merangkum panggilan, menilai kinerja agen, menyamarkan data pribadi, merutekan percakapan yang ditandai ke manusia — adalah pekerjaan teks biasa, dan tidak semestinya dijalankan di GPU yang sama dengan ASR. OrcaRouter menjalankan panggilan teks tersebut di balik satu kunci dengan markup 0%, meneruskan harga daftar penyedia tanpa perubahan, dengan failover otomatis saat penyedia bermasalah dan DSL perutean yang dapat mengarahkan peringkasan dan klasifikasi ke model berbeda dalam satu alur kerja. Baik Meta Muse Voice Transcribe maupun NVIDIA Nemotron 3.5 Transcribe tidak ada dalam katalog OrcaRouter; router berada setelah transkrip, tempat beban kerja teks berada.

Tiga pertanyaan menyelesaikan ini lebih cepat daripada papan peringkat mana pun. Berapa lama setelah audio tiba teksnya harus sudah tersedia? Jika jawabannya "selama panggilan", keputusannya ada di tangan Meta dan diskusi WER hanyalah hiasan. Berapa banyak orang berbicara sekaligus, dan apakah suara mereka tumpang tindih? Jika jawabannya "lebih dari delapan, dan ya", itu adalah wilayah NVIDIA. Dan apakah audio diizinkan keluar dari jaringan Anda? Jika jawabannya tidak, hanya satu dari dua model ini yang bisa diterapkan sama sekali.

Segala hal lainnya — 3,1%, 4,71%, $0,18 — adalah penentu di antara dua produk yang dirancang untuk momen berbeda dalam rapat yang sama.