Nemotron 3.5 Transcribe vs Muse Voice Transcribe: de ene verwerkt de vergadering, de andere zit erbij.

Twee opnames beslissen deze vergelijking al voordat welke benchmark dan ook dat doet. De ene is een gesprek dat op dit moment plaatsvindt, waarbij het transcript de conversatie moet bijhouden en een vertraging van twee seconden het hulpmiddel nutteloos maakt. Het andere is een archief van twee uur met klantgesprekken van vorig kwartaal, waarbij niemand erom geeft of de woorden in 200 milliseconden of in twintig minuten aankomen. NVIDIA Nemotron 3.5 Transcribe, die op 28 oktober 2026 is uitgebracht als een open-weight offline checkpoint, is gemaakt voor de tweede opname. Meta Muse Voice Transcribe, die op 1 september 2026 door Meta Superintelligence Labs op de markt is gebracht, is gemaakt voor de eerste. De meeste vergelijkingspagina's zetten hun woordfoutpercentages in één kolom en laten het daarbij, en dat is precies de vergelijking die niet gemaakt kan worden.

De klok, niet het woordfoutpercentage

Het model van Meta is een streaming perceptielaag. Het verwerkt audio in blokken van 80 milliseconden, zendt zachte tokens uit en gebruikt een met reinforcement learning getraind mechanisme voor "adaptieve vertraging" om woord voor woord te beslissen hoeveel context het afwacht voordat het tekst definitief maakt. Het lanceringsmateriaal van Meta stelt, volgens berichten, de tijd tussen het einde van de spraak en de definitieve tekst op ongeveer 0,16 seconden, en het model wordt aangeboden via een WebSocket voor live audio of een HTTP-endpoint voor bestanden in één keer. Het regelt ook zelf endpointing en spraakactiviteitsdetectie, zodat de pipeline eromheen dun is.

Het model van NVIDIA heeft de tegenovergestelde vorm. De kaart zegt het ronduit: "Dit is een offline model," en voegt toe dat interne chunking het geen streamingdienst maakt. Je geeft het een bestand van maximaal één uur en het retourneert een transcript. Er is geen gedeeltelijke uitvoer, geen tussentijdse hypothese, geen barge-in. NVIDIA verkoopt een aparte 0.6B streaming-herkenner voor live-audio; dat is een andere checkpoint, geen modus van deze.

De kerncijfers worden dus met verschillende instrumenten gemeten. Meta meldt een woordfoutpercentage van 3,1% en een eerste plaats op het streaming speech-to-text leaderboard van Artificial Analysis. De kaart van NVIDIA meldt een gemiddelde van 4,71% over de negen publieke Engelse Open ASR-sets, terwijl de niet-streamingtabel van Artificial Analysis 3,4% toont voor het geïmplementeerde endpoint — en in de FAQ staat 2,8% voor hetzelfde model. Dat zijn drie verschillende metingen van twee verschillende taken. De 3,1% is een streamingresultaat; de 3,4% is een batchresultaat op een andere audioverdeling. Als je ze aftrekt, krijg je een "overwinning" van 0,3 punt die niets betekent, en het nadeel van het streamingmodel bij lange, ruisige audio met accenten is reëel, maar onzichtbaar in die berekening.

Luidsprekers: twintig-en-nog-wat tegen acht.

De diarisatiekloof is de enige plek waar de cijfers ongeveer hetzelfde meten, en die is groot.

• Maximum aantal sprekers — Meta adverteert met 20+ sprekers in één opname; NVIDIA traint op mengsels van maximaal acht, en in de modelkaart staat geen maximum tijdens inferentie.

• Overlap — op Meta's eigen pagina staat de kwalificatie dat diarisatie geldt voor "non-overlapping speech." Het hele architectonische argument van NVIDIA draait juist om overlappende spraak: de sprekeractiviteit van de bevroren diarizer wordt in de encoder geïnjecteerd, zodat het model woorden kan toeschrijven terwijl mensen elkaar overspreken. Dat is de bewering achter zijn gemiddelde cpWER van 15,80 op NVIDIA's multi-spreker-set.

• Taaldekking voor labels — Meta ondersteunt 25+ talen; NVIDIA ondersteunt 40 talen voor transcriptie maar markeert 13 daarvan voor multisprekeruitvoer. Een Turkse vergadering wordt getranscribeerd en krijgt geen labels.

• Labelformaat — Meta geeft kale sprekerletters zoals "A" uit; NVIDIA geeft tags in <spk:0>-stijl uit die terugverwijzen naar diariseringssegmenten.

