Nemotron 3.5 Transcribe vs MAI Transcribe 2: un'ora da 100 dollari contro una GPU di tua proprietà

Mille ore di audio costano a Microsoft cento dollari. Questo è l'intero argomento di prezzo per MAI Transcribe 2, che è in anteprima pubblica dal 3 settembre 2026 a 0,10 $ per ora di audio — circa 1,67 $ per mille minuti, una tariffa che batte ogni concorrente gestito che cita e circa un terzo di quanto addebita OpenAI per lo stesso lavoro. Nemotron 3.5 Transcribe, il checkpoint open di NVIDIA del 28 ottobre 2026, non ha alcun prezzo al minuto, perché l'unico modo per acquistarlo è acquistare l'hardware su cui gira. A mille ore al mese, la bolletta di Microsoft è un errore di arrotondamento su un budget dipartimentale e quella di NVIDIA è un acquisto in conto capitale.

Poi arriva la parte imbarazzante. Nella classifica pubblica dell'accuratezza, MAI Transcribe 2 è secondo al mondo con un AA-WER del 2,0%. Nemotron 3.5 Transcribe è ventesimo con il 3,4%. Il modello più economico è anche quello più accurato, con un margine superiore all'intero divario tra il nono e il ventesimo posto. Se questo confronto riguardasse solo parole e denaro, si esaurirebbe in un paragrafo. Non è così, perché Microsoft non pubblica alcun dato sulla qualità della diarizzazione e NVIDIA ne pubblica diversi — e quella colonna vuota è il motivo per cui qualcuno sceglierebbe comunque l'opzione costosa.

Quello che il consiglio dice, e quello che non può dire

Artificial Analysis valuta entrambi i modelli sullo stesso mix di tre dataset, quindi il 2,0% contro il 3,4% è almeno un confronto omogeneo dello stesso indice, misurato dallo stesso operatore. È più raro di quanto dovrebbe essere in questa categoria, e merita di essere preso sul serio. MAI Transcribe 2 è dietro solo a un sistema di anteprima in tempo reale in cima alla classifica; Nemotron 3.5 Transcribe è a pari merito con tre sistemi, uno dei quali è una variante Gemini Flash-Lite in modalità di ragionamento minimo.

Il materiale di lancio di NVIDIA riporta un AA-WER del 2,8%, che, se confermato, lascerebbe comunque un intero otto decimi dietro Microsoft. La classifica in tempo reale riporta il 3,4%. In ogni caso l'ordine non cambia, quindi, a differenza degli altri confronti di questa serie, la discrepanza tra lancio e classifica non decide nulla qui. Microsoft è semplicemente avanti sulla metrica sulla quale entrambe le aziende concordano di essere misurate.

Cosa si può davvero comprare con $0.10 all'ora

MAI Transcribe 2 è un modello di trascrizione batch pensato per audio di lunga durata: riunioni, chiamate, archivi multimediali, registrazioni dei centri di contatto. Copre 60 lingue con identificazione automatica della lingua, include la diarizzazione dei parlanti, restituisce timestamp a livello di parola, supporta il keyword biasing per nomi e termini di dominio e offre due stili di output: verbatim, che mantiene riempitivi e falsi inizi, e clean, che li rimuove. Microsoft riporta una velocità di elaborazione di circa 411× il tempo reale nella classifica di velocità di Artificial Analysis, al secondo posto assoluto, e il suo post di lancio la presenta come dieci volte più veloce di GPT Transcribe e cinque volte più veloce di Gemini 3.5 Transcribe.

L'elenco delle funzionalità è, sulla carta, un sovrainsieme di ciò di cui ha bisogno la maggior parte dei team e una quasi corrispondenza con quello di NVIDIA. Entrambi fanno diarizzazione, entrambi fanno timing delle parole, entrambi fanno keyword biasing, entrambi producono output verbatim e pulito, entrambi si fermano a circa un'ora di audio, entrambi sono solo in batch nello SKU confrontato. Le differenze sono ai margini: 60 lingue contro 40, otto parlanti contro un numero non specificato, e un prezzo che è tre ordini di grandezza più facile da spiegare a un team finanziario.

