Nemotron 3.5 Transcribe kontra Gemini 3.5 Transcribe: 2,8% na slajdzie, 3,4% na tablicy

Gemini 3.5 Transcribe od Google zajmuje dziewiąte miejsce w rankingu modeli mowy działających w trybie nieprzestrumieniowym Artificial Analysis, z współczynnikiem błędów 2,6%. Nemotron 3.5 Transcribe od NVIDIA, udostępniony jako otwarte wagi 28 października 2026 r., plasuje się na dwudziestym miejscu z 3,4%. Cztery dziesiąte punktu procentowego dzielą je w jedynym publicznym indeksie, który ocenia oba modele, i te cztery dziesiąte to niemal najmniej przydatny fakt w tym porównaniu. Te dwa modele nie powstały do tego samego zadania: jeden jest zarządzanym endpointem, który oczyszcza transkrypcję, zanim ją zobaczysz, drugi to checkpoint, który pobierasz i który rozróżnia osiem osób, gdy mówią jedna przez drugą. Ranking nie oddaje sprawiedliwości żadnemu z nich pod względem tego, do czego faktycznie je zaprojektowano.

Warto od razu zwrócić uwagę na jedną rozbieżność, ponieważ powraca ona w każdym artykule pisanym o tym modelu w tym tygodniu. Materiały premierowe NVIDIA podają 2,8% AA-WER oraz ex aequo pierwsze miejsce wśród systemów z otwartymi wagami. Tablica wyników na żywo, odczytana 29 października, wskazuje natomiast 3,4% na dwudziestym miejscu. Oba te numery wywodzą się z tego samego indeksu i nie są pomiarami tego samego przebiegu — co jest pierwszą praktyczną lekcją płynącą z tego zestawienia i powodem, dla którego poniższy rozdział poświęcony dokładności został napisany właśnie w ten sposób.

Co NVIDIA wprowadziła na rynek, a co Google uruchomiła już w sierpniu

Nemotron 3.5 Transcribe nie jest transduktorem ani zwykłym enkoderem. To model językowy rozszerzony o mowę: enkoder mowy zasila zamrożony model Nemotron 3 Diarization, którego sygnał aktywności mówcy jest wstrzykiwany do enkodera ASR poprzez to, co NVIDIA nazywa Parallel Expert Encoder, a dekoder to hybrydowy model językowy typu mixture-of-experts łączący Mambę i Transformer, z około 4 miliardami parametrów aktywnych na token spośród około 30 miliardów łącznie. Materiały samej firmy używają zarówno etykiet 30B-A3B, jak i 30B-A4B dla połowy stanowiącej model językowy, a panel boczny Hugging Face podaje 34B, gdy doliczy się stos audio, więc każdą pojedynczą liczbę parametrów należy traktować jako przybliżoną. Wagi są darmowe na licencji OpenMDW-1.1, która pozwala na użycie komercyjne.

Gemini 3.5 Transcribe jest ogólnie dostępny od 26 sierpnia 2026 r. w cenie 2,00 USD za milion tokenów wejściowych audio i 12,00 USD za milion tokenów wyjściowych tekstu, co Google przekłada na około 0,005 USD za minutę, czyli około 0,30 USD za godzinę audio. Ma darmowy poziom w ramach limitu, osobny SKU do transmisji na żywo w cenie około 0,009 USD za minutę i w ogóle nie ma wag.

Liczba, która zmieniła się między pakietem startowym a następnym rankiem

AA-WER od Artificial Analysis opiera się na trzech zbiorach danych — AgentTalk w 50%, VoxPopuli-Cleaned w 25%, Earnings22-Cleaned w 25% — a indeks jest jednym połączonym wynikiem, a nie wynikiem dla poszczególnych domen. Ma to znaczenie, ponieważ AgentTalk to mowa agentów głosowych, czyli krótka, czysta i w dużym stopniu obecna w mieszance treningowej dostawcy, jeśli ten sprzedaje agentów głosowych. Model, który wygrywa w tym połączonym wyniku, może zawieść na Twoim archiwum.