Als uw use case een panel, een rechtszaal of een supportcall is met drie overlappende deelnemers, is het plafond van acht sprekers de beperking die de doorslag geeft, niet de WER-kolom. Als uw use case een all-hands is met twintig personen waar mensen meestal om de beurt aan het woord zijn, is Meta's 20+ het getal dat telt en is NVIDIA's acht een harde muur.

Talen: 25 tegen 40, en geen van beide getallen is wat het lijkt.

De eigen ontwikkelaarpagina van Meta vermeldt "25+ talen" en ondersteunt code-switching binnen en tussen zinnen, wat belangrijk is voor tweetalige vergaderingen. In berichtgeving over de lancering werd gemeld dat het model was getraind op 70+ talen, waarvan 25 uitgebreid gevalideerd — een nuttig onderscheid, omdat een taal die "getraind" maar niet gevalideerd is, een taal is die je moet testen voordat je erop vertrouwt. De specificatiekaart van NVIDIA vermeldt 40 talen met ASR-ondersteuning, 31 met bidirectionele vertaling naar en van het Engels, en een aparte taal-ID-component met 48 labels.

• Als je Europese dekkingsbreedte nodig hebt — Meta's 25 gevalideerde talen zijn beperkter dan NVIDIA's 40, maar Meta's lijst neigt naar de talen die zakelijke klanten daadwerkelijk opnemen.

• Als je vertaling nodig hebt — alleen NVIDIA doet dat. Het model van Meta transcribeert; het vertaalt het transcript niet naar een andere taal.

• Als je code-switching nodig hebt — Meta claimt dit native te ondersteunen; de kaart van NVIDIA vermeldt niets vergelijkbaar, en het audio-begrip is alleen Engels, ongeacht de transcriptietaal.

Wat het transcript eigenlijk bevat

Tijdstempels zijn het punt waar een ogenschijnlijk goedkoop verschil een duur verschil wordt. Meta biedt tijdstempels op beurtniveau — segmentgrenzen, geen tijden per woord — en stelt helemaal geen betrouwbaarheidsscores beschikbaar. NVIDIA biedt woordtijdstempels via een CTC-adapter, met de kanttekening dat tijdstempels niet beschikbaar zijn wanneer het DFlash2-concept voor speculatief decoderen is ingeschakeld.

• Tijdstempels — Meta op beurtniveau; NVIDIA op woordniveau, maar niet naast zijn snelste decodeerpad.

• Betrouwbaarheid — Meta publiceert er geen; NVIDIA publiceert ook geen betrouwbaarheid per woord.

• Invoerformaat — Meta vereist mono 16-bit PCM op 16 of 24 kHz en zegt dat je al het andere met ffmpeg moet converteren; NVIDIA accepteert 16 kHz mono en verwerkt het bestand direct.

• Prompting — beide beïnvloeden de uitvoer. Meta's trefwoord- en taalbiasing "geven het model slechts een duwtje en garanderen geen spelling", volgens de documentatie. NVIDIA's contextuele prompting meldt dat de WER voor benoemde entiteiten daalt van 12,21% naar 2,20% met een fijnmazige entiteitenlijst — door de leverancier uitgevoerd, maar een veel sterkere bewering, en een die een ander mechanisme impliceert dan een zacht duwtje.

• Outputstijlen — NVIDIA's vijf stijlen (woordelijk, geschreven vorm, contextueel, aan spreker toegewezen, rijk) worden per instructie geselecteerd. Meta retourneert één formaat en verwacht dat je het nabewerkt.

Prijs per audiouur

Meta rekent $3,00 per 1.000 minuten, wat neerkomt op $0,18 per uur audio, en er zijn geen staffels of gratis tegoed gepubliceerd. NVIDIA's gehoste vermelding op Artificial Analysis is $2,00 per 1.000 minuten — ongeveer $0,12 per uur — en de gewichten zijn gratis te downloaden onder OpenMDW-1.1, dus zelf hosten is een derde optie die Meta voor geen enkele prijs aanbiedt.

De rekensom bij volume is eenvoudig en spreekt niet in het voordeel van het goedkopere prijskaartje. Duizend uur audio per maand kost $180 via Meta en $120 via een gehoste Nemotron-endpoint. Self-hosted kost diezelfde duizend uur minder dan een uur GPU-tijd op een RTX PRO 6000 Blackwell bij NVIDIA's NVFP4-doorvoerclaim — zeg maar $2 rekenkracht tegen een tarief voor gehuurde GPU's, plus operationele kosten, opslag en de engineer die het beheert. Bij 10.000 uur per maand dekt de kloof tussen $1.800 en een paar honderd dollar een hoop operationele kosten; bij 100 uur per maand dekt die geen van die kosten.