• Prezzo: 0,10 $ per ora audio, per tempo limitato fino alla fine del 2026, rispetto all'assenza di una tariffa di listino; il costo è il tempo dell'acceleratore.

• Accuratezza — 2,0% AA-WER, 2º posto rispetto a 3,4%, 20º posto (3,4% sulla classifica live; il documento di NVIDIA dichiara 2,8%).

• Produttività — circa 411× il tempo reale rispetto a fino a 2.238 secondi di audio al secondo su una singola RTX PRO 6000 Blackwell con NVFP4 e un modello draft, misurato su clip da 30 secondi ad alta concorrenza.

• Lingue — 60 con identificazione automatica vs 40 trascritte, 31 tradotte.

• Licenza — proprietaria, solo API vs OpenMDW-1.1 con pesi scaricabili.

• Interlocutori — diarizzazione inclusa, nessun DER pubblicato rispetto a fino a 8, con attribuzione, in 13 lingue, 18,26% DER su 21 lingue sul benchmark David AI.

• Fine-tuning — nessuna opzione offerta rispetto all'adattamento su singola GPU a 0,5–2,3 ore GPU per attività.

• Località dei dati — l'audio lascia la tua rete rispetto all'opzione self-hosted, incluso l'offline.

La colonna che Microsoft lascia vuota

Microsoft include la diarizzazione e non pubblica alcun tasso di errore di diarizzazione. Non uno debole — nessuno. NVIDIA pubblica quattro risultati di diarizzazione separati: 18,26% DER su 21 lingue nel benchmark David AI, il più basso tra 14 sistemi; 32,4% di WER concatenato a minima permutazione su Diarization-Bench di VoiceArena, il migliore tra 14; 8,32% di parole di riferimento perse su parlato inglese sovrapposto rispetto a una mediana vicina al 31%; e attribuzione degli speaker in 13 lingue contro il conteggio non specificato di Microsoft.

Tutti questi dati sono dichiarati dal fornitore su un ambiente di test del fornitore, e la lettura onesta è che si tratta di un'affermazione sulla capacità più che di una prova della qualità. Ma l'asimmetria è informativa. Un'azienda che ha un numero sulla diarizzazione lo pubblica, perché la diarizzazione è la parte più difficile da ottenere correttamente in una trascrizione e quella di cui i clienti si lamentano. Un'azienda che include la diarizzazione senza fornire un numero ti sta dicendo che non la considera il punto di forza. Ciò può significare che la funzione è adeguata e niente di speciale. Oppure che è debole. Nulla nel materiale di lancio di Microsoft distingue i due casi, e nessun organismo indipendente misura ancora il tasso di errore di diarizzazione a questo livello di granularità.

Per una chiamata commerciale a due persone, questo non conta — entrambi i modelli etichetteranno correttamente due voci. Per una riunione del consiglio di amministrazione a sei persone con conversazioni sovrapposte, la differenza tra un DER del 18% e un numero sconosciuto è la differenza tra un verbale utilizzabile minuto per minuto e un documento di cui nessuno si fida. È quel carico di lavoro in cui il prezzo dell'open checkpoint smette di sembrare assurdo.

Perché qualcuno compra quello costoso

Quattro ragioni, in ordine decrescente di quanto spesso compaiono effettivamente nelle decisioni di acquisto.

Il primo è la localizzazione dei dati. MAI Transcribe 2 è un'API. L'audio esce dalla tua rete, finisce nel tenant di un fornitore ed è disciplinato dai termini di conservazione di quel fornitore. Nemotron 3.5 Transcribe gira su hardware che controlli, anche completamente offline, il che per registrazioni cliniche, procedimenti legali, indagini HR e qualsiasi cosa soggetta a un regime di residenza dei dati non è una preferenza ma un requisito. Nessun prezzo orario può competere con un vincolo di conformità.

Il secondo è la permanenza. La tariffa di $0.10 di Microsoft è esplicitamente un'offerta a tempo limitato valida fino alla fine del 2026, e nessun prezzo standard è stato reso noto in alcun punto del materiale di lancio. Un team che costruisce un prodotto su quel numero si basa su una tariffa promozionale con una scadenza sconosciuta. I pesi aperti non hanno questo tipo di problema: il checkpoint che hai scaricato continua a funzionare al costo dell'elettricità, qualunque cosa faccia il fornitore in seguito.

