Nemotron 3.5 Transcribe vs Muse Voice Transcribe：一方は会議を処理し、もう一方は会議に同席する

この比較は、どんなベンチマークよりも先に、2つの録音によって決まる。1つは今まさに行われている通話で、文字起こしが会話に追従しなければならず、2秒の遅延でツールは使い物にならなくなる。もう1つは、前四半期の顧客通話の2時間アーカイブで、そこでは言葉が200ミリ秒で届くか20分で届くかを誰も気にしない。NVIDIA Nemotron 3.5 Transcribeは、2026年10月28日にオープンウェイトのオフライン・チェックポイントとして公開され、2つ目の録音向けに作られている。Meta Muse Voice Transcribeは、2026年9月1日にMeta Superintelligence Labsから提供され、1つ目の録音向けに作られている。多くの比較ページは単語誤り率を1つの列に並べてそれで終わりにしてしまうが、まさにそれこそが成立しない比較なのだ。

時計であり、単語誤り率ではない

Metaのモデルはストリーミング知覚レイヤーです。80ミリ秒のチャンク単位で音声を取り込み、ソフトトークンを出力し、強化学習で訓練された「適応型遅延」メカニズムを用いて、テキストに確定する前にどれだけのコンテキストを待つべきかを単語ごとに判断します。報道によると、Metaの発表資料では、発話終了から最終テキストまでの間隔を約0.16秒としています。また、ライブ音声向けにはWebSocket経由、単発ファイル向けにはHTTPエンドポイント経由で提供されます。エンドポインティングと音声アクティビティ検出も自ら処理するため、その周囲のパイプラインは薄く済みます。

NVIDIAのモデルは正反対の形だ。カードには「これはオフラインモデルだ」とはっきり書かれており、内部的なチャンキングがあってもストリーミングサービスになるわけではないと付け加えている。最大1時間のファイルを渡すと、文字起こしを返す。部分出力も、暫定仮説も、バージインもない。NVIDIAはライブ音声向けに別途0.6Bのストリーミング認識器を販売している。それは別のチェックポイントであり、このモデルのモードではない。

つまり、見出しの数値は異なる測定器で測られている。Metaは{{1}}3.1%の単語誤り率{{/1}}と、Artificial Analysisのストリーミング音声テキスト化リーダーボードでの1位を報告している。NVIDIAのカードには、9つの公開英語Open ASRセット全体で{{2}}平均4.71%{{/2}}と記載され、一方Artificial Analysisの非ストリーミング表ではデプロイ済みエンドポイントについて{{3}}3.4%{{/3}}と示され、さらにそのFAQには同じモデルについて{{4}}2.8%{{/4}}と書かれている。これらは2つの異なるタスクに対する3つの異なる測定値だ。{{5}}3.1%{{/5}}はストリーミングの結果であり、{{6}}3.4%{{/6}}は異なる音声分布に対するバッチ結果だ。それらを差し引くと、何の意味もない{{7}}0.3ポイントの「勝利」{{/7}}が生まれ、ストリーミングモデルが長く、雑音が多く、訛りのある音声で不利になるという事実は現実だが、その計算では見えない。

話者：20数人対8人

ダイアライゼーションのギャップは、数値がほぼ同じものを測定している唯一の箇所であり、しかもそれは大きい。

• 話者数の上限 — Metaは1回の録音で20人以上の話者を扱えると宣伝している。NVIDIAは最大8話者までの混合データで学習しており、モデルカードには推論時の上限が示されていない。

• 重複（オーバーラップ）— Meta自身のページでは、話者分離は「重複しない音声」に適用されると明記されている。NVIDIAのアーキテクチャ上の主張の中心は、まさに重複する音声である。凍結された話者分離器の話者アクティビティをエンコーダーに注入することで、人々が互いに話し合っている間でもモデルが単語を帰属できるようにする。これが、NVIDIAのマルチスピーカーセットにおける平均cpWER 15.80という主張の根拠である。

• ラベルにおける言語対応 — Meta は25以上の言語に対応していますが、NVIDIA は文字起こしで40言語をサポートしつつ、そのうち13言語をマルチスピーカー出力向けに指定しています。トルコ語の会議は文字起こしされるものの、ラベルは付与されません。