Spójrz na tabelę w obecnym kształcie — kolejność w rankingu jest następująca: MAI Transcribe 2 z 2,0%, Voxtral Small Transcribe 3 z 2,1%, Gemini 3.5 Transcribe z 2,6%, GPT Transcribe z 3,3%, Nemotron 3.5 Transcribe z 3,4%. Deklaracja NVIDIA wynosząca 2,8%, gdyby się utrzymała, plasowałaby nowy model na poziomie Gemini 3.1 Pro Preview i Voxtral Small oraz z wyraźną przewagą nad modelem wsadowym OpenAI. Przy 3,4% znajduje się za nimi wszystkimi i ex aequo z trzema systemami, w tym z wariantem Gemini Flash-Lite, z którym nigdy nie był zestawiany. Rewizja o 0,6 punktu nie jest błędem zaokrąglenia w indeksie, którego cała pierwsza dziesiątka mieści się w przedziale od 1,7% do 2,9%.

Uczciwa interpretacja nie polega na tym, że NVIDIA skłamała. AA dokonuje ponownych pomiarów, gdy model jest udostępniany w nowym punkcie końcowym lub uruchamiany ponownie na zaktualizowanych danych wejściowych, a liczba z premiery niemal na pewno odzwierciedla zgłoszenie samej NVIDIA, a nie domyślny host rankingu. Ale to jest dokładnie ten rodzaj rozbieżności, który przeradza się w błąd zakupowy: zespół, który planuje budżet w oparciu o „pierwszy wśród otwartych wag”, a następnie mierzy 3,4%, kupił model na slajdzie.

Co Google sprzedaje, czego NVIDIA nie sprzedaje

To, co decyduje o większej liczbie kontraktów na transkrypcję niż WER, to co dzieje się ze słowami po rozpoznaniu — i na tym opiera się Gemini 3.5 Transcribe. Jego domyślny tryb dosłowny zachowuje wypełniacze, fałszywe starty i powtórzenia na potrzeby pracy zgodnościowej; tryb inteligentny usuwa niepłynności, rozstrzyga autokorekty i normalizuje liczebniki oraz waluty w mowie w jednym przebiegu. Niestandardowy słownik ukierunkowuje rozpoznawanie na maksymalnie 1000 terminów, przy czym Google zaleca około 100 dobrze dobranych. Żadnego z tych elementów nie ma w Nemotron 3.5 Transcribe, który można *podpowiedzieć* listą encji i nakazać mu generowanie wyniku dosłownego lub w formie pisanej, ale formatowanie liczb i naprawianie autokorekt zostawia temu, co przeczyta transkrypcję jako następne.

Google wygrywa także pod względem liczby nazwanych locale’ów: ponad 85, z automatycznym wykrywaniem i przełączaniem kodu w obrębie zdania, w porównaniu z 40 w przypadku NVIDIA dla transkrypcji i 31 dla tłumaczenia. Liczono nazwane jednostki. Jeśli Twoja kolejka obejmuje język, który znajduje się na liście Google’a, a nie ma go na liście NVIDIA, nie ma benchmarku, o którym można by dyskutować.

Co NVIDIA sprzedaje, a Google nie

Atrybucja mówcy to przypadek odwrotny i jest ostrzejsza, niż sugeruje marketing. Gemini 3.5 Transcribe dokumentuje do ośmiu mówców, ale materiały samego Google oznaczają atrybucję dla trzech lub więcej mówców jako eksperymentalną, a jego blog opiera się na „do trzech”. Nemotron 3.5 Transcribe oznacza do ośmiu mówców, robi to w 13 językach i zwraca znaczniki czasu na poziomie słów z atrybucją mówcy za pośrednictwem adaptera CTC po dekodowaniu, który dopasowuje gotowy transkrypt do dźwięku.

• Parametry — łącznie 30B, z czego około 4B aktywnych; hybrydowy Mamba–Transformer MoE w porównaniu z nieujawnionym zastrzeżonym stosem technologii mowy.

• Licencja — OpenMDW-1.1, użycie komercyjne, wagi do pobrania vs dostęp wyłącznie przez API bez prawa do redystrybucji.

• Cena — brak publikowanego cennika; koszt to czas GPU, a wersja NVFP4 na jednej karcie RTX PRO 6000 Blackwell ma według deklaracji przetwarzać do 2238 sekund audio na sekundę w porównaniu z 0,005 USD za minutę w modelu mieszanym.