Wat self-hosting eigenlijk oplevert, is niet de prijs. Het is de mogelijkheid om transcriptie uit te voeren op audio die contractueel je netwerk niet mag verlaten, en de mogelijkheid om de pipeline draaiend te houden wanneer het endpoint van een leverancier verslechtert. Dat zijn de redenen waarom teams in gereguleerde omgevingen betalen voor GPU's die ze anders zouden kunnen huren.

Waar elk van breekt

De faalmodi van Meta zijn latentie-gerelateerd. De diarisatie gaat uit van niet-overlappende spraak, dus een hitzig klantenservicegesprek met onderbrekingen zal spreekbeurten verkeerd labelen. De transcriptie heeft geen woordtijdstempels, wat de generatie van ondertitels, audiozoekfunctie en elke downstream-synchronisatie met video kapotmaakt. Het inputcontract is strikt, en de biasing is adviserend. Het biedt geen vertaling, geen audio-vraagbeantwoording en geen self-hosted optie.

De faalmodi van NVIDIA zijn nou verbonden met de workflow. Het kan niet streamen, dus het kan geen live ondertiteling, spraakagenten of realtime gespreksroutering leveren. Zijn audiobegrip is alleen Engels. Het is beperkt tot één uur per opname. De meegeleverde SGLang-Omni-integratie laat sprekerattributie in de uitvoer, woordtijdstempels en vertaling weg, dus een deel van wat de kaart belooft, vereist het vLLM-pad of de NIM-container. En het kan soms niet stoppen, waartegen de kaart aanbeveelt je te beschermen.

Geen van beide sets fouten is een bug in het voordeel van het andere model. Het zijn de twee vormen van het probleem: een model dat aanwezig is terwijl de audio plaatsvindt, en een model dat grondig is nadat die is afgelopen.

Als je beide nodig hebt, is de pipeline geen compromis.

De meest voorkomende daadwerkelijke implementatie is niet eens een keuze. Live audio gaat via Meta's streaming-endpoint, omdat dat de enige manier is om tekst te krijgen terwijl het gesprek plaatsvindt — ondertitels, agent-assistentie, live zoeken. Dezelfde opname wordt daarna 's nachts offline door NVIDIA's checkpoint opnieuw getranscribeerd, omdat de batchverwerking schonere tekst, aan sprekers toegewezen woordtijdstempels en, indien nodig, een Engelse vertaling van een niet-Engels gesprek produceert. Het streamingtranscript is voor het moment; het batchtranscript is voor de formele vastlegging. Teams die één model in beide rollen proberen te dwingen, komen meestal uit op óf een trage liveweergave óf een hoge streamingrekening voor audio die niemand volgt.

De downstream-helft van die pipeline — gesprekken samenvatten, de prestaties van agents beoordelen, persoonsgegevens redigeren, gemarkeerde gesprekken naar een mens doorsturen — is gewoon tekstwerk, en hoort niet op dezelfde GPU als de ASR. OrcaRouter voert die tekstaanroepen uit achter één sleutel met 0% opslag, waarbij de lijstprijs van de provider ongewijzigd wordt doorgegeven, met automatische failover wanneer een provider hapert en een routing-DSL die samenvatting en classificatie binnen één workflow naar verschillende modellen kan sturen. Noch Meta Muse Voice Transcribe noch NVIDIA Nemotron 3.5 Transcribe staat in de catalogus van OrcaRouter; de router zit na het transcript, waar de tekstworkload thuishoort.

Drie vragen beslissen dit sneller dan welke ranglijst dan ook. Hoe lang na aankomst van de audio moet de tekst er al zijn? Als het antwoord 'tijdens het gesprek' is, ligt de beslissing bij Meta en is de WER-discussie decoratie. Hoeveel mensen praten er tegelijk, en overlappen ze elkaar? Als het antwoord 'meer dan acht, en ja' is, is dat het terrein van NVIDIA. En mag de audio je netwerk verlaten? Als het antwoord nee is, kan überhaupt maar één van deze twee modellen worden ingezet.

Alles daarbuiten — de 3,1%, de 4,71%, de $0,18 — is een beslissende factor tussen twee producten die zijn ontworpen voor verschillende momenten binnen dezelfde vergadering.