Nemotron 3.5 Transcribe vs GPT Transcribe: 0,1 punti di distanza, uno ti consegna il checkpoint

Chiedi GPT Transcribe i timestamp a livello di parola e l'API non te li fornirà. Non male, non in modo approssimativo — il modello non ha un head per la temporizzazione, la documentazione di OpenAI ti rimanda a whisper-1 per quel compito, e lo stesso vale per le etichette dei parlanti, che risiedono in un modello di diarizzazione separato. Ora chiedi a Nemotron 3.5 Transcribe, che NVIDIA ha rilasciato come pesi aperti il 28 ottobre 2026, e si ottengono entrambe con un'unica passata: timing delle parole attribuito ai parlanti da un adattatore CTC che allinea la trascrizione finita all'audio dopo la decodifica. I due modelli sono a meno di un decimo di punto l'uno dall'altro nella classifica pubblica dell'accuratezza. Per le cose che fai con una trascrizione, non sono nella stessa categoria di prodotto.

Questa è l'intera decisione, e vale la pena esaminarla con calma, perché la copertura del lancio ha in gran parte ridotto questo confronto a una gara al WER che nessuna delle due parti vince davvero con un margine significativo.

Il divario di accuratezza è rumore; quello di funzionalità non lo è.

Nell'indice non-streaming di Artificial Analysis, GPT Transcribe — il modello di trascrizione batch di OpenAI, rilasciato il 28 luglio 2026 insieme a un modello gemello per lo streaming live — è indicato al 3,3%, a pari merito al diciottesimo posto con un piccolo concorrente. Nemotron 3.5 Transcribe è indicato al 3,4%, a pari merito al ventesimo posto. Un decimo di punto, su un indice le cui voci per lo stesso modello possono differire di quasi un punto intero a seconda dell'endpoint che le ha servite. Nessuno dovrebbe scegliere tra due sistemi vocali su questa base.

Il materiale di lancio di NVIDIA, nel frattempo, riporta un AA-WER del 2,8% e un pari merito per il primo posto tra i modelli open-weight. La rilevazione della classifica live del 29 ottobre indica il 3,4%. Considera il 2,8% come un dato di submission e il 3,4% come la misurazione attuale; la differenza è maggiore del divario tra Nemotron e GPT Transcribe, il che dice quanto peso meriti un singolo scarto in classifica.

• Parametri — circa 30B totali e circa 4B attivi per token in un MoE ibrido Mamba–Transformer, rispetto a un modello non divulgato e non generativo.

• Licenza — OpenMDW-1.1, uso commerciale, pesi scaricabili vs solo API.

• Prezzo — nessuna tariffa di listino; tempo GPU, con una build NVFP4 dichiarata in grado di generare fino a 2.238 secondi di audio al secondo su una singola RTX PRO 6000 Blackwell, contro 0,0045 $ al minuto, circa 0,27 $ per ora di audio.

• Etichette dei parlanti — fino a 8 parlanti in 13 lingue, integrate vs nessuna; è necessario un modello di diarizzazione separato.

• Temporizzazione delle parole — allineamento CTC post-decodifica, con attribuzione del parlante vs non offerta; whisper-1 è l'alternativa documentata.

• Lingue — 40 trascritte, 31 tradotte da o verso l'inglese rispetto a multilingue con rilevamento automatico e indicatori della lingua, nessun conteggio pubblicato.

• Lunghezza dell'audio — 1 ora in un'unica passata rispetto a un approccio basato su file con suddivisione in blocchi gestita dall'API.

• Post-elaborazione — forma verbatim o scritta controllata dal prompt vs contesto in forma libera e suggerimenti di parole chiave, nessuna fase di pulizia.

