Nemotron 3.5 Transcribe vs Gemini 3.5 Transcribe: 슬라이드에서 2.8%, 보드에서 3.4%

구글의 Gemini 3.5 Transcribe는 Artificial Analysis의 비스트리밍 음성 순위표에서 오류율 2.6%로 9위에 올라 있다. NVIDIA의 Nemotron 3.5 Transcribe는 2026년 10월 28일 오픈 웨이트로 공개되어 오류율 3.4%로 20위에 있다. 두 모델을 모두 평가하는 유일한 공개 지수에서 이들을 가르는 차이는 0.4점이며, 그 0.4점은 이 비교에서 가장 쓸모없는 사실에 가깝다. 두 모델은 같은 일을 위해 만들어지지 않았다. 하나는 사용자가 보기 전에 전사본을 정리해 주는 관리형 엔드포인트이고, 다른 하나는 다운로드하는 체크포인트로, 여덟 명의 화자가 서로 말을 겹쳐도 화자를 정확히 구분해 낸다. 이 순위는 두 모델이 실제로 설계된 목적에 비추어 어느 쪽에도 유리하지 않다.

서두에서 불일치 하나를 짚고 넘어가는 것이 좋겠습니다. 이번 주 이 모델에 관해 쓰인 모든 기사에서 되풀이되기 때문입니다. NVIDIA의 출시 자료는 AA-WER 2.8%와 오픈 웨이트 시스템 부문 공동 1위를 보고합니다. 10월 29일에 조회한 실시간 보드에는 20위에 3.4%가 표시되어 있습니다. 두 수치 모두 같은 지수에서 비롯되지만, 같은 실행에 대한 측정값은 아닙니다. 이것이 이번 비교에서 얻는 첫 번째 실용적 교훈이며, 아래 정확도 섹션이 지금과 같은 방식으로 작성된 이유입니다.

NVIDIA가 출시한 것, 그리고 Google이 8월부터 운영해 온 것

Nemotron 3.5 Transcribe는 트랜스듀서도 아니고 일반 인코더도 아닙니다. 이는 음성 증강 언어 모델입니다. 음성 인코더가 동결된 Nemotron 3 Diarization 모델에 입력을 전달하고, 이 모델의 화자 활동 신호는 NVIDIA가 Parallel Expert Encoder라고 부르는 것을 통해 ASR 인코더에 주입됩니다. 디코더는 하이브리드 Mamba–Transformer mixture-of-experts LLM으로, 전체 약 300억 개 파라미터 중 토큰당 약 40억 개 파라미터가 활성화됩니다. 회사 자체 자료에서는 언어 모델 부분에 30B-A3B와 30B-A4B라는 레이블을 모두 사용하며, Hugging Face 사이드바에서는 오디오 스택까지 포함해 계산하면 34B로 표시하므로 단일 파라미터 수치는 대략적인 값으로 취급하십시오. 가중치는 OpenMDW-1.1에 따라 무료로 제공되며 상업적 사용이 허용됩니다.

Gemini 3.5 Transcribe는 2026년 8월 26일부터 정식 제공되며, 오디오 입력 토큰 100만 개당 2.00달러, 텍스트 출력 토큰 100만 개당 12.00달러입니다. Google 기준으로 이는 대략 분당 0.005달러, 즉 오디오 1시간당 약 0.30달러에 해당합니다. 할당량 내 무료 등급이 있고, 분당 약 0.009달러의 별도 라이브 스트리밍 SKU가 있으며, 가중치는 전혀 없습니다.

발사 패킷과 다음 날 아침 사이에서 움직인 숫자

Artificial Analysis의 AA-WER은 세 가지 데이터셋, 즉 AgentTalk 50%, VoxPopuli-Cleaned 25%, Earnings22-Cleaned 25%를 기반으로 구축되었으며, 이 지수는 도메인별 점수가 아니라 하나의 혼합 점수입니다. 이 점이 중요한 이유는 AgentTalk가 음성 에이전트 발화이기 때문입니다. 이는 짧고 깨끗하며, 공급업체가 음성 에이전트를 판매하는 경우 해당 공급업체의 학습 데이터 구성에 많이 포함됩니다. 혼합 점수에서 이기는 모델이 귀하의 아카이브에서는 질 수 있습니다.

