Nemotron 3.5 Transcribe vs GPT Transcribe: 0.1点差、片方はチェックポイントを手に入れられる

単語レベルのタイムスタンプを求めてGPT Transcribeみても、API はそれを返してくれません。精度が低い形でも、概算でもありません——モデルにはタイミングヘッドがなく、OpenAI のドキュメントではその用途には whisper-1 を案内しており、話者ラベルも同様で、別のダイアライゼーションモデルにあります。次に Nemotron 3.5 Transcribe に尋ねてみてください。NVIDIA が 2026 年 10 月 28 日にオープンウェイトとして公開したこのモデルでは、1 回のパスで両方とも返ってきます。話者属性付きの単語タイミングは、デコード後に完成した文字起こしを音声に整列させる CTC アダプターから得られます。公開されている精度ボードでは、2 つのモデルは 0.1 ポイント以内の差です。文字起こしで実際に行う作業においては、両者は同じ製品カテゴリーにはありません。

それが判断のすべてであり、ゆっくりと順を追って見る価値がある。なぜなら、ローンチ時の報道はたいてい、このペアリングを、どちらも意味のある差で実際には勝てないWER競争にまで矮小化してきたからだ。

精度の差はノイズにすぎず、機能の差はそうではない

Artificial Analysisの非ストリーミング指標では、GPT Transcribe（OpenAIのバッチ文字起こしモデルで、2026年7月28日にライブストリーミング対応の兄弟モデルと同時にリリース）が3.3%と記載され、小規模な競合と並んで18位タイとなっています。Nemotron 3.5 Transcribeは3.4%と記載され、20位タイです。同じモデルでも、どのエンドポイントが処理したかによって指標上の登録値がほぼ1ポイント近く異なることがある、その指標における0.1ポイントの差。誰もそんなことで2つの音声システムを選ぶべきではありません。

一方、NVIDIAの発表資料はAA-WER 2.8%を報告し、オープンウェイトモデル間で首位タイとしている。10月29日時点のライブボードの読み値は3.4%だ。2.8%は提出時の数値、3.4%は現在の測定値として扱うべきであり、その差はNemotronとGPT Transcribeの間の差よりも大きい。このことは、単一のリーダーボード差分にどれほどの重みを持たせるべきかを物語っている。

• パラメータ — 合計約30B、ハイブリッドMamba–Transformer MoEでトークンあたり約4Bがアクティブ。比較対象は非開示の非生成型。

• ライセンス — OpenMDW-1.1、商用利用、重みはダウンロード可能か API のみか。

• 価格 — リスト価格なし。GPU時間制で、NVFP4ビルドはRTX PRO 6000 Blackwell 1台で1秒あたり最大2,238秒分の音声を処理できると主張されており、これは1分あたり$0.0045、音声1時間あたり約$0.27と対比されます。

• 話者ラベル — 13言語で最大8話者、組み込みあり/なし。別途ダイアライゼーションモデルが必要です。

• 単語タイミング — デコード後の CTC アラインメント、話者属性あり／なしで提供。whisper-1 がドキュメントに記載された代替手段です。

• 言語 — 文字起こしは40言語、英語との相互翻訳は31言語 対 自動検出と言語ヒントを備えた多言語対応、公開されている数はなし。

• 音声の長さ — 1回のパスで1時間 vs APIがチャンク処理を担当するファイルベース

• 後処理 — プロンプトで制御された逐語形式または書き言葉形式 vs 自由形式のコンテキストとキーワードヒント、クリーンアップ処理なし。

GPT Transcribe がオープンなチェックポイントよりも優れている点

3つの点があり、どれも些細なことではない。1つ目は、それがAPIであるということだ。サイズを見積もるべき30Bパラメータのチェックポイントも、待つべきNVFP4ビルドも、固定すべきvLLMレシピもない。OpenAIは実時間の約34倍で処理できると報告しているが、これはNVIDIAがBlackwellカードで主張するスループットより遅く、ほとんどのチームには無関係だ。なぜなら、実時間の34倍は、彼らが運用するどのキューよりもすでに速いからだ。

第二はコンテキスト処理です。GPT Transcribeは自由形式のコンテキスト、キーワードと語彙のヒント、複数の言語ヒントを受け入れ、文字起こしとともに検出言語の配列を返します。この組み合わせはコードスイッチング音声やドメイン専門用語で実に有用であり、ファインチューニングではなくプロンプティングインターフェースです。つまり、製品チームはGPUを所有せずに調整できます。NVIDIAの同等機能である、プロンプトで提供される期待エンティティリストは、ContextASR-Benchで固有表現エラーを6分の1に削減したとされていますが、その数値はベンダー報告によるもので、再現されていません。

第三は統合サーフェスです。同じエンドポイントが、ファイルの文字起こし、ストリーミングされたファイル文字起こし結果、WebSocket経由で確定されたリアルタイムのターン、Responses API、Batchを提供します。すでにOpenAIのプラットフォームを利用しているチームにとって、文字起こしはデプロイではなくパラメータになります。

OpenAI が自ら公表している品質に関する主張は広範で検証しにくい。22言語の Common Voice セットでの単語誤り率は 19.27%（Whisper は 40.37%）、9言語の実環境ベンチマークでは 8.98%（同 15.21%）だ。これらは 2024年の基準に対するベンダー数値であり、2026年の競合に対するものではない。独立系の評価は、AA ボードが示唆するよりも GPT Transcribe に好意的だ。Perit の人間がレビューした英語セットでは、WER 1.76%、22件中6位、クリップの 61.3% が完璧に文字起こしされている。これは Artificial Analysis のものとは異なるテストセットであり、両ボード間で数値を比較することはできない — しかし方向性は一貫しており、同じセットで OpenAI のモデルをホスト型 Parakeet エンドポイントより上に位置づけている。

