Nemotron 3.5 Transcribe vs Gemini 3.5 Transcribe: 2,8% sulla diapositiva, 3,4% sulla lavagna

Google Gemini 3.5 Transcribe si trova al nono posto nella classifica per il parlato non in streaming di Artificial Analysis, con un tasso di errore del 2,6%. NVIDIA Nemotron 3.5 Transcribe, rilasciato come pesi aperti il 28 ottobre 2026, si trova al ventesimo posto con il 3,4%. Quattro decimi di punto li separano sull'unico indice pubblico che li valuta entrambi, e quei quattro decimi sono probabilmente il dato meno utile di questo confronto. I due non sono stati creati per lo stesso compito: uno è un endpoint gestito che ripulisce una trascrizione prima che tu la veda, l'altro è un checkpoint che scarichi e che tiene correttamente distinti otto parlanti mentre si sovrappongono. La classifica non rende giustizia a nessuno dei due per ciò per cui sono stati effettivamente progettati.

Vale la pena segnalare subito una discrepanza, perché ricorre in ogni articolo scritto su questo modello questa settimana. Il materiale di lancio di NVIDIA riporta 2,8% di AA-WER e un pari merito al primo posto tra i sistemi open-weight. La classifica live, consultata il 29 ottobre, riporta 3,4% al ventesimo posto. Entrambi i numeri risalgono allo stesso indice e non sono misurazioni della stessa esecuzione — che è la prima lezione pratica di questo abbinamento, e il motivo per cui la sezione sull'accuratezza qui sotto è scritta in questo modo.

Cosa ha rilasciato NVIDIA, e cosa Google utilizza da agosto

Nemotron 3.5 Transcribe non è un transducer né un semplice encoder. È un modello linguistico aumentato dal parlato: un encoder vocale alimenta un modello Nemotron 3 Diarization congelato, il cui segnale di attività del parlante viene iniettato nell'encoder ASR tramite quello che NVIDIA chiama Parallel Expert Encoder, e il decoder è un LLM ibrido Mamba–Transformer con mixture-of-experts, con circa 4 miliardi di parametri attivi per token su circa 30 miliardi totali. I materiali della stessa azienda usano sia le etichette 30B-A3B sia 30B-A4B per la metà relativa al modello linguistico, e la barra laterale di Hugging Face indica 34B una volta conteggiato lo stack audio, quindi considera approssimativo qualsiasi singolo valore di parametri. I pesi sono gratuiti con licenza OpenMDW-1.1, che consente l'uso commerciale.

Gemini 3.5 Transcribe è disponibile in generale dal 26 agosto 2026 a 2,00 $ per milione di token di input audio e 12,00 $ per milione di token di output testuale, che secondo Google corrispondono a circa 0,005 $ al minuto, ovvero circa 0,30 $ per ora di audio. Offre un livello gratuito entro la quota, una SKU separata per lo streaming live a circa 0,009 $ al minuto e nessun peso disponibile.

Il numero che si è spostato tra il dossier di lancio e il mattino seguente

L'AA-WER di Artificial Analysis si basa su tre dataset — AgentTalk al 50%, VoxPopuli-Cleaned al 25%, Earnings22-Cleaned al 25% — e l'indice è un unico punteggio combinato, non un punteggio per dominio. Questo è importante perché AgentTalk è parlato di agenti vocali, quindi breve, pulito e ampiamente rappresentato nel mix di addestramento di un fornitore se il fornitore vende agenti vocali. Un modello che vince nella combinazione può perdere il vostro archivio.

Leggi la classifica così com'è, e l'ordine della classifica è: MAI Transcribe 2 al 2,0%, Voxtral Small Transcribe 3 al 2,1%, Gemini 3.5 Transcribe al 2,6%, GPT Transcribe al 3,3%, Nemotron 3.5 Transcribe al 3,4%. La dichiarazione di NVIDIA del 2,8%, se fosse stata confermata, avrebbe collocato il nuovo modello allo stesso livello di Gemini 3.1 Pro Preview e Voxtral Small, e nettamente avanti rispetto al modello batch di OpenAI. Al 3,4% è dietro a tutti loro e a pari merito con tre sistemi, inclusa una variante Gemini Flash-Lite con cui non era mai stato messo a confronto. Una revisione di 0,6 punti non è un errore di arrotondamento su un indice la cui intera top ten spazia dall'1,7% al 2,9%.

La lettura onesta non è che NVIDIA abbia mentito. AA effettua nuove misurazioni quando un modello viene servito su un nuovo endpoint o rieseguito su input aggiornati, e il valore comunicato al lancio riflette quasi certamente la submission di NVIDIA stessa anziché l’host predefinito della classifica. Ma è esattamente il tipo di divario che si trasforma in un errore di approvvigionamento: un team che pianifica il budget in base a "primo tra i pesi aperti" e poi misura 3,4% ha comprato un modello su una slide.