현재 순위표를 그대로 보면 순위는 다음과 같습니다: MAI Transcribe 2가 2.0%, Voxtral Small Transcribe 3가 2.1%, Gemini 3.5 Transcribe가 2.6%, GPT Transcribe가 3.3%, Nemotron 3.5 Transcribe가 3.4%입니다. NVIDIA의 2.8% 주장이 유지되었다면 새 모델은 Gemini 3.1 Pro Preview 및 Voxtral Small과 동일한 위치에 올랐을 것이고, OpenAI의 배치 모델보다는 넉넉히 앞섰을 것입니다. 3.4%에서는 그 모든 모델 뒤에 있고, 한 번도 겨뤄본 적 없는 Gemini Flash-Lite 변형을 포함한 세 시스템과 동률입니다. 0.6포인트 수정은 전체 상위 10위가 1.7%에서 2.9%까지 걸쳐 있는 지수에서 반올림 오차가 아닙니다.

정직하게 해석하자면 NVIDIA가 거짓말했다는 뜻은 아니다. AA는 모델이 새 엔드포인트에서 서비스되거나 업데이트된 입력으로 다시 실행될 때 재측정하며, 출시 당시 수치는 거의 확실히 리더보드의 기본 호스트가 아니라 NVIDIA 자체 제출값을 반영한다. 그러나 이는 정확히 조달 실수로 이어지는 종류의 격차다. "오픈 웨이트 중 1위"를 기준으로 예산을 책정한 뒤 3.4%를 측정한 팀은 슬라이드 위의 모델을 산 것이다.

Google이 판매하지만 NVIDIA는 판매하지 않는 것

WER보다 더 많은 전사 계약을 결정하는 기능은 인식된 후 단어에 어떤 일이 일어나는가이며, Gemini 3.5 Transcribe는 이를 중심으로 설계되었습니다. 기본 verbatim 모드는 컴플라이언스 작업을 위해 필러, 잘못된 시작, 반복을 유지합니다. 스마트 모드는 비유창성을 제거하고, 자기 수정을 해결하며, 구어 숫자와 통화를 한 번에 정규화합니다. 사용자 정의 어휘는 최대 1,000개 용어 쪽으로 인식을 편향시키며, Google은 약 100개의 잘 선택된 용어를 권장합니다. Nemotron 3.5 Transcribe에는 이 중 어느 것도 존재하지 않습니다. 이 모델은 엔터티 목록을 향해 *프롬프트*될 수 있고 verbatim 또는 작성 형식 출력을 생성하도록 지시받을 수 있지만, 숫자 형식 지정과 자기 수정 복구는 대본을 다음에 읽는 주체에게 맡깁니다.

Google은 명명된 로캘의 범위에서도 앞섭니다. 85개 이상이며 자동 감지와 문장 내 코드 전환을 지원합니다. 이에 비해 NVIDIA는 전사 40개, 번역 31개입니다. 명명된 항목만 집계했습니다. 대기열에 Google 목록에는 있고 NVIDIA 목록에는 없는 언어가 포함되어 있다면, 논쟁할 벤치마크는 없습니다.

NVIDIA는 판매하지만 Google은 판매하지 않는 것

화자 귀속은 반대 사례이며, 마케팅이 시사하는 것보다 더 예리합니다. Gemini 3.5 Transcribe는 최대 8명의 화자를 문서화하지만, Google 자체 자료에서는 3명 이상의 화자에 대한 귀속을 실험적이라고 표시하고 있으며, 블로그에서는 "최대 3명"에 의존합니다. Nemotron 3.5 Transcribe는 최대 8명의 화자를 라벨링하고, 13개 언어로 이를 수행하며, 완성된 전사본을 오디오에 정렬하는 디코딩 후 CTC 어댑터를 통해 화자 귀속 단어 수준 타임스탬프를 반환합니다.

• 매개변수 — 총 30B, 활성 약 4B의 하이브리드 Mamba–Transformer MoE vs 비공개 독자 음성 스택.

• 라이선스 — OpenMDW-1.1, 상업적 사용 가능, 가중치 다운로드 가능 vs 재배포 권한이 없는 API 전용.

• 가격 — 공개된 목록 요율은 없으며, 비용은 GPU 시간입니다. 그리고 RTX PRO 6000 Blackwell 한 장에서의 NVFP4 빌드는 초당 최대 2,238초 분량의 오디오를 처리한다고 알려져 있으며, 이는 분당 $0.005(혼합 기준)와 대비됩니다.

