Nemotron 3.5 Transcribe 対 Gemini 3.5 Transcribe：スライドでは2.8%、ボードでは3.4%

GoogleのGemini 3.5 Transcribeは、Artificial Analysisの非ストリーミング音声ボードでエラー率2.6%の9位に位置する。NVIDIAのNemotron 3.5 Transcribeは、2026年10月28日にオープンウェイトとして公開され、エラー率3.4%で20位に位置する。両者を評価する唯一の公開指標では、両者を分けるのはわずか0.4ポイントで、その0.4はこの比較で最も役に立たない事実に近い。両者は同じ用途向けに作られたわけではない。一方は、目にする前に文字起こしを整えるマネージドエンドポイントで、もう一方は、8人の話者が互いに声を重ねている間も、その8人を聞き分け続ける、ダウンロードして使うチェックポイントだ。このランキングは、それぞれが実際に設計された目的に関して、どちらかを良く見せるものではない。

冒頭で1つの食い違いを指摘しておく価値がある。なぜなら、今週このモデルについて書かれたあらゆる記事でそれが繰り返し出てくるからだ。NVIDIAの発表資料では2.8%のAA-WERと、オープンウェイト系システムの中で首位タイと報告されている。10月29日に読んだライブボードでは、順位20位で3.4%だ。どちらの数値も同じ指標に由来しているが、同じ実行の測定値ではない。これがこの組み合わせにおける最初の実践的な教訓であり、以下の精度セクションが今の形で書かれている理由である。

NVIDIAが投入したものと、Googleが8月から稼働させているもの

Nemotron 3.5 Transcribeはトランスデューサーでも、単なるエンコーダーでもありません。これは音声拡張型言語モデルです。音声エンコーダーが凍結済みのNemotron 3 Diarizationモデルに供給し、その話者アクティビティ信号が、NVIDIAがParallel Expert Encoderと呼ぶ仕組みを通じてASRエンコーダーに注入されます。デコーダーは、総パラメータ約300億のうちトークン当たり約40億が有効な、Mamba–TransformerハイブリッドのMixture-of-Experts LLMです。同社の自社資料では、言語モデル部分に30B-A3Bと30B-A4Bの両方の表記が使われており、Hugging Faceのサイドバーでは音声スタックを含めて34Bと記載されているため、単一のパラメータ数は概算と見なしてください。重みはOpenMDW-1.1の下で無償提供されており、商用利用が認められています。

Gemini 3.5 Transcribe は2026年8月26日から一般提供されており、音声入力トークン100万あたり2.00ドル、テキスト出力トークン100万あたり12.00ドルです。Googleによる換算では約1分あたり0.005ドル、音声1時間あたり約0.30ドルになります。クォータ内の無料枠があり、別途ライブストリーミングSKUが約1分あたり0.009ドルで、モデルの重みは一切ありません。

ローンチパケットと翌朝の間で変動した数値

Artificial AnalysisのAA-WERは3つのデータセット（AgentTalk 50%、VoxPopuli-Cleaned 25%、Earnings22-Cleaned 25%）に基づいており、指標はドメイン別ではなく単一の混合スコアです。これが重要なのは、AgentTalkが音声エージェントの発話であり、短くクリーンで、ベンダーが音声エージェントを販売している場合はそのベンダーの学習データの混合に大きく含まれるからです。混合スコアで勝つモデルでも、あなたのアーカイブでは負ける可能性があります。

現時点のボードを見ると、ランキング順は次のとおりです。MAI Transcribe 2が2.0%、Voxtral Small Transcribe 3が2.1%、Gemini 3.5 Transcribeが2.6%、GPT Transcribeが3.3%、Nemotron 3.5 Transcribeが3.4%。NVIDIAの2.8%という主張が維持されていれば、新モデルはGemini 3.1 Pro PreviewおよびVoxtral Smallと同水準に位置し、OpenAIのバッチモデルを余裕で上回っていたはずです。3.4%では、それらすべてより後れ、相手として想定していなかったGemini Flash-Lite亜種を含む3システムと同率です。0.6ポイントの修正は、トップ10全体が1.7%から2.9%に収まる指数における丸め誤差ではありません。

誠実に読むなら、NVIDIAが嘘をついたわけではない。AAは、モデルが新しいエンドポイントで提供される場合や、更新された入力で再実行される場合に再測定しており、発表時の数値はほぼ確実に、リーダーボードのデフォルトホストではなくNVIDIA自身の提出値を反映している。しかし、これはまさに調達上の誤りにつながる種類のギャップだ。「オープンウェイトの中で首位」を前提に予算を立て、その後で3.4%を測定したチームは、スライド上のモデルを買ってしまったのだ。

