Nemotron 3.5 Transcribe vs Muse Voice Transcribe: uno elabora la riunione, l'altro vi partecipa

Due registrazioni decidono questo confronto prima di qualsiasi benchmark. Una è una chiamata in corso, in cui la trascrizione deve tenere il passo della conversazione e un ritardo di due secondi rende lo strumento inutile. L'altra è un archivio di due ore delle chiamate dei clienti dello scorso trimestre, in cui non importa se le parole arrivano in 200 millisecondi o in venti minuti. NVIDIA Nemotron 3.5 Transcribe, rilasciato il 28 ottobre 2026 come checkpoint offline a pesi aperti, è pensato per la seconda registrazione. Meta Muse Voice Transcribe, distribuito da Meta Superintelligence Labs il 1 settembre 2026, è pensato per la prima. La maggior parte delle pagine di confronto mette i loro tassi di errore di parola in un'unica colonna e si ferma lì, che è esattamente il confronto che non si può fare.

L'orologio, non il tasso di errore delle parole

Il modello di Meta è un livello di percezione in streaming. Consuma audio in blocchi da 80 millisecondi, emette soft token e usa un meccanismo di «ritardo adattivo» addestrato con l'apprendimento per rinforzo per decidere, parola per parola, quanto contesto attendere prima di produrre il testo. Il materiale di lancio di Meta, secondo quanto riportato, stima in circa 0,16 secondi l'intervallo dalla fine del parlato al testo finale, e il modello viene servito tramite un WebSocket per l'audio in tempo reale o un endpoint HTTP per i file one-shot. Gestisce inoltre autonomamente l'endpointing e il rilevamento dell'attività vocale, quindi la pipeline attorno ad esso è leggera.

Il modello di NVIDIA ha la forma opposta. La scheda lo dice chiaramente: «Questo è un modello offline», e aggiunge che il chunking interno non lo rende un servizio di streaming. Gli si passa un file fino a un'ora e restituisce una trascrizione. Non c'è output parziale, nessuna ipotesi intermedia, nessun barge-in. NVIDIA vende un riconoscitore streaming separato da 0.6B per l'audio dal vivo; è un checkpoint diverso, non una modalità di questo.

Quindi i numeri principali sono misurati con strumenti diversi. Meta riporta un tasso di errore delle parole del 3,1% e il primo posto nella classifica di speech-to-text in streaming di Artificial Analysis. La scheda di NVIDIA riporta una media del 4,71% sui nove set pubblici English Open ASR, mentre la tabella non-streaming di Artificial Analysis mostra 3,4% per l'endpoint distribuito — e le sue FAQ indicano 2,8% per lo stesso modello. Si tratta di tre misurazioni diverse di due compiti diversi. Il 3,1% è un risultato in streaming; il 3,4% è un risultato in batch su una distribuzione audio diversa. Sottrarli produce un "vantaggio" di 0,3 punti che non significa nulla, e lo svantaggio del modello streaming su audio lungo, rumoroso e con accento è reale ma invisibile in quell'aritmetica.

Altoparlanti: venti e rotti contro otto

Il divario nella diarizzazione è l’unico punto in cui i numeri misurano all’incirca la stessa cosa, ed è ampio.

• Limite di parlanti — Meta pubblicizza più di 20 parlanti in una singola registrazione; NVIDIA addestra su mix fino a otto, e la sua model card non indica alcun massimo in fase di inferenza.

• Sovrapposizione — la pagina di Meta stessa precisa che la diarizzazione si applica al «parlato non sovrapposto». L’intero argomento architetturale di NVIDIA è il parlato sovrapposto: l’attività del parlante del diarizzatore congelato viene iniettata nell’encoder così che il modello possa attribuire le parole mentre le persone parlano in sovrapposizione. È la tesi alla base del suo cpWER medio di 15.80 sul set multi-parlante di NVIDIA.

• Copertura linguistica per le etichette: Meta supporta oltre 25 lingue; NVIDIA ne supporta 40 per la trascrizione, ma ne contrassegna 13 per l'output multi-relatore. Una riunione in turco viene trascritta e non riceve etichette.

• Formato dell'etichetta — Meta emette semplici lettere del parlante come "A"; NVIDIA emette tag in stile <spk:0> che corrispondono ai segmenti di diarizzazione.