• 언어 — 40개 전사, 영어로 또는 영어에서 31개 번역, 화자 레이블 지원 13개 vs 코드 스위칭 지원 85개 이상 로케일

• 스피커 — 문서화 및 벤치마크된 8개 대비 문서화된 8개, 실험적으로 표시된 3개 이상.

오디오 길이 — 단일 패스에서는 1시간이며, 화자 분리 또는 타임스탬프를 요청하면 30분으로 줄어듭니다.

• 스트리밍 — 없음; 녹음된 오디오 전용 vs 분당 약 $0.009의 별도 라이브 SKU.

• 후처리 — 프롬프트로 제어되는 축어적 또는 문어체 형식; 필러를 제거하고 자기 수정을 바로잡는 스마트 모드와 달리 내장 정리 기능이 없음.

한쪽만 공개하는 화자 분리 수치

여기서부터 비교는 근소한 차이를 넘어 일방적인 양상으로 바뀌고, 출처 자료도 빈약해지기 시작합니다. NVIDIA는 David AI 벤치마크에서 21개 언어 전반에 걸쳐 18.26%의 화자 분리 오류율(diarization error rate)을 보고했는데, 이는 평가된 14개 시스템 중 가장 낮은 수치입니다. 바로 다음 항목은 자사 Nemotron 3 Diarization 모델의 18.38%이며, 나머지는 모두 22.85%에서 37.55% 사이입니다. VoiceArena의 Diarization-Bench에서는 14개 중 최고인 32.4%의 concatenated min-permutation WER을 보고했으며, 2위는 34.2%입니다. 중첩 발화 영어 세션에서는 참조 단어의 8.32%를 누락했다고 보고했는데, 이는 중앙값 약 31%와 대비됩니다.

Google은 Gemini 3.5 Transcribe에 대한 화자 분리 오류율을 전혀 공개하지 않습니다. 더 나쁜 수치를 공개하지 않는 것도 아니고, 아예 없습니다. 이 비대칭성은 양쪽 모두에 영향을 미치며, 이 점은 분명히 밝혀야 합니다. NVIDIA의 수치는 NVIDIA 자체 하네스에서 벤더가 보고한 것이고, 이를 대조할 제3자 수치가 없는데, 존재하는 독립적 화자 분리 리더보드는 대부분 NVIDIA가 자체적으로 참여시킨 시스템으로 채워져 있기 때문입니다. 의심할 여지가 없는 것은 문서에 명시된 상한입니다. Gemini는 최대 8명의 화자를 지원하며 3명을 초과하는 화자에 대한 귀속은 실험적 단계이고, 화자 라벨과 단어 타이밍을 동시에 요청하는 순간 최대 오디오 길이가 1시간에서 30분으로 줄어듭니다. 여러분의 자료가 6명이 참여하는 이사회 회의라면 이는 품질 문제라기보다 제품의 한계이며, 어떤 WER 비교로도 이 점은 드러나지 않습니다.

각각에서 오디오 한 시간의 실제 비용은 얼마인가

한 달에 1,000시간으로 돌려 보자. 이는 콘택트 센터나 미디어 아카이브에 현실적인 부하이다. 분당 $0.005인 Gemini 3.5 Transcribe는 1,000시간당 $300이다. Nemotron 3.5 Transcribe에는 정가가 없다. 표시할 가격 자체가 없기 때문이다. GPU를 사는 것이다. NVFP4 체크포인트를 실행하는 RTX PRO 6000 Blackwell 한 대가 NVIDIA가 시연하는 구성이며, 처리량 주장, 즉 초당 최대 2,238초 분량의 오디오라는 주장에는 Hugging Face 게시물에는 명시되어 있지만 헤드라인에서는 빠진 조건이 붙는다. 바로 높은 동시성에서 30초 클립을 기준으로 측정했다는 것이다. 발화자가 겹치는 긴 회의에서는 그 수치에 도달하지 못한다.