Googleが販売しているのにNVIDIAが販売していないもの

WER以上に文字起こしの受注を左右するのは、認識後の単語に何が起こるかという点であり、Gemini 3.5 Transcribeはそれを中心に設計されている。デフォルトの逐語モードでは、コンプライアンス業務向けにフィラー、言いさし、繰り返しを保持する。スマートモードでは、非流暢性を除去し、自己修正を解決し、話された数字と通貨を1回のパスで正規化する。カスタム語彙は最大1,000語の用語に向けて認識をバイアスし、Googleは適切に選ばれた約100語を推奨している。どちらもNemotron 3.5 Transcribeには存在しない。同製品はエンティティリストへ*プロンプト*で誘導でき、逐語形式または書面形式の出力を指示できるが、数値の書式設定と自己修正の修復は、次にトランスクリプトを読むものに委ねている。

Google は名前付きロケールの広さでも勝っています。85 以上で、自動検出と文内コードスイッチングに対応し、NVIDIA は文字起こしで 40、翻訳で 31 です。勝ち数は名前付きロケールで数えています。キューに Google のリストにあり NVIDIA のリストにはない言語が含まれていれば、議論すべきベンチマークはありません。

Googleが売らないものをNVIDIAは売っている

話者帰属は逆のケースであり、マーケティングが示唆するよりも際立っている。Gemini 3.5 Transcribeは最大8話者を扱えると明記しているが、Google自身の資料では3話者以上への帰属を実験的機能として注意喚起しており、同社ブログも「最大3話者」に寄っている。Nemotron 3.5 Transcribeは最大8話者へのラベル付けに対応し、それを13言語で行い、完成した文字起こしを音声に整列させるデコード後CTCアダプターを通じて、話者帰属付きの単語レベルタイムスタンプを返す。

• パラメータ — 合計30B（アクティブ約4B）、ハイブリッドMamba–Transformer MoE 対 非公開の独自音声スタック。

• ライセンス — OpenMDW-1.1、商用利用可能、重みはダウンロード可能、APIのみの場合は再配布権なし。

• 価格 — 公開されているリスト料金はなく、コストはGPU時間です。1台のRTX PRO 6000 Blackwell上のNVFP4ビルドは、ブレンド料金で毎分0.005ドルに対して、1秒あたり最大2,238秒分の音声を処理できるとされています。

• 言語 — 文字起こし対応40、英語との相互翻訳31、話者ラベル付き13 対 コードスイッチング対応85以上のロケール

• スピーカー — 8（文書化・ベンチマーク済み）対 8（文書化済み）、3以上が実験的としてフラグ付け

• 音声の長さ — 1回の処理で1時間、話者分離またはタイムスタンプが要求される場合は30分に短縮。

• ストリーミング — なし。録音音声のみ、別途ライブSKUは1分あたり約$0.009。

• 後処理 — プロンプトで制御される逐語形式または文章形式。フィラーを除去して自己修正を修復するスマートモードとは異なり、組み込みのクリーンアップはなし。

ダイアライゼーションの数値は片側だけが公表している

ここで比較は互角ではなくなり、一方的になり始める。また、根拠となる情報源も薄くなる。NVIDIAはDavid AIベンチマークで、21言語にわたる話者分離誤り率18.26%を報告している。これは評価した14システムの中で最低で、次点は同社自身のNemotron 3 Diarizationモデルの18.38%、その他はすべて22.85%から37.55%の間である。VoiceArenaのDiarization-Benchでは、連結min-permutation WERが32.4%で14システム中最高、2位は34.2%だと報告している。英語の重複発話セッションでは、参照単語の8.32%を脱落させると報告しており、これは中央値約31%と対比される。

GoogleはGemini 3.5 Transcribeについて、話者ダイアライゼーション誤り率を一切公表していません。悪い数値ではなく、数値そのものが存在しないのです。この非対称性は双方に問題を投げかけるため、率直に述べておくべきです。NVIDIAの数値はNVIDIA自身のハーネス上でベンダーが報告したものであり、それを照合できる第三者の数値はありません。なぜなら、存在する独立系のダイアライゼーション評価ボードは、主にNVIDIA自身が登録したシステムによって埋められているからです。疑いようがないのは、文書化された上限です。Geminiは話者8人までに制限され、3人を超える話者の帰属は実験的であり、話者ラベルと単語タイミングを同時に要求した瞬間、最大音声長が1時間から30分に短縮されます。もし対象の素材が6人による取締役会会議であれば、それは品質の問題ではなく製品の制約であり、WERの比較では明らかになりません。

