Nemotron 3.5 Transcribe vs GPT Transcribe: 0,1 punktu różnicy, a jeden z nich oddaje ci checkpoint

Poproś GPT Transcribe o znaczniki czasu na poziomie słów, a API wcale ci ich nie zwróci. Nie chodzi o to, że będą złe albo przybliżone — model nie ma głowy czasowej, dokumentacja OpenAI kieruje w tej kwestii do whisper-1, i podobnie jest z etykietami mówców, które znajdują się w osobnym modelu diaryzacji. Teraz poproś Nemotron 3.5 Transcribe, który NVIDIA wydała jako otwarte wagi 28 października 2026 r., a oba wyniki wracają z jednego przebiegu: znaczniki czasu słów z przypisaniem mówców z adaptera CTC, który po dekodowaniu dopasowuje ukończony transkrypt do audio. W publicznym rankingu dokładności oba modele mieszczą się w odległości jednej dziesiątej punktu od siebie. Jeśli chodzi o to, co robisz z transkrypcją, nie należą do tej samej kategorii produktu.

To cała decyzja i warto ją spokojnie prześledzić, ponieważ relacje z premiery w większości sprowadziły to zestawienie do wyścigu o WER, którego żadna ze stron tak naprawdę nie wygrywa znaczącą przewagą.

Różnica w dokładności to szum; różnica w funkcjach już nie.

W indeksie non-streamingowym Artificial Analysis GPT Transcribe — wsadowy model transkrypcji OpenAI, wydany 28 lipca 2026 r. wraz z bliźniaczym modelem do transmisji strumieniowej na żywo — jest notowany na poziomie 3,3%, ex aequo na osiemnastej pozycji z mniejszym konkurentem. Nemotron 3.5 Transcribe jest notowany na poziomie 3,4%, ex aequo na dwudziestej pozycji. Jedna dziesiąta punktu na indeksie, którego wpisy dla tego samego modelu mogą różnić się o niemal pełny punkt w zależności od tego, który punkt końcowy je obsłużył. Nikt nie powinien wybierać między dwoma systemami mowy na tej podstawie.

Materiał premierowy NVIDIA tymczasem podaje 2,8% AA-WER i remis na pierwszym miejscu wśród modeli o otwartych wagach. Odczyt z tablicy na żywo z 29 października wynosi 3,4%. Traktuj 2,8% jako liczbę zgłoszeniową, a 3,4% jako bieżący pomiar; różnica jest większa niż odstęp między Nemotronem a GPT Transcribe, co pokazuje, ile wagi zasługuje pojedyncza delta na leaderboardzie.

• Parametry — około 30B łącznie i około 4B aktywnych na token w hybrydowym MoE Mamba–Transformer w porównaniu z nieujawnionym, niegeneratywnym modelem.

• Licencja — OpenMDW-1.1, użycie komercyjne, wagi dostępne do pobrania a dostęp wyłącznie przez API.

• Cena — brak stawki cennikowej; czas GPU, przy czym według deklaracji kompilacja NVFP4 osiąga nawet 2238 sekund audio na sekundę na jednej karcie RTX PRO 6000 Blackwell w porównaniu z 0,0045 USD za minutę, czyli około 0,27 USD za godzinę audio.

• Etykiety mówców — do 8 mówców w 13 językach, wbudowane vs brak; wymagany jest osobny model diarizacji.

• Czasowanie słów — wyrównanie CTC po dekodowaniu, z przypisaniem mówcy vs. nieoferowane; whisper-1 jest udokumentowaną alternatywą.

• Języki — 40 transkrybowanych, 31 tłumaczonych do lub z angielskiego vs. tryb wielojęzyczny z automatycznym wykrywaniem i wskazówkami językowymi, brak podanej liczby.

• Czas trwania audio — 1 godzina w jednym przebiegu vs podejście oparte na plikach z podziałem na fragmenty obsługiwanym przez API.

• Przetwarzanie końcowe — sterowana promptem forma dosłowna lub pisemna vs swobodny kontekst i podpowiedzi słów kluczowych, bez etapu oczyszczania.