Cosa vende Google che NVIDIA non vende

La funzionalità che decide più contratti di trascrizione rispetto al WER è ciò che succede alle parole dopo il riconoscimento, ed è attorno a questo che è costruito Gemini 3.5 Transcribe. La sua modalità verbatim predefinita mantiene riempitivi, falsi avvii e ripetizioni per il lavoro di conformità; la sua modalità intelligente rimuove le disfluenze, risolve le autocorrezioni e normalizza numeri e valute pronunciati in un'unica passata. Un vocabolario personalizzato orienta il riconoscimento verso un massimo di 1.000 termini, con Google che ne consiglia circa 100 ben scelti. Nessuna delle due esiste in Nemotron 3.5 Transcribe, che può essere *guidato tramite prompt* verso un elenco di entità e può ricevere l'istruzione di produrre output verbatim o in forma scritta, ma che lascia la formattazione dei numeri e la correzione delle autocorrezioni a qualunque cosa legga la trascrizione in seguito.

Google vince anche sull'ampiezza delle locale denominate: oltre 85, con rilevamento automatico e commutazione di codice all'interno della frase, contro le 40 di NVIDIA per la trascrizione e le 31 per la traduzione. Conteggio per locale denominate. Se la tua coda include una lingua che compare nell'elenco di Google ma non in quello di NVIDIA, non c'è alcun benchmark su cui discutere.

Cosa vende NVIDIA che Google non vende

L'attribuzione dei parlanti è il caso inverso, ed è più netta di quanto suggerisca il marketing. Gemini 3.5 Transcribe documenta fino a otto parlanti, ma i materiali di Google stesso indicano l'attribuzione per tre o più parlanti come sperimentale, e il suo blog punta su «fino a tre». Nemotron 3.5 Transcribe etichetta fino a otto parlanti, lo fa in 13 lingue e restituisce timestamp a livello di parola attribuiti ai parlanti tramite un adattatore CTC post-decodifica che allinea la trascrizione finale all'audio.

• Parametri — 30B totali con circa 4B attivi, MoE ibrido Mamba–Transformer rispetto a uno stack vocale proprietario non divulgato.

• Licenza — OpenMDW-1.1, uso commerciale, pesi scaricabili vs solo API senza diritti di redistribuzione.

Prezzo — nessuna tariffa di listino pubblicata; il costo è il tempo di GPU, e si sostiene che una build NVFP4 su una singola RTX PRO 6000 Blackwell elabori fino a 2.238 secondi di audio al secondo, rispetto a 0,005 $ al minuto in media.

• Lingue — 40 trascritte, 31 tradotte da o verso l'inglese, 13 con etichette del parlante rispetto a oltre 85 localizzazioni con commutazione di codice.

• Altoparlanti — 8, documentati e verificati tramite benchmark rispetto a 8 documentati, 3+ contrassegnati come sperimentali.

• Durata audio — 1 ora in un'unica passata vs 1 ora, che scende a 30 minuti quando vengono richiesti la diarizzazione o i timestamp.

• Streaming — nessuno; solo audio registrato rispetto a un SKU live separato a circa 0,009 $ al minuto.

• Post-elaborazione — forma letterale o scritta controllata dal prompt; nessuna pulizia integrata rispetto alla modalità intelligente che rimuove i riempitivi e corregge le autocorrezioni.

I numeri della diarizzazione che solo una parte pubblica

È qui che il confronto smette di essere ravvicinato e inizia a essere sbilanciato, ed è anche qui che le fonti si fanno scarse. NVIDIA riporta un tasso di errore di diarizzazione del 18,26% su 21 lingue nel benchmark David AI, il più basso tra i 14 sistemi valutati, con la voce successiva rappresentata dal suo stesso modello Nemotron 3 Diarization al 18,38% e tutte le altre tra il 22,85% e il 37,55%. Nel Diarization-Bench di VoiceArena riporta un WER concatenato a permutazione minima del 32,4%, il migliore su 14, con il secondo classificato al 34,2%. Nelle sessioni in inglese con parlato sovrapposto riporta una quota di parole di riferimento perse pari all'8,32%, rispetto a una mediana di circa il 31%.

Google non pubblica affatto un tasso di errore di diarizzazione per Gemini 3.5 Transcribe. Non uno peggiore: nessuno. Questa asimmetria vale in entrambe le direzioni e va detta chiaramente: i numeri di NVIDIA sono dichiarati dal fornitore e rilevati sul banco di prova di NVIDIA, e non esiste un numero di terze parti con cui verificarli, perché le classifiche indipendenti di diarizzazione esistenti sono popolate per lo più dai sistemi presentati da NVIDIA stessa. Ciò che non è in dubbio è il limite documentato: Gemini arriva al massimo a otto parlanti, con attribuzione sperimentale oltre i tre, e riduce la durata massima dell'audio da un'ora a trenta minuti nel momento in cui richiedi insieme etichette dei parlanti e tempistiche delle parole. Se il tuo materiale è una riunione del consiglio di amministrazione a sei persone, questa è una limitazione del prodotto più che una questione di qualità, e nessun confronto WER la farà emergere.

