Nemotron 3.5 Transcribe 対 MAI Transcribe 2：所有するGPUで実行するか、1時間100ドルか

音声1,000時間のコストは、マイクロソフトにとって100ドルにすぎない。価格をめぐる議論の根拠は、それで全部だ。MAI Transcribe 2は2026年9月3日から公開プレビュー中で、音声1時間あたり0.10ドル——1,000分あたり約1.67ドルという料金は、名指しされたマネージド型の競合すべてを下回り、同じ作業に対してOpenAIが請求する額のおよそ3分の1にあたる。Nemotron 3.5 TranscribeはNVIDIAが2026年10月28日に公開したオープンチェックポイントで、分単位の価格は存在しない。というのも、これを購入する唯一の方法は、それが動作するハードウェアを購入することだからだ。月1,000時間規模では、マイクロソフトの請求額は部門予算における誤差の範囲にすぎず、NVIDIAのそれは設備投資となる。

厄介なのはここだ。公開精度ランキングでは、MAI Transcribe 2がAA-WER 2.0%で世界2位。Nemotron 3.5 Transcribeは3.4%で20位だ。安価なモデルのほうが精度も高く、その差は9位と20位の間の差全体よりも大きい。この比較が単語とコストだけの話なら、1段落で終わってしまう。だがそうではない。Microsoftは話者分離の品質数値を公表しておらず、NVIDIAは複数公表しているからだ。そして、その空白の欄こそが、なお高価な選択肢を選ぶ人がいる理由である。

取締役会が言うこと、そして言えないこと

Artificial Analysisは両モデルを同じ3つのデータセットのブレンドで評価しているため、2.0%対3.4%は少なくとも、同じ運用者によって測定された同じ指標の同条件比較になっています。これはこのカテゴリーでは本来より珍しいことであり、真剣に扱う価値があります。MAI Transcribe 2はリーダーボードの最上位でリアルタイムプレビューシステムだけに劣っており、Nemotron 3.5 Transcribeは3つのシステムと同点ですが、そのうち1つは最小推論モードのGemini Flash-Liteバリアントです。

NVIDIA自身の発表資料は2.8%のAA-WERを報告しており、それが維持されていたとしても、Microsoftに0.8ポイント丸々遅れていることになる。ライブボードには3.4%が掲載されている。いずれにせよ順位は変わらないため、このシリーズの他の対決とは異なり、発表時とボードの不一致はここでは何も決めない。両社が測定対象として合意している指標で、Microsoftは単にリードしている。

時給0.10ドルで実際に買えるもの

MAI Transcribe 2は、長尺音声向けに構築されたバッチ文字起こしモデルです。会議、通話、メディアアーカイブ、コンタクトセンターの録音などを対象とします。60言語に対応し、言語の自動識別、話者ダイアライゼーションの同梱、単語レベルのタイムスタンプの返却、人名や専門用語向けのキーワードバイアスを備え、2種類の出力スタイルを提供します。ひとつはフィラーや言い直しをそのまま残す逐語スタイル、もうひとつはそれらを除去するクリーンスタイルです。Microsoftによると、Artificial Analysisのスピードボードで約411倍のリアルタイム処理性能を記録し、総合2位となっています。また同社のローンチ投稿では、GPT Transcribeより10倍、Gemini 3.5 Transcribeより5倍高速だと位置づけています。

この機能一覧は、紙の上ではほとんどのチームが必要とするものを包含する上位集合であり、NVIDIAのものともほぼ一致している。どちらも話者分離を行い、どちらも単語タイミングを行い、どちらもキーワードバイアスを行い、どちらも逐語出力とクリーン出力を行い、どちらも約1時間の音声が上限で、比較対象のSKUではどちらもバッチ処理のみだ。違いは端の部分にある。60言語対40言語、8話者対不明な話者数、そして財務チームへの説明が3桁ほど容易な価格だ。