1時間の音声がそれぞれ実際にいくらかかるか

月1,000時間で稼働させることを想定しましょう。これはコンタクトセンターやメディアアーカイブにとって現実的な負荷です。Gemini 3.5 Transcribeは1分あたり0.005ドルで、1,000時間あたり300ドルになります。Nemotron 3.5 Transcribeには定価がありません。掲載すべき価格がないからです。購入するのはGPUです。NVIDIAが実演する構成は、NVFP4チェックポイントを実行するRTX PRO 6000 Blackwell 1台であり、スループットの主張——1秒あたり最大2,238秒の音声——には、Hugging Faceの投稿には書かれているものの見出しでは省かれている条件があります。それは、高い同時実行数で30秒のクリップを使って測定されたというものです。発話が重なる長い会議では、その数値には達しません。

したがって、分岐点は価格の問題ではなく稼働率の問題です。マネージド文字起こしの数か月分とほぼ同じコストのカード1枚は、使い続けて初めて元が取れます。小規模なキューで月300ドルのAPI呼び出しと比べれば、決して元は取れません。チェックポイントの意義は、低ボリューム時に1分あたりのコストが安くなることではありません。分単位の課金が明細項目から完全に消えること、音声がネットワークの外に出ないこと、そしてファインチューニングが単一GPUで午後のうちに済むことです。NVIDIAはタスクあたり0.5～2.3 GPU時間を報告しており、医療音声の適応では3,619クリップで単語誤り率が30.8%から11.8%に下がり、ホールドアウト話者では22.44%から12.17%へ改善しました。

NVIDIAの研究ページは、スループットとファインチューニングに関する主張が同時に掲載されている唯一の場所であり、上記の数値と並べて読む価値がある。「2,238 seconds per second」という数値はBlackwellハードウェア上のNVFP4チェックポイントとDFlash2ドラフトモデルを前提としており、0.5～2.3 GPU時間というファインチューニングの主張は、単一GPUと、それ1基に収まる程度の小規模なタスクを前提としている。どちらも、これらの但し書きなしにキャパシティプランへそのまま転記できる見出しではない。

どちらを選んだとしても、文字起こし結果はパイプラインの終点ではありません。それは要約され、分類され、検索され、ルーティングされます。そして、その下流半分こそ、単一エンドポイントが重要になる場所です：OrcaRouterは1つのキーの背後で200以上のテキストおよびマルチモーダルモデルを提供し、プロバイダーの定価を0％のマークアップでそのまま適用し、自動フェイルオーバーと、会議の議事録を1つの要約ツールへ、コンプライアンスレビューを別の要約ツールへ、2つ目の統合なしで送信できるルーティングDSLを備えています。現時点では、Gemini 3.5 TranscribeもNemotron 3.5 Transcribeもそのカタログには含まれていません。音声認識はどこで購入しても依然として別個の契約です。したがって、要点は聞こえるほど広いものではありません。文字起こしツールは文字起こし性能で選び、その上のレイヤーはポータブルなままにしましょう。

あなたのスタックに属するのはどれですか

テキストそのものが問題なら、Gemini 3.5 Transcribe を選んでください。たとえば、ぎこちなく途切れるインタビュー音声、 「いや待って、そうじゃなくて」 ばかりのコールセンター通話、名前で確認したいロケール一覧、そして今日の午後にはキーの後ろに置けるマネージドエンドポイントです。これは現在の公開ボードでより正確なモデルで、その差は小さいものの確実です。処理中に転写を修正し、1時間30セントで、無料枠を使って試せます。

部屋の環境そのものが問題なら、Nemotron 3.5 Transcribe を選んでください。3人を超える話者、重なり合う発話、13言語の話者ラベル、1時間のファイルでも崩れない単語タイミング、そして録音を第三者に送ることを禁じる音声ポリシー——こうした条件下では、オープンなチェックポイントは妥協ではなく、要件を満たす唯一の選択肢です。また、この2つのうちファインチューニングできるのはこちらだけで、訛りのある音声や特定ドメインの音声にとっては、0.4ポイントの差よりも価値があります。

この判定を覆すのは何か——GeminiをNVIDIAの18.26% DERのすぐ近くに置く独立したダイアライゼーションの再実行か、Nemotronを2.8%〜3.4%の間に確定させるAAの再測定か。そのどちらかが実現するまでは、精度の議論はベンダーの主張であり、機能の議論こそ、自分の最悪な録音を使って午後の数時間で自分自身で検証できるものだ。