• ラベル形式 — Metaは「A」のような話者を表す単独の文字を出力し、NVIDIAはダイアライゼーションのセグメントにマッピングされる<spk:0>形式のタグを出力します。

ユースケースがパネル、法廷、あるいは3名が同時に発言するサポート通話であれば、それを決めるのは8話者という上限であり、WERの列ではありません。ユースケースが20人が参加する全体会議で、参加者が主に順番に発言するのであれば、重要なのはMetaの20+という数値であり、NVIDIAの8は絶対的な壁となります。

言語：25 対 40、しかもどちらの数字も見た目どおりではない

Metaの開発者向けページには「25以上の言語」と記載され、文内および文間のコードスイッチングに対応しているとあり、これはバイリンガル会議にとって重要です。ローンチ時の報道では、モデルは70以上の言語で学習され、そのうち25言語が広範に検証されたと報じられていました。これは有用な区別です。なぜなら、「学習済み」でも検証されていない言語は、信頼する前にテストすべき言語だからです。NVIDIAの仕様カードには、ASR対応40言語、英語との双方向翻訳が31言語、さらに別途48ラベルの言語IDコンポーネントが記載されています。

• 欧州での対応範囲の広さが必要な場合 — Metaの検証済み25言語はNVIDIAの40言語より狭いものの、Metaのリストは企業顧客が実際に記録する言語に寄っています。

• 翻訳が必要な場合 — それを実行するのはNVIDIAだけです。Metaのモデルは文字起こしを行い、その文字起こしを別の言語に翻訳することはありません。

• コードスイッチングが必要な場合 — Meta はネイティブ対応を主張していますが、NVIDIA のカードには同等の記載はなく、その音声理解は文字起こしの言語にかかわらず英語のみです。

文字起こしに実際に含まれている内容

タイムスタンプは、一見取るに足らない差異が大きなコストを伴う差異へと変わる領域です。Metaはターン単位のタイムスタンプ（セグメント境界であり、単語単位の時刻ではありません）を提供し、信頼度スコアは一切公開していません。NVIDIAはCTCアダプターを通じて単語のタイムスタンプを提供しますが、DFlash2投機的デコーディングのドラフトが有効な場合にはタイムスタンプを利用できないという注意点があります。

• タイムスタンプ — Meta はターン単位、NVIDIA は単語単位だが、最速のデコードパスと併用できない。

• 信頼度 — Meta は公表していません。NVIDIA も単語単位の信頼度は公表していません。

• 入力形式 — Meta は 16 kHz または 24 kHz のモノラル 16 ビット PCM を要求し、それ以外の形式はすべて ffmpeg で変換するよう指示しています。一方、NVIDIA は 16 kHz モノラルを受け入れ、ファイルを直接処理します。

• プロンプティング — どちらも出力にバイアスを与える。Metaのキーワードバイアスと言語バイアスは、同社のドキュメントによれば「モデルをわずかに後押しするだけで、スペルを保証するものではない」。NVIDIAのコンテキスト付きプロンプティングは、細粒度のエンティティリストを用いることで固有表現のWERが12.21%から2.20%に低下したと報告している——ベンダー実施の評価ではあるが、はるかに強い主張であり、ソフトな後押しとは異なるメカニズムを示唆するものである。

• 出力スタイル — NVIDIAの5つのスタイル（逐語、書き言葉形式、文脈付き、話者属性付き、リッチ）は指示によって選択されます。Metaは1つの形式のみを返し、後処理は利用者側で行うことを前提としています。

音声1時間あたりの価格

Metaは1,000分あたり3.00ドル、つまり音声1時間あたり0.18ドルを請求しており、段階制や無料枠は公表していません。Artificial Analysis上のNVIDIAのホスト型掲載は1,000分あたり2.00ドル（1時間あたり約0.12ドル）で、重みはOpenMDW-1.1の下で無料でダウンロードできるため、セルフホスティングはMetaがどの価格でも提供していない第3の選択肢となります。

大量利用時の算術は単純で、安い表示価格を有利にはしない。月1000時間の音声は、Meta経由で180ドル、ホスト型Nemotronエンドポイント経由で120ドルかかる。セルフホストの場合、同じ1000時間は、NVIDIAのNVFP4スループット公称値におけるRTX PRO 6000 Blackwell上のGPU時間で1時間未満になる。レンタルGPU料金で計算コストは2ドル程度と見積もれ、それに運用、ストレージ、それを担当するエンジニアの人件費が加わる。月1万時間なら、1800ドルと数百ドルの差額で運用費をかなり賄えるが、月100時間ならその差額では運用費を全く賄えない。