• Języki — 40 transkrybowanych, 31 tłumaczonych na angielski lub z angielskiego, 13 z etykietami mówców w porównaniu z ponad 85 lokalizacjami z przełączaniem kodu.

• Głośniki — 8, udokumentowanych i zbadanych w testach porównawczych vs 8 udokumentowanych, 3+ oznaczonych jako eksperymentalne.

• Czas trwania audio — 1 godzina w jednym przebiegu vs 1 godzina, zmniejszając się do 30 minut, gdy wymagana jest diaryzacja lub znaczniki czasu.

• Streaming — brak; tylko nagrane audio w porównaniu z osobnym SKU transmisji na żywo w cenie około 0,009 USD za minutę.

• Przetwarzanie końcowe — dosłowna lub pisemna forma sterowana promptem; brak wbudowanego oczyszczania w przeciwieństwie do trybu inteligentnego, który usuwa wypełniacze i koryguje samopoprawki.

Liczby dotyczące diarizacji publikuje tylko jedna strona

To tutaj porównanie przestaje być wyrównane i staje się jednostronne, a także tutaj źródła stają się skąpe. NVIDIA podaje 18,26% współczynnika błędów diaryzacji w 21 językach w benchmarku David AI — najniższy wynik spośród 14 ocenianych systemów; kolejny jest jej własny model Nemotron 3 Diarization z 18,38%, a wszystkie pozostałe mieszczą się między 22,85% a 37,55%. W Diarization-Bench VoiceArena podaje 32,4% połączonego WER min-permutation, najlepszy wynik spośród 14, a drugi wynik to 34,2%. W angielskich sesjach z nakładającymi się wypowiedziami podaje, że gubi 8,32% słów referencyjnych wobec mediany wynoszącej około 31%.

Google w ogóle nie publikuje wskaźnika błędów diaryzacji dla Gemini 3.5 Transcribe. Nie gorszego — żadnego. Ta asymetria działa w obie strony i należy powiedzieć to wprost: liczby NVIDIA są zgłoszone przez dostawcę na stanowisku testowym NVIDIA, a nie ma żadnej liczby od podmiotów zewnętrznych, z którą można by je skonfrontować, ponieważ istniejące niezależne rankingi diaryzacji są w większości zapełnione przez systemy zgłoszone przez samą NVIDIA. Poza wątpliwością pozostaje natomiast udokumentowany limit: Gemini obsługuje maksymalnie osiem osób, przy czym przypisanie mówców powyżej trzech jest eksperymentalne, i obniża maksymalną długość audio z godziny do trzydziestu minut, gdy tylko zażądasz etykiet mówców i znaczników czasu słów jednocześnie. Jeśli twoim materiałem jest spotkanie zarządu z sześcioma osobami, to ograniczenie produktu, a nie kwestia jakości, i żadne porównanie WER tego nie ujawni.

Ile faktycznie kosztuje godzina audio na każdym z nich

Uruchom to na tysiąc godzin miesięcznie — realistycznym obciążeniu dla centrum kontaktowego lub archiwum medialnego. Gemini 3.5 Transcribe w cenie 0,005 USD za minutę to 300 USD za tysiąc godzin. Nemotron 3.5 Transcribe nie ma ceny cennikowej, bo nie ma czego podawać w cenniku: kupujesz GPU. Jedna karta RTX PRO 6000 Blackwell uruchamiająca checkpoint NVFP4 to konfiguracja, którą demonstruje NVIDIA, a deklarowana przepustowość — do 2238 sekund dźwięku na sekundę — wiąże się z warunkiem, który podaje wpis na Hugging Face, a nagłówki go pomijają: zmierzono ją na 30-sekundowych fragmentach przy wysokiej współbieżności. Długie spotkania z nakładającymi się mówcami nie osiągną tej wartości.