• 価格 — 音声1時間あたり0.10ドル、2026年末までの期間限定、リスト料金はなし。コストはアクセラレーター時間です。

• 精度 — 2.0% AA-WER、2位 対 3.4%、20位（ライブボードでは3.4%、NVIDIAのパケットは2.8%を主張）。

• スループット — リアルタイムの約411倍。一方、1台のRTX PRO 6000 BlackwellでNVFP4とドラフトモデルを使用した場合は1秒あたり最大2,238秒分の音声（30秒のクリップを高い同時実行数で測定）。

• 言語 — 自動識別対応が60言語、転写が40言語、翻訳が31言語

• ライセンス — プロプライエタリかつAPI専用 対 ダウンロード可能な重み付きOpenMDW-1.1

• スピーカー — ダイアライゼーション同梱、公開DERなし 対 最大8、属性付き、13言語、David AIベンチマークで21言語にわたり18.26% DER。

• ファインチューニング — 提供なし vs タスクあたり0.5～2.3 GPU時間での単一GPU適応。

• データのローカリティ — 音声が自社ネットワーク外に出るか、セルフホスト可能か（オフラインを含む）

Microsoftが空欄のままにしている列

マイクロソフトはダイアライゼーションを同梱し、ダイアライゼーション誤り率を一切公表していない。弱い数値ですらない——存在しない。NVIDIAは4つの個別のダイアライゼーション結果を公表している。David AIベンチマークにおける21言語でのDER 18.26%は14システム中最低。VoiceArenaのDiarization-Benchにおける連結min-permutation WER 32.4%は14中最高。重複する英語音声における参照単語の脱落率8.32%に対し中央値は約31%。そして13言語での話者帰属に対し、マイクロソフトは数を明示していない。

これらはすべて、ベンダーが自社の評価環境上で報告したものであり、正直に読めば、品質の証明ではなく能力に関する主張です。しかし、この非対称性は示唆に富みます。ダイアライゼーションの数値を持つ企業はそれを公表します。なぜなら、ダイアライゼーションは文字起こしで最も正確に扱うのが難しく、顧客が不満を訴える部分だからです。数値なしでダイアライゼーションを同梱する企業は、それを売り文句とは見ていないことを告げています。それは、機能が十分でありながら特筆すべき点がないという意味かもしれません。弱いという意味かもしれません。Microsoft の発表資料にはこの2つのケースを区別するものは何もなく、この粒度でダイアライゼーション誤り率を測定する独立した評価機関はまだありません。

2人だけの営業通話では、これは問題になりません。どちらのモデルでも2つの声を正しくラベル付けできます。6人が参加する取締役会で複数人が同時に話す場合、18%のDERと未知の数値との差は、分単位で使える記録と、誰も信用しない文書との差になります。まさにそうした作業量では、オープンチェックポイントの価格は荒唐無稽には見えなくなります。

なぜ人は高いほうを買うのか

調達の意思決定で実際に登場する頻度が高い順に、4つの理由。

最初の違いはデータの所在（データローカリティ）です。{{1}}MAI Transcribe 2{{/1}} は API です。音声は自社ネットワークの外に出てベンダーのテナントに置かれ、そのベンダーの保持条件に従います。{{2}}Nemotron 3.5 Transcribe{{/2}} は、完全なオフライン運用を含め、自社で管理するハードウェア上で動作します。臨床記録、法的手続き、人事調査、そしてデータレジデンシー規制の対象となるあらゆるものにとって、これは嗜好の問題ではなく要件です。コンプライアンス上の制約に、時間単価の安さが勝つことはありません。

第二に、永続性です。Microsoftの$0.10という料金は、2026年末まで続く期間限定オファーであることが明示されており、標準価格は発売資料のどこにも開示されていません。その数字を前提に製品を作っているチームは、有効期限が不明なプロモーション価格の上に構築していることになります。オープンウェイトにはそのような故障モードはありません。ダウンロードしたチェックポイントは、ベンダーが次に何をするとしても、電気代というコストで動き続けます。

