Nemotron 3.5 Transcribe kontra NVIDIA Parakeet TDT 0.6B: obecny lider z 626 000 pobrań spotyka swojego następcę

Ponad 626 000 pobrań na Hugging Face należy do NVIDIA Parakeet TDT 0.6B, transduktora o 600 milionach parametrów, który od pojawienia się w sierpniu 2025 r. jest domyślnym samodzielnie hostowanym rozpoznawaczem mowy angielskiej. Prawie żadne z nich nie jest uruchamiane samodzielnie: standardowe wdrożenie to Parakeet do słów, osobny diaryzator do mówców i etap scalania, który łączy oba wyjścia przy granicach segmentów. Nemotron 3.5 Transcribe, opublikowany jako otwarte wagi 28 października 2026 r., jest propozycją NVIDIA, aby usunąć tę warstwę pośrednią — jednym checkpointem, który transkrybuje, rozdziela maksymalnie osiem głosów i opatruje je znacznikami czasu, w czterdziestu językach, bez kaskady. Jest też czterdzieści trzy razy wolniejszy w przeliczeniu na sekundę GPU i około dwadzieścia pięć razy większy na dysku, i to jest ta część, od której ogłoszenie nie zaczyna.

Ciekawe w tym zestawieniu jest to, że oba modele należą do tej samej