セルフホスティングが実際にもたらすのは、価格ではない。契約上ネットワークの外へ出すことが禁じられている音声に対して文字起こしを実行できること、そしてベンダーのエンドポイントが劣化したときにもパイプラインを動かし続けられることだ。規制の厳しいチームが、本来なら借りられるGPUにわざわざ投資するのは、そうした理由からだ。

それぞれがどこで壊れるか

Metaの障害モードはレイテンシーに密接に関係している。そのダイアライゼーションは非重複音声を前提としているため、割り込みのある白熱したサポート通話では話者ターンを誤ってラベル付けする。その文字起こしには単語タイムスタンプがないため、字幕生成、音声検索、動画への下流のアラインメントが破綻する。入力契約は厳格で、バイアシングは助言的なものにとどまる。翻訳機能、音声質問応答、セルフホスト型の選択肢はいずれもない。

NVIDIA の弱点はワークフローに直結する。ストリーミングに対応していないため、ライブ字幕、音声エージェント、リアルタイム通話ルーティングを提供できない。音声理解は英語のみ。録音は1件につき最大1時間に制限される。出荷済みの SGLang-Omni 統合では、話者属性付き出力、単語タイムスタンプ、翻訳が省略されているため、カードで謳われている機能の一部を利用するには vLLM パスまたは NIM コンテナが必要になる。また、まれに終了に失敗することがあり、カードではこれに対する防止策を推奨している。

どちらの失敗群も、もう一方のモデルに有利に働くバグではない。それらは問題の二つの姿である。音声が起きている間にその場に存在するモデルと、音声が終わった後に徹底的に調べるモデルだ。

両方が必要な場合、そのパイプラインは妥協ではありません。

最も一般的な実際の導入は、そもそも選択の問題ではありません。ライブ音声はMetaのストリーミングエンドポイントを通ります。通話中にテキストを得る唯一の方法だからです — 字幕、エージェント支援、ライブ検索。同じ録音はその後、夜間にNVIDIAのチェックポイントによってオフラインで再文字起こしされます。バッチ処理の方が、よりクリーンなテキスト、話者属性付きの単語タイムスタンプ、そして必要に応じて非英語通話の英語翻訳を生成するからです。ストリーミング文字起こしはその瞬間のため、バッチ文字起こしは記録のためです。1つのモデルを両方の役割に無理やり押し込もうとするチームは、たいてい遅延したライブ表示か、誰も見ていない音声に対する高額なストリーミング課金のどちらかに陥ります。

そのパイプラインの下流側の半分 — 通話の要約、エージェントのパフォーマンス評価、個人データの秘匿化、フラグ付けされた会話の人間へのルーティング — は通常のテキスト作業であり、ASR と同じ GPU 上で処理すべきものではありません。OrcaRouter は、それらのテキスト呼び出しを 1 つのキーの背後で 0% のマークアップで実行し、プロバイダーの定価をそのまま通し、プロバイダーが不安定になった際の自動フェイルオーバーと、単一のワークフロー内で要約と分類を異なるモデルに送信できるルーティング DSL を備えています。Meta Muse Voice Transcribe も NVIDIA Nemotron 3.5 Transcribe も OrcaRouter のカタログにはありません。このルーターは文字起こしの後段、テキスト処理が行われる場所に位置します。

3つの質問は、どんなリーダーボードよりも速く決着をつけます。音声が届いてから、テキストはどれだけ早く存在する必要がありますか？　答えが「通話中に」なら、決定権はMetaにあり、WERの議論は飾りにすぎません。同時に話す人は何人で、声は重なりますか？　答えが「8人より多く、しかも重なる」なら、それはNVIDIAの領域です。そして、音声はネットワークの外に出てもよいですか？　答えが「いいえ」なら、この2つのモデルのうち実際に導入できるのは1つだけです。

その他すべて——3.1%、4.71%、$0.18——は、同じ会議の中の異なる場面のために設計された2つの製品の間で決着をつける要因です。