Próg opłacalności jest zatem kwestią wykorzystania, a nie ceny. Pojedyncza karta, która kosztuje mniej więcej tyle samo co kilka miesięcy zarządzanej transkrypcji, zwraca się tylko wtedy, gdy jest stale zajęta, i nigdy nie zwraca się w porównaniu z 300 USD miesięcznie wydawanymi na wywołania API przy niewielkiej kolejce. Argument za checkpointem nie polega na tańszych minutach przy niskim wolumenie. Chodzi o to, że minuty przestają być w ogóle osobną pozycją kosztową, dźwięk nigdy nie opuszcza Twojej sieci, a dostrajanie to jedno popołudnie na pojedynczym GPU — NVIDIA podaje od 0,5 do 2,3 godziny GPU na zadanie oraz adaptację mowy medycznej, która obniżyła współczynnik błędów słów z 30,8% do 11,8% na 3619 klipach, przy czym wskaźnik ten dla mówców ze zbioru wydzielonego poprawił się z 22,44% do 12,17%.

Własna strona badawcza NVIDIA to jedyne miejsce, w którym twierdzenia dotyczące przepustowości i dostrajania pojawiają się razem, i warto czytać ją w zestawieniu z powyższymi liczbami: liczba 2,238 sekund na sekundę zakłada checkpoint NVFP4 i model szkicowy DFlash2 na sprzęcie Blackwell, a twierdzenie o dostrajaniu w czasie od 0,5 do 2,3 GPU-godziny zakłada pojedynczy GPU i zadanie wystarczająco małe, by zmieściło się na jednym. Ani jedna, ani druga nie jest nagłówkiem, który można skopiować do planu pojemności bez tych zastrzeżeń.

Niezależnie od tego, którą stronę wybierzesz, transkrypt nie jest końcem pipeline'u. Jest podsumowywany, klasyfikowany, przeszukiwany i kierowany dalej, a właśnie w tej dalszej części liczy się jeden punkt końcowy: OrcaRouter udostępnia ponad 200 modeli tekstowych i multimodalnych za pomocą jednego klucza, z cenami listowymi dostawców przekazywanymi przy 0% marży, automatycznym przełączaniem awaryjnym oraz DSL routingu, który pozwala kierować protokoły spotkań do jednego podsumowywacza, a przegląd zgodności do innego — bez konieczności drugiej integracji. Ani Gemini 3.5 Transcribe, ani Nemotron 3.5 Transcribe nie znajdują się dziś w tym katalogu — speech-to-text nadal jest osobnym kontraktem, niezależnie od tego, gdzie go kupujesz — więc sedno jest węższe, niż brzmi: wybierz narzędzie do transkrypcji pod kątem transkrypcji, a warstwę ponad nim pozostaw przenośną.

Który z nich należy do twojego stacka?

Wybierz Gemini 3.5 Transcribe, jeśli Twoim problemem jest tekst: niepłynne audio z wywiadu, mowa z centrum obsługi telefonicznej pełna „nie, czekaj, chodziło mi o”, lista ustawień regionalnych, którą musisz sprawdzić po nazwie, oraz zarządzany endpoint, który możesz jeszcze dziś popołudniu postawić za kluczem. To dokładniejszy model na publicznej liście rankingowej dzisiaj, z przewagą niewielką, ale realną; poprawia transkrypcję w locie i kosztuje trzydzieści centów za godzinę, z darmowym planem do testowania.

Wybierz Nemotron 3.5 Transcribe, jeśli problemem jest pomieszczenie. Ponad trzech mówców, nakładająca się mowa, etykiety mówców w trzynastu językach, znaczniki czasowe słów, które wytrzymują plik trwający godzinę, oraz polityka audio zabraniająca przesyłania nagrania stronie trzeciej — to warunki, w których otwarty checkpoint nie jest kompromisem, lecz jedyną opcją spełniającą wymóg. Jest także jedynym z tych dwóch, który można dostroić, co w przypadku dźwięku z akcentem lub charakterystycznego dla danej dziedziny jest warte ponad cztery dziesiąte punktu.

Co zmieniłoby ten werdykt: niezależny ponowny przebieg diaryzacji, który umieściłby Gemini choćby blisko 18,26% DER NVIDIA, albo ponowny pomiar AA, który ustali Nemotron między 2,8% a 3,4%. Dopóki jedno z nich nie nastąpi, argument o dokładności jest argumentem dostawcy, a argument o funkcjonalności jest tym, który możesz zweryfikować samodzielnie w ciągu popołudnia, używając własnego najgorszego nagrania.