Cosa fa meglio GPT Transcribe rispetto al checkpoint aperto

Tre cose, e non sono banali. La prima è che si tratta di un'API. Non c'è alcun checkpoint da 30B parametri da dimensionare, nessuna build NVFP4 da attendere, nessuna ricetta vLLM da fissare. OpenAI dichiara un'elaborazione di circa 34× il tempo reale, che è più lenta del throughput dichiarato da NVIDIA su una scheda Blackwell ed è irrilevante per la maggior parte dei team, perché 34× il tempo reale è già più veloce di qualsiasi coda essi utilizzino.

Il secondo è la gestione del contesto. GPT Transcribe accetta contesto in forma libera, suggerimenti su parole chiave e vocabolario e più suggerimenti di lingua, e restituisce un array di lingue rilevate insieme alla trascrizione. Questa combinazione è davvero utile su audio con commutazione di codice e su gergo di dominio, ed è un'interfaccia di prompting anziché un fine-tuning, il che significa che un team di prodotto può ottimizzarla senza possedere una GPU. L'equivalente di NVIDIA, un elenco di entità attese fornito nel prompt, è accreditato di una riduzione di sei volte degli errori sulle entità nominate in ContextASR-Bench, ma tale cifra è dichiarata dal fornitore e non replicata.

Il terzo è la superficie di integrazione: lo stesso endpoint serve la trascrizione di file, le trascrizioni di file in streaming, i turni realtime confermati via WebSocket, l'API Responses e Batch. Un team già sulla piattaforma OpenAI ottiene la trascrizione come parametro, non come deployment.

Le affermazioni pubblicate da OpenAI sulla qualità sono ampie e difficili da verificare: un tasso di errore di parole del 19,27% su un set Common Voice in 22 lingue rispetto al 40,37% di Whisper, e dell'8,98% su un benchmark reale in nove lingue rispetto al 15,21%. Sono dati del fornitore riferiti a una baseline 2024, non a un concorrente del 2026. Il quadro indipendente è più favorevole a GPT Transcribe di quanto suggerisca la classifica AA: sul set inglese rivisto manualmente di Perit si attesta a 1,76% WER, al sesto posto su 22, con il 61,3% delle clip trascritte perfettamente. Si tratta di un set di test diverso da quello di Artificial Analysis, e i numeri non sono confrontabili tra le due classifiche — ma la direzione è coerente, e colloca il modello di OpenAI davanti all'endpoint Parakeet ospitato sullo stesso set.

Dove le funzionalità mancanti pesano davvero

Se il tuo output è testo semplice per un indice di ricerca, le lacune di GPT Transcribe non ti costano nulla. Nel momento in cui ti serve di più, il lavoro si moltiplica. La sincronizzazione delle parole richiede una seconda passata attraverso whisper-1 o un allineatore forzato, che reintroduce esattamente la modalità di errore che l'allineamento esiste per correggere: una trascrizione con confini spostati che si legge bene ma rompe i sottotitoli. Le etichette degli speaker richiedono un terzo modello, unito ai confini dei segmenti, con il proprio tasso d'errore da diagnosticare. E nessuna di quelle seconde passate è a conoscenza dell'altra, quindi una chiamata a due speaker diventa tre modelli e un passaggio di fusione.

La cascata non è una critica all'ingegneria di OpenAI. È ciò che il prodotto è: un trascrittore ad alta precisione con un output deliberatamente ristretto. Microsoft e Google forniscono entrambe la stessa suddivisione — la diarizzazione come SKU separato o come modalità separata con i propri limiti. La scommessa di NVIDIA è l'opposto, e il modo onesto per dirlo è che Nemotron 3.5 Transcribe costa più potenza di calcolo per evitare una pipeline.

Ciò che si ottiene con quella potenza di calcolo è documentato ma riportato dal fornitore: 18,26% di tasso di errore di diarizzazione su 21 lingue nel benchmark David AI, il migliore tra 14 sistemi; 32,4% di WER concatenato con permutazione minima su VoiceArena, anche in questo caso il migliore tra 14; 8,32% di parole di riferimento perse su parlato inglese sovrapposto rispetto a una mediana vicina al 31%. Non esiste alcun valore OpenAI di diarizzazione da contrapporre a questi, perché OpenAI non ne pubblica uno per questo modello.