3つ目は適応です。NVIDIAは、単一GPUでのファインチューニングがタスクあたり0.5～2.3 GPU時間であることと、医療音声のケーススタディで、適応により3,619クリップ全体で単語誤り率が30.8%から11.8%に、ホールドアウト話者では22.44%から12.17%に改善したことを報告しています。Microsoftはファインチューニングの手法を一切提供していません。アクセントのある音声、雑音の多い音声、専門用語が密集した音声——まさに平均2.0%が現実の25%になる音声——では、適応できることにはリーダーボード順位の2ポイント以上の価値があります。Peritの人手レビュー済み英語セットは、逆方向から同じ話を物語っています。MAI Transcribe 2とGPT Transcribeを1.76%で互いに0.01ポイント以内に収めており、これは、これらのリーダーボードがクリーンな音声では密集し、それ以外では広がることを思い起こさせます。

第4点は、MAI Transcribe 2 がパブリックプレビュー中であることです。プレビューとは、稼働率の保証がないこと、非推奨化の通知期間がないこと、機能セットが利用中に変わり得ることを意味します。Nemotron 3.5 Transcribe は公開からまだ1日しか経っておらず、独自の成熟度の問題を抱えています。GGUF ツール群は依然として「近日提供予定」と説明されており、量子化されたローカルビルドもまだ提供されていません。しかし、チェックポイントがプレビューから外れることはありません。

費用のかからないヘッジ

ほとんどのチームは、どちらかを選ぶ必要はありません。キューの大部分には安価なAPIを実行し、社外に持ち出せないファイルや、話者の特定が正確でなければならない会議はチェックポイントに回してください。このハイブリッドは、どちらか一方だけの戦略より安価で、失敗しても穏やかに収まります。Microsoftのプロモーション料金が魅力的でない価格で期限切れになっても、セルフホスト経路はすでにプロビジョニング済みです。オープンモデルのダイアライゼーションの主張があなたの音声で通用しなくても、APIはすでに接続済みです。

そのヘッジが実際に機能するのは、パイプラインの2つの半分を分離可能に保つことです。音声認識は1つの契約であり、文字起こしを消費する要約器、分類器、ルーターは別の契約です。OrcaRouterは後半をカバーします：1つのキーで利用できる200以上のテキストおよびマルチモーダルモデル、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 — ベンダーの値下げが次の契約更新時ではなく当日に請求へ反映される — ことに加えて自動フェイルオーバー、および異なる文字起こしクラスを異なるモデルに振り分けられるルーティングDSL。MAI Transcribe 2もNemotron 3.5 Transcribeもそのカタログにはなく、当社は音声認識自体を一切提供していないため、文字起こしの契約は署名した場所にとどまります。要点はただ、その下流にあるモデルを同じベンダーに溶接すべきではないということだけです。

評決、ボリューム別に

月あたりおおよそ数百音声時間未満で、データレジデンシー制約がなく、2者間通話以外の話者帰属要件もないのであれば、MAI Transcribe 2 はスプレッドシートに現れるあらゆる軸でより良い買い選択です。安価で、共通インデックス上ではより高精度で、より高速で、プロビジョニングなしで今日から利用できます。プロモーション価格は現実のリスクであり、現在料金の2〜3倍で試算する価値はありますが、1000倍の差を消すものではありません。

その量を超える場合、あるいは上記の4つの制約のいずれかが付く場合、計算は逆転する——オープンモデルのほうが1時間あたり安いからではなく、時間そのものがまったく購入できなくなるからだ。Nemotron 3.5 Transcribeの主張は、話者、言語、ローカリティ、適応、永続性に、おおよそこの順で依拠している。その精度に関する主張は、公開ボードが現時点で裏付けていないベンダーの主張に依拠しており、「オープンウェイトの中で首位」を比較を決着させたかのように繰り返す人は、測定値ではなくスライドを引用しているのだ。