Se il tuo caso d’uso è un panel, un’aula di tribunale o una chiamata di supporto con tre partecipanti che parlano sovrapponendosi, il limite massimo di otto parlanti è il vincolo che decide, non la colonna WER. Se il tuo caso d’uso è un all-hands con venti persone in cui le persone parlano per lo più a turno, il 20+ di Meta è il numero che conta e l’otto di NVIDIA è un limite invalicabile.

Lingue: 25 contro 40, e nessuno dei due numeri è quello che sembra

La pagina per sviluppatori di Meta stessa dice "oltre 25 lingue" e supporta il code-switching all'interno e tra le frasi, cosa che conta per le riunioni bilingui. La copertura del lancio riportava che il modello era stato addestrato su oltre 70 lingue, con 25 ampiamente validate — una distinzione utile, perché una lingua "addestrata" ma non validata è una lingua che dovresti testare prima di fidarti. La scheda di NVIDIA elenca 40 lingue con supporto ASR, 31 con traduzione bidirezionale da e verso l'inglese, e un componente separato di identificazione della lingua con 48 etichette.

• Se ti serve un'ampia copertura europea — le 25 lingue validate di Meta sono meno numerose delle 40 di NVIDIA, ma l'elenco di Meta propende per le lingue che i clienti aziendali registrano effettivamente.

• Se hai bisogno di traduzione — solo NVIDIA la esegue. Il modello di Meta trascrive; non traduce la trascrizione in un'altra lingua.

• Se hai bisogno del code-switching — Meta dichiara di supportarlo nativamente; la scheda di NVIDIA non riporta nulla di comparabile, e la sua comprensione audio è solo in inglese indipendentemente dalla lingua di trascrizione.

Ciò che la trascrizione contiene effettivamente

I timestamp sono il punto in cui una differenza che sembra economica diventa costosa. Meta fornisce timestamp a livello di turno — confini di segmento, non tempi per singola parola — e non espone affatto punteggi di confidenza. NVIDIA fornisce timestamp a livello di parola tramite un adattatore CTC, con l'avvertenza che i timestamp non sono disponibili quando è abilitata la bozza di decodifica speculativa DFlash2.

• Timestamp — Meta a livello di turno; NVIDIA a livello di parola, ma non insieme al suo percorso di decodifica più rapido.

• Confidenza — Meta non ne pubblica alcuna; nemmeno NVIDIA pubblica la confidenza per parola.

• Formato di input — Meta richiede PCM mono a 16 bit a 16 o 24 kHz e indica di convertire tutto il resto con ffmpeg; NVIDIA accetta mono a 16 kHz e gestisce direttamente il file.

• Prompting — entrambe le tecniche introducono un bias nell'output. Il keyword e il language biasing di Meta, secondo la sua documentazione, "danno solo una spinta al modello e non garantiscono l'ortografia". Il prompting contestuale di NVIDIA riporta un WER sulle entità nominate in calo dal 12,21% al 2,20% con un elenco di entità a grana fine — condotto dal fornitore, ma un'affermazione molto più forte, e che implica un meccanismo diverso da una spinta lieve.

• Stili di output — i cinque stili di NVIDIA (verbatim, in forma scritta, contestuale, con attribuzione del parlante, ricco) vengono selezionati tramite istruzione. Meta restituisce un solo formato e si aspetta che tu esegua la post-elaborazione.

Prezzo per ora audio

Meta addebita $3,00 per 1.000 minuti, ovvero $0,18 all'ora di audio, senza fasce di prezzo né quote gratuite pubblicate. La scheda ospitata di NVIDIA su Artificial Analysis costa $2,00 per 1.000 minuti — circa $0,12 all'ora — e i pesi sono scaricabili gratuitamente ai sensi di OpenMDW-1.1, quindi l'auto-hosting è una terza opzione che Meta non offre a nessun prezzo.

I conti sui volumi sono semplici e non favoriscono il prezzo più basso. Mille ore di audio al mese costano $180 tramite Meta e $120 tramite un endpoint Nemotron ospitato. In self-hosting, le stesse mille ore richiedono meno di un'ora di tempo GPU su una RTX PRO 6000 Blackwell, secondo il throughput NVFP4 dichiarato da NVIDIA — stimiamo $2 di calcolo a una tariffa di GPU a noleggio, più operatività, storage e l'ingegnere che se ne occupa. A 10.000 ore al mese, il divario tra $1.800 e qualche centinaio di dollari copre molti costi operativi; a 100 ore al mese non ne copre nessuno.