따라서 이 교차점은 가격의 문제가 아니라 활용도의 문제입니다. 관리형 전사 서비스 몇 달치 비용과 맞먹는 단일 카드는 계속 바쁘게 돌려야만 투자 회수가 되며, 작은 큐에서는 월 300달러의 API 호출 비용을 결코 앞지르지 못합니다. 체크포인트를 선택하는 이유는 저용량에서 분당 비용이 더 싸다는 것이 아닙니다. 분(minutes)이 아예 별도의 비용 항목에서 사라지고, 오디오가 네트워크를 벗어나지 않으며, 파인튜닝이 GPU 한 장으로 반나절이면 끝난다는 점입니다 — NVIDIA는 작업당 0.5~2.3 GPU 시간을 보고했고, 3,619개 클립에서 의료 음성 적응을 통해 단어 오류율을 30.8%에서 11.8%로 낮추었으며, 홀드아웃 화자에서는 22.44%에서 12.17%로 개선되었습니다.

NVIDIA 자체 연구 페이지는 처리량과 파인튜닝 주장이 함께 등장하는 유일한 곳이며, 위 수치들과 나란히 읽어볼 가치가 있습니다. 2,238초/초라는 수치는 Blackwell 하드웨어에서 NVFP4 체크포인트와 DFlash2 드래프트 모델을 가정하고, 0.5~2.3 GPU-시간 파인튜닝 주장은 단일 GPU와 그 하나에 들어갈 만큼 작은 작업을 가정합니다. 이 두 가지 모두 그러한 단서 조건 없이는 용량 계획에 그대로 복사할 수 있는 헤드라인이 아닙니다.

어느 쪽을 선택하든, 전사본은 파이프라인의 끝이 아닙니다. 전사본은 요약되고, 분류되고, 검색되고, 라우팅되며, 바로 그 다운스트림 절반에서 단일 엔드포인트가 중요합니다: OrcaRouter는 하나의 키 뒤에서 200개 이상의 텍스트 및 멀티모달 모델을 제공합니다, 공급자 정가를 0% 마크업으로 그대로 전달하며, 자동 장애 조치와 회의록은 한 요약기로, 규정 준수 검토는 다른 요약기로 보낼 수 있는 라우팅 DSL을 제공하므로 두 번째 통합 없이도 가능합니다. 현재 해당 카탈로그에는 Gemini 3.5 Transcribe도 Nemotron 3.5 Transcribe도 없습니다 — 음성-텍스트 변환은 어디서 구매하든 여전히 별도의 계약입니다 — 따라서 요점은 들리는 것보다 좁습니다: 전사 성능을 기준으로 전사기를 선택하고, 그 위의 계층은 이식 가능하게 유지하세요.

어떤 것이 당신의 스택에 어울리나요?

문제가 텍스트라면 Gemini 3.5 Transcribe를 선택하세요. 말이 매끄럽지 않은 인터뷰 오디오, “아니 잠깐, 내 말은”으로 가득한 콜센터 발화, 이름으로 확인해야 하는 로캘 목록, 오늘 오후면 키로 보호해 둘 수 있는 관리형 엔드포인트가 해당합니다. 이 모델은 오늘 공개 리더보드에서 더 정확한 모델이며 그 차이는 작지만 실재하고, 전사본을 처리 중에 교정하며, 시간당 30센트이고 무료 티어로 시험해 볼 수 있습니다.

문제가 방(room)이라면 Nemotron 3.5 Transcribe를 선택하세요. 화자가 세 명을 넘고, 발화가 겹치고, 13개 언어의 화자 레이블, 한 시간짜리 파일에서도 살아남는 단어 타이밍, 그리고 녹음을 제3자에게 보내는 것을 금지하는 오디오 정책 — 이런 조건에서는 오픈 체크포인트가 타협이 아니라 요구 사항을 충족하는 유일한 선택입니다. 또한 두 가지 중 미세 조정이 가능한 유일한 것으로, 억양이 있거나 도메인에 특화된 오디오의 경우 0.4점보다 더 큰 가치가 있습니다.

이 판정을 바꾸려면 무엇이 필요할까: Gemini를 NVIDIA의 18.26% DER 근처에라도 놓는 독립적인 화자 분리 재실행, 또는 Nemotron을 2.8%와 3.4% 사이로 확정하는 AA 재측정. 그중 하나가 실현되기 전까지는 정확도 논거는 벤더의 것이고, 기능 논거는 당신이 가장 형편없는 자신의 녹음으로 한나절 만에 스스로 검증할 수 있는 쪽이다.