Co GPT Transcribe robi lepiej niż otwarty checkpoint

Trzy rzeczy, i żadna nie jest błaha. Po pierwsze: to API. Nie ma checkpointu o 30 mld parametrów do zwymiarowania, nie ma kompilacji NVFP4, na którą trzeba czekać, nie ma przepisu vLLM do przypięcia. OpenAI podaje, że przetwarza około 34 razy szybciej niż w czasie rzeczywistym, co jest wolniejsze niż deklarowana przez NVIDIA przepustowość na karcie Blackwell i bez znaczenia dla większości zespołów, ponieważ 34-krotna szybkość względem czasu rzeczywistego jest już większa niż jakakolwiek kolejka, którą uruchamiają.

Drugą kwestią jest obsługa kontekstu. GPT Transcribe przyjmuje kontekst w dowolnej formie, wskazówki dotyczące słów kluczowych i słownictwa oraz wiele wskazówek językowych, a obok transkrypcji zwraca tablicę wykrytych języków. To połączenie jest naprawdę przydatne w przypadku audio z przełączaniem kodów i żargonu dziedzinowego, a przy tym jest to interfejs oparty na promptach, a nie dostrajanie — co oznacza, że zespół produktowy może go dostosować bez posiadania GPU. Odpowiednik od NVIDIA, czyli lista oczekiwanych encji podawana w prompcie, jest uznawany za przyczynę sześciokrotnego zmniejszenia liczby błędów dotyczących nazwanych encji w ContextASR-Bench, ale ta liczba pochodzi od dostawcy i nie została niezależnie zreplikowana.

Po trzecie, powierzchnia integracji: ten sam endpoint obsługuje transkrypcję plików, strumieniowane transkrypcje plików, zatwierdzone tury w czasie rzeczywistym przez WebSocket, Responses API i Batch. Zespół już działający na platformie OpenAI otrzymuje transkrypcję jako parametr, a nie wdrożenie.

Opublikowane przez OpenAI twierdzenia dotyczące jakości są szerokie i trudne do zweryfikowania: 19,27% wskaźnika błędów słów na zestawie Common Voice w 22 językach wobec 40,37% u Whispera oraz 8,98% na benchmarku rzeczywistym w dziewięciu językach wobec 15,21%. To liczby dostawcy porównywane z baseline’em z 2024 r., a nie z konkurentem z 2026 r. Niezależny obraz jest bardziej przychylny GPT Transcribe, niż sugeruje ranking AA: w przeglądanym przez ludzi angielskim zestawie Perit uzyskuje 1,76% WER, szóste miejsce na 22, przy czym 61,3% klipów transkrybowano idealnie. To inny zestaw testowy niż zestaw Artificial Analysis, a liczby nie są porównywalne między dwoma rankingami — ale kierunek jest spójny i stawia model OpenAI przed hostowanym endpointem Parakeet na tym samym zestawie.

Gdzie brakujące funkcje naprawdę dają się we znaki

Jeśli Twoje dane wyjściowe to zwykły tekst do indeksu wyszukiwania, luki w GPT Transcribe nic Cię nie kosztują. Gdy potrzebujesz więcej, praca się mnoży. Synchronizacja słów wymaga drugiego przebiegu przez whisper-1 lub wymuszonego alignera, co przywraca dokładnie ten tryb awarii, który alignment ma naprawić: transkrypcję z przesuniętymi granicami, która dobrze się czyta, ale psuje napisy. Etykiety mówców wymagają trzeciego modelu, łączonego na granicach segmentów, z własnym odsetkiem błędów do debugowania. A żaden z tych drugich przebiegów nie wie o drugim, więc rozmowa z dwoma mówcami staje się trzema modelami i etapem scalania.

Kaskada nie jest krytyką inżynierii OpenAI. To jest po prostu tym, czym jest produkt: bardzo dokładnym transkryberem z celowo wąskim zakresem wyjścia. Microsoft i Google dostarczają ten sam podział — diaryzacja jako osobny SKU albo osobny tryb z własnymi ograniczeniami. Zakład NVIDII jest odwrotny, a uczciwie można to ująć tak, że Nemotron 3.5 Transcribe wymaga więcej obliczeń, aby uniknąć pipeline'u.

To, co daje ta moc obliczeniowa, jest udokumentowane, ale podane przez dostawcę: 18,26% wskaźnika błędu diaryzacji w 21 językach w benchmarku David AI — najlepszy wynik spośród 14 systemów; 32,4% sklejonego WER z minimalną permutacją w VoiceArena — również najlepszy wynik spośród 14; 8,32% pominiętych słów referencyjnych w nakładającej się mowie angielskiej wobec mediany blisko 31%. Nie ma wyniku diaryzacji OpenAI, który można by z tym zestawić, ponieważ OpenAI nie publikuje takiego wyniku dla tego modelu.