Ciò che il self-hosting in realtà garantisce non è il prezzo. È la possibilità di eseguire la trascrizione su audio che, per contratto, non può uscire dalla vostra rete, e la capacità di mantenere operativa la pipeline quando l'endpoint di un fornitore peggiora. Sono questi i motivi per cui i team soggetti a regolamentazione pagano per GPU che altrimenti potrebbero noleggiare.

Dove ognuno si rompe

Le modalità di errore di Meta sono strettamente legate alla latenza. La sua diarizzazione presuppone parlato non sovrapposto, quindi una chiamata di assistenza accesa con interruzioni etichetterà erroneamente i turni. La sua trascrizione non ha timestamp a livello di parola, il che compromette la generazione di sottotitoli, la ricerca audio e qualsiasi allineamento successivo al video. Il suo contratto di input è rigido e il suo biasing è solo indicativo. Non offre traduzione, né risposta a domande audio, né un'opzione self-hosted.

Le modalità di errore di NVIDIA sono strettamente legate al flusso di lavoro. Non può fare streaming, quindi non può servire didascalie dal vivo, agenti vocali o instradamento delle chiamate in tempo reale. La sua comprensione audio è solo in inglese. È limitata a un'ora per registrazione. La sua integrazione SGLang-Omni fornita omette l'output con attribuzione del parlante, i timestamp a livello di parola e la traduzione, quindi parte di ciò che la scheda promette richiede il percorso vLLM o il container NIM. E può occasionalmente non terminare, cosa contro cui la scheda raccomanda di adottare protezioni.

Nessuno dei due insiemi di fallimenti è un bug a vantaggio dell'altro modello. Sono le due forme del problema: un modello presente mentre l'audio si svolge, e un modello scrupoloso dopo che è terminato.

Se ti servono entrambi, la pipeline non è un compromesso

L'implementazione reale più comune non è affatto una scelta. L'audio in diretta passa attraverso l'endpoint di streaming di Meta, perché è l'unico modo per ottenere testo mentre la chiamata è in corso: sottotitoli, agent assist, ricerca live. La stessa registrazione viene poi ritrascritta offline durante la notte dal checkpoint di NVIDIA, perché il passaggio batch produce un testo più pulito, timestamp delle parole attribuiti al parlante e, quando necessario, una traduzione in inglese di una chiamata non in inglese. La trascrizione in streaming serve per il momento; quella batch serve per la documentazione. I team che cercano di forzare un unico modello in entrambi i ruoli di solito finiscono con una visualizzazione live in ritardo o con una costosa bolletta di streaming per audio che nessuno sta ascoltando.

La metà a valle di quella pipeline — riassumere le chiamate, valutare le prestazioni degli agenti, anonimizzare i dati personali, instradare le conversazioni segnalate a una persona — è un normale lavoro di testo e non appartiene alla stessa GPU dell'ASR. OrcaRouter esegue quelle chiamate di testo dietro un'unica chiave con 0% di ricarico, applicando invariato il prezzo di listino del provider, con failover automatico quando un provider vacilla e un DSL di routing che può inviare riassunto e classificazione a modelli diversi all'interno di un singolo workflow. Né Meta Muse Voice Transcribe né NVIDIA Nemotron 3.5 Transcribe sono nel catalogo di OrcaRouter; il router si trova dopo la trascrizione, dove risiede il carico di lavoro testuale.

Tre domande risolvono la questione più in fretta di qualsiasi classifica. Quanto tempo dopo l'arrivo dell'audio il testo deve esistere? Se la risposta è "durante la chiamata", la decisione è di Meta e la discussione sul WER è decorativa. Quante persone parlano contemporaneamente, e si sovrappongono? Se la risposta è "più di otto, e sì", quello è il terreno di NVIDIA. E l'audio può lasciare la tua rete? Se la risposta è no, solo uno di questi due modelli può essere implementato.

Tutto il resto — il 3,1%, il 4,71%, lo 0,18 $ — è uno spareggio tra due prodotti progettati per momenti diversi della stessa riunione.