Due modi per smettere di pagare al minuto

GPT Transcribe costa 0,0045 $ al minuto, ovvero 4,50 $ ogni mille minuti e circa 270 $ ogni mille ore di audio. Nemotron 3.5 Transcribe non costa nulla al minuto e richiede invece una GPU. La configurazione dimostrativa di NVIDIA è una singola RTX PRO 6000 Blackwell che esegue il checkpoint NVFP4 con un modello draft DFlash2, e il dato di throughput in evidenza — 100 ore di audio in meno di tre minuti — è stato misurato su clip da 30 secondi ad alta concorrenza, non su riunioni di un'ora. Va letto come un tetto massimo per lavoro ben suddiviso in batch.

Ciò lascia un punto di incrocio determinato dall'utilizzo anziché dal prezzo di listino. Una scheda che possiedi già e che tieni occupata supera comodamente i 270 dollari per mille ore. Una scheda che dovresti acquistare per una coda di quaranta ore al mese non lo fa, e nessuna quantità di efficienza parametrica cambia quel calcolo.

Esiste una terza opzione che l'impostazione a due vie nasconde, ed è quella che la maggior parte dei team adotta effettivamente: mantenere l'API gestita per il grosso del lavoro e indirizzare i file difficili — le riunioni a sei persone, le interviste cliniche con accenti marcati, l'audio che non è consentito caricare — verso un checkpoint self-hosted. Funziona solo se i due output assumono la stessa forma, ed è l'argomento a favore dello standardizzare uno schema di trascrizione con campi per l'interlocutore e la temporizzazione anche quando il fornitore attuale non li popola. Standardizza prima lo schema; il modello diventa intercambiabile in seguito.

Sullo strato sopra la trascrizione, il compito di OrcaRouter è evitare che quella sostituibilità si fermi al confine del modello. Il servizio di riepilogo, il classificatore e il verificatore di conformità che leggono queste trascrizioni possono tutti stare dietro un'unica chiave per oltre 200 modelli, con i prezzi di listino dei provider applicati a un ricarico dello 0%, failover automatico quando un upstream inciampa, e un DSL di routing che instrada ogni carico di lavoro verso un modello diverso senza una seconda integrazione. GPT Transcribe e Nemotron 3.5 Transcribe sono entrambi fuori da quel catalogo — non serviamo nessuno dei due — quindi la chiamata vocale resta dove la acquisti, e solo la parte a valle diventa portabile.

La versione breve, a seconda della situazione

Se vuoi una trascrizione e nient'altro, e la vuoi la settimana prossima senza predisporre nulla, GPT Transcribe è la scelta a minor rischio: sesto posto nel set indipendente Perit, una superficie di integrazione che probabilmente hai già, e un prezzo che non richiede un acquisto di capitale. Se le tue trascrizioni alimentano sottotitoli, analisi delle riunioni, ricerca con attribuzione del parlante o un archivio di conformità, i modelli aggiuntivi che collegheresti a GPT Transcribe costano più in tempo di ingegneria di quanto il checkpoint costi in ore GPU, e Nemotron 3.5 Transcribe fa quel lavoro in un'unica passata.

L'avvertenza che vale per entrambi: questo è un modello che ha un giorno di vita, i suoi benchmark principali sono quelli del fornitore stesso, e le classifiche indipendenti non hanno ancora valutato affatto il checkpoint da 30 miliardi di parametri. Non confonderlo con nvidia/nemotron-3.5-asr-streaming-0.6b, il modello streaming da 600M di giugno che invece compare sulle classifiche indipendenti e va considerevolmente peggio (3,35% WER, posizione 21 su 22 su Perit). Condividono un nome di famiglia e nulla più.