Il terzo è l'adattamento. NVIDIA riporta fine-tuning su una singola GPU a 0,5-2,3 ore GPU per attività, e un caso di studio sul parlato medico in cui l'adattamento ha portato il tasso di errore sulle parole dal 30,8% all'11,8% su 3.619 clip, con i parlanti esclusi che sono migliorati dal 22,44% al 12,17%. Microsoft non offre alcun percorso di fine-tuning. Per audio con accento, rumoroso o denso di gergo — esattamente l'audio in cui una media del 2,0% diventa una realtà del 25% — la capacità di adattarsi vale più di due punti di posizione in classifica. Il set inglese revisionato da revisori umani di Perit racconta la stessa storia dal verso opposto: colloca MAI Transcribe 2 e GPT Transcribe a un centesimo di punto di distanza l'uno dall'altro, all'1,76%, il che ricorda che queste classifiche sono molto ravvicinate sull'audio pulito e si allargano su tutto il resto.

Il quarto punto è che MAI Transcribe 2 è in anteprima pubblica. Anteprima significa nessun impegno sull'uptime, nessun periodo di preavviso per la deprecazione e un set di funzionalità che può cambiare sotto i tuoi piedi. Nemotron 3.5 Transcribe ha un giorno di vita e ha il suo problema di maturità — il suo tooling GGUF è ancora descritto come in arrivo e le sue build locali quantizzate non sono ancora distribuite — ma un checkpoint non può essere tolto dall'anteprima.

La copertura che non costa nulla

La maggior parte dei team non ha bisogno di scegliere. Esegui l'API economica sul grosso della coda e instrada verso il checkpoint i file che non possono uscire dall'edificio, o le riunioni in cui l'attribuzione dei parlanti deve essere accurata. Questo ibrido è più economico di entrambe le strategie pure e fallisce in modo controllato: se la tariffa promozionale di Microsoft scade a un prezzo poco attraente, il percorso self-hosted è già predisposto; se la promessa di diarizzazione del modello open non regge al tuo audio, l'API è già integrata.

Ciò che rende quella copertura efficace in pratica è mantenere separabili le due metà della pipeline. Il riconoscimento vocale è un contratto; il riassuntore, il classificatore e il router che utilizzano le trascrizioni sono un altro. OrcaRouter copre la seconda metà con oltre 200 modelli testuali e multimodali dietro un'unica chiave, prezzi di listino dei fornitori applicati con 0% di ricarico — così un taglio di prezzo del fornitore arriva sulla tua fattura lo stesso giorno anziché al rinnovo contrattuale successivo — più failover automatico e un DSL di routing che può indirizzare diverse classi di trascrizione verso modelli diversi. Né MAI Transcribe 2 né Nemotron 3.5 Transcribe si trovano su quel catalogo, e non forniamo affatto servizi di riconoscimento vocale, quindi il contratto di trascrizione resta dove l'hai firmato. Il punto è solo che il modello a valle non dovrebbe essere saldato allo stesso fornitore.

Il verdetto, per volume

Al di sotto di circa qualche centinaio di ore audio al mese, senza vincoli di residenza dei dati e senza requisiti di attribuzione del parlante oltre alle chiamate a due interlocutori, MAI Transcribe 2 è l'acquisto migliore su ogni asse che compare in un foglio di calcolo: più economico, più accurato sull'indice condiviso, più veloce e disponibile oggi senza provisioning. Il prezzo promozionale è un rischio reale e vale la pena modellarlo a due o tre volte la tariffa attuale, ma non cancella un divario di tre ordini di grandezza.

Oltre quel volume, oppure con uno qualsiasi dei quattro vincoli sopra indicati, l’aritmetica si inverte — non perché il modello aperto costi meno all’ora, ma perché le ore smettono del tutto di essere acquistabili. Il caso di Nemotron 3.5 Transcribe si fonda su parlanti, lingue, località, adattamento e permanenza, all’incirca in quest’ordine. Il suo argomento sull’accuratezza si basa su un’affermazione del fornitore che la classifica pubblica attualmente non supporta, e chiunque ripeta "primo tra i pesi aperti" come se questo risolvesse il confronto cita una slide anziché una misurazione.