Dwa sposoby, by przestać płacić za minutę

GPT Transcribe pobiera opłatę w wysokości 0,0045 USD za minutę, co daje 4,50 USD za tysiąc minut i około 270 USD za tysiąc godzin audio. Nemotron 3.5 Transcribe nie pobiera opłaty za minutę, zamiast tego wymaga GPU. Konfiguracja demonstracyjna NVIDIA to jedna karta RTX PRO 6000 Blackwell uruchamiająca checkpoint NVFP4 z modelem roboczym DFlash2, a nagłówek dotyczący przepustowości — 100 godzin audio w niecałe trzy minuty — zmierzono na 30-sekundowych klipach przy wysokiej współbieżności, a nie na godzinnych spotkaniach. Traktuj to jako górny limit dla dobrze zorganizowanej pracy wsadowej.

To pozostawia próg wyznaczany przez wykorzystanie, a nie przez cenę katalogową. Karta, którą już posiadasz i którą utrzymujesz w użyciu, z łatwością przebija stawkę 270 dolarów za tysiąc godzin. Karta, którą musiałbyś kupić, aby obsłużyć kolejkę czterdziestu godzin miesięcznie, tego nie przebija, a nawet największa efektywność parametrów nie zmienia tej arytmetyki.

Istnieje trzecia opcja, którą dwubiegunowe ujęcie ukrywa, i jest to ta, którą w rzeczywistości wybiera najwięcej zespołów: zachować zarządzane API dla większości zadań, a trudne pliki — spotkania sześcioosobowe, wywiady kliniczne z akcentem, audio, którego nie wolno przesyłać — kierować do samodzielnie hostowanego checkpointu. Działa to tylko wtedy, gdy oba wyniki przyjmują ten sam kształt, co przemawia za ujednoliceniem schematu transkrypcji z polami mówcy i znaczników czasu, nawet jeśli obecny dostawca ich nie uzupełnia. Najpierw ujednolić schemat; model będzie można wymienić później.

Na warstwie ponad transkrypcją zadaniem OrcaRouter jest sprawić, by ta wymienialność nie kończyła się na granicy modelu. Moduł podsumowujący, klasyfikator i weryfikator zgodności, które odczytują te transkrypcje, mogą wszystkie działać za jednym kluczem obejmującym ponad 200 modeli, przy czym ceny listowe dostawców są przekazywane z 0% narzutu, automatyczne przełączanie awaryjne gdy usługa upstream zawiedzie, oraz DSL routingu, który kieruje każde obciążenie do innego modelu bez konieczności drugiej integracji. GPT Transcribe i Nemotron 3.5 Transcribe znajdują się poza tym katalogiem — nie obsługujemy żadnego z nich — więc wywołanie usługi mowy pozostaje tam, gdzie je kupujesz, a przenośna staje się wyłącznie dalsza część.

Krótka wersja, zależnie od sytuacji

Jeśli potrzebujesz tylko transkrypcji i niczego więcej, a do tego chcesz ją mieć w przyszłym tygodniu bez konfigurowania czegokolwiek, GPT Transcribe jest wyborem obarczonym mniejszym ryzykiem: szóste miejsce w niezależnym zestawie Perit, powierzchnia integracyjna, którą prawdopodobnie już masz, oraz cena, która nie wymaga zakupu kapitałowego. Jeśli Twoje transkrypcje zasilają napisy, analitykę spotkań, wyszukiwanie z atrybucją mówców lub archiwum zgodności, dodatkowe modele, które musiałbyś dołożyć do GPT Transcribe, kosztują więcej w czasie pracy inżynierskiej, niż checkpoint kosztuje w godzinach GPU, a Nemotron 3.5 Transcribe wykonuje tę pracę w jednym przebiegu.

Zastrzeżenie, które dotyczy obu: to model mający zaledwie jeden dzień, a jego kluczowe wyniki benchmarków pochodzą od samego dostawcy, przy czym niezależne rankingi nie oceniły jeszcze w ogóle checkpointu z 30 miliardami parametrów. Nie należy go mylić z nvidia/nemotron-3.5-asr-streaming-0.6b, modelem strumieniowym o 600 mln parametrów z czerwca, który faktycznie pojawia się w niezależnych rankingach i wypada znacznie gorzej (3,35% WER, miejsce 21 na 22 w Perit). Łączy je tylko nazwa rodziny, nic więcej.