不足している機能が実際に響く場面

検索インデックス向けのプレーンテキストが出力であれば、GPT Transcribe の欠落は何のコストにもなりません。より多くが必要になった瞬間、作業は倍増します。単語のタイミングを得るには whisper-1 や強制アライナーによる2回目の処理が必要で、これはアラインメントが解決するために存在する失敗モードそのものを再び持ち込みます。つまり、境界がずれた文字起こしは読む分には問題なくても字幕を壊します。話者ラベルを得るには3つ目のモデルが必要で、セグメント境界で結合され、デバッグすべき独自のエラー率を持ちます。しかも、これらの2回目の処理は互いを認識していないため、2話者の通話が3つのモデルとマージ手順になるのです。

この連鎖はOpenAIのエンジニアリングへの批判ではない。それは製品そのものの姿だ。つまり、極めて高精度な文字起こし器であり、あえて出力を狭く限定している。MicrosoftとGoogleも同じ分割構造で提供している。話者ダイアライゼーションを別SKUとして、あるいは独自の制限を持つ別モードとして切り分けているのだ。NVIDIAの賭けはその逆であり、それを率直に言えば、Nemotron 3.5 Transcribeはパイプラインを回避するために計算コストがより高くなる、ということだ。

その計算資源が何をもたらすかは文書化されているものの、ベンダー報告による数値だ：David AIベンチマークでは21言語にわたる話者分離エラー率が18.26%で、14システム中最高；VoiceArenaでは連結最小置換WERが32.4%で、これも14システム中最高；重なり合う英語音声では参照単語の8.32%が欠落し、中央値は約31%だった。これらと突き合わせるOpenAIの話者分離数値は存在しない。OpenAIはこのモデルについてその数値を公表していないからだ。

分単位の支払いをやめる2つの方法

GPT Transcribeは1分あたり0.0045ドル、つまり1000分あたり4.50ドル、音声1000時間あたり約270ドルを請求します。Nemotron 3.5 Transcribeは1分あたりの課金がなく、代わりにGPUを要求します。NVIDIAのデモ構成は、DFlash2ドラフトモデルと組み合わせてNVFP4チェックポイントを実行するRTX PRO 6000 Blackwell 1台であり、「3分未満で音声100時間」というスループットの見出し数値は、長時間の会議ではなく、高い同時実行数で30秒のクリップを処理した際に測定されたものです。これは、十分にバッチ化された処理における上限と解釈してください。

そこに残るのは、定価ではなく稼働率によって決まる分岐点だ。すでに所有していて稼働し続けているカードなら、コストは1,000時間あたり270ドルを余裕で下回る。一方、月40時間分のキューを処理するために購入しなければならないカードではそうはいかず、パラメータ効率がどれほど高まってもこの算術は変わらない。

二者択一の枠組みが隠している第三の選択肢があり、実際にほとんどのチームが採るのはこちらです。大部分にはマネージドAPIを使い、難しいファイル——6人での会議、アクセントのある臨床インタビュー、アップロードが許可されていない音声——はセルフホストのチェックポイントに振り分けるという方法です。これは、2つの出力が同じ形式で得られる場合にのみ機能します。だからこそ、現在のベンダーが話者フィールドやタイミングフィールドに値を持たせていなくても、それらのフィールドを含む文字起こしスキーマに標準化すべきだという主張につながります。まずスキーマを標準化してください。モデルは後から差し替え可能になります。

トランスクリプトの上位層で、OrcaRouterの役割は、その交換可能性がモデル境界で止まらないようにすることです。これらのトランスクリプトを読み取る要約ツール、分類器、コンプライアンスチェッカーはすべて、200以上のモデルにまたがる1つのキーの背後に置けます。プロバイダーの定価は0%のマークアップで透過され、自動フェイルオーバーは上流がつまずいたときに作動し、ルーティングDSLによって各ワークロードを2回目の統合なしで別のモデルに送れます。GPT TranscribeとNemotron 3.5 Transcribeはどちらもそのカタログ外です — 当社はどちらも提供していません — そのため音声呼び出しは購入した場所に留まり、下流側の半分だけがポータブルになります。

状況別の簡易版

文字起こしだけを、来週までに何もプロビジョニングせずに手に入れたいなら、GPT Transcribe がより低リスクな選択肢です。独立系の Perit セットで6位、おそらくすでに持っている統合面、そして資本購入を必要としない価格。文字起こしが字幕、会議分析、話者属性付き検索、コンプライアンスアーカイブに供給されるなら、GPT Transcribe に後付けする追加モデルは、チェックポイントの GPU 時間よりエンジニアリング時間のほうで高くつきます。Nemotron 3.5 Transcribe はその作業を1パスで行います。

両方に当てはまる注意点は次のとおりです。これは公開からまだ1日しか経っていないモデルで、主要ベンチマークはベンダー自身が公表したものであり、独立系リーダーボードは300億パラメータのチェックポイントをまだまったく評価していません。これを、6月の600Mストリーミングモデルであるnvidia/nemotron-3.5-asr-streaming-0.6bと混同しないでください。こちらは独立系リーダーボードに実際に掲載されており、成績はかなり悪くなっています（WER 3.35%、Peritでは22台中21位）。両者に共通するのはファミリー名だけです。