Quanto costa davvero un'ora di audio su ciascuno

Applicalo a mille ore al mese, un carico realistico per un contact center o un archivio media. Gemini 3.5 Transcribe a 0,005 $ al minuto costa 300 $ ogni mille ore. Nemotron 3.5 Transcribe non ha un prezzo di listino perché non c’è nulla da listare: si compra la GPU. Una RTX PRO 6000 Blackwell che esegue il checkpoint NVFP4 è la configurazione dimostrata da NVIDIA, e la dichiarazione sul throughput — fino a 2.238 secondi di audio al secondo — arriva con una condizione che il post su Hugging Face enuncia e che i titoli tralasciano: è stata misurata su clip da 30 secondi con elevata concorrenza. Le riunioni lunghe con interlocutori che si sovrappongono non raggiungeranno quel valore.

Il punto di pareggio è quindi una questione di utilizzo, non di prezzo. Una singola scheda che costa all’incirca quanto alcuni mesi di trascrizione gestita si ripaga solo se la si tiene occupata, e non si ripaga mai rispetto a 300 $ al mese di chiamate API su una coda piccola. La tesi a favore del checkpoint non è che i minuti costino meno a basso volume. È che i minuti smettono del tutto di essere una voce di costo, l’audio non lascia mai la propria rete e il fine-tuning è un pomeriggio su una singola GPU — NVIDIA riporta da 0,5 a 2,3 GPU-ore per attività, e un adattamento per il parlato medico che ha ridotto il tasso di errore sulle parole dal 30,8% all’11,8% su 3.619 clip, con parlanti non visti che migliorano dal 22,44% al 12,17%.

La pagina di ricerca di NVIDIA è l'unico posto in cui le affermazioni su throughput e fine-tuning compaiono insieme, e vale la pena leggerla accanto ai numeri sopra: la cifra di 2,238 secondi al secondo presuppone il checkpoint NVFP4 e il modello draft DFlash2 su hardware Blackwell, mentre l'affermazione di fine-tuning da 0,5 a 2,3 ore GPU presuppone una singola GPU e un'attività abbastanza piccola da stare in una. Nessuna delle due è un titolo che puoi copiare in un piano di capacità senza quei qualificatori.

Qualunque sia la tua scelta, la trascrizione non è la fine della pipeline. Viene riassunta, classificata, sottoposta a ricerca e instradata, ed è in quella metà a valle che un singolo endpoint conta: OrcaRouter offre oltre 200 modelli di testo e multimodali dietro un'unica chiave, con i prezzi di listino dei provider passati senza ricarico (markup 0%), failover automatico e un DSL di routing che può inviare i verbali delle riunioni a un riassuntore e la revisione di conformità a un altro senza una seconda integrazione. Oggi né Gemini 3.5 Transcribe né Nemotron 3.5 Transcribe figurano in quel catalogo — la trascrizione vocale resta un contratto separato ovunque lo si acquisti — quindi il punto è più ristretto di quanto sembri: scegli il trascrittore in base alla trascrizione e lascia che il livello sopra di esso resti portabile.

Quale appartiene al tuo stack?

Scegli Gemini 3.5 Transcribe se il tuo problema è il testo: audio di interviste con disfluenze, parlato di call centre pieno di «no aspetta, volevo dire», un elenco di locale da verificare per nome e un endpoint gestito che puoi mettere dietro una chiave già questo pomeriggio. È il modello più accurato sulla classifica pubblica oggi, con un margine piccolo ma reale, corregge la trascrizione al volo e costa trenta centesimi all'ora, con un livello gratuito su cui fare test.

Scegli Nemotron 3.5 Transcribe se il tuo problema è la stanza. Più di tre interlocutori, parlato sovrapposto, tredici lingue per le etichette degli interlocutori, una temporizzazione delle parole che resiste a un file di un'ora e una policy audio che vieta di inviare la registrazione a terze parti: sono queste le condizioni in cui il checkpoint aperto non è un compromesso, ma l'unica opzione che soddisfa il requisito. È anche l'unico dei due che puoi mettere a punto, il che, per audio con accenti o specifico di un dominio, vale più di quattro decimi di punto.

Cosa cambierebbe questo verdetto: una nuova esecuzione indipendente della diarizzazione che collochi Gemini vicino al 18,26% DER di NVIDIA, oppure una nuova misurazione di AA che collochi Nemotron tra il 2,8% e il 3,4%. Finché una di queste non arriva, l'argomento sull'accuratezza è del fornitore, e l'argomento sulle funzionalità è quello che puoi verificare da solo in un pomeriggio con la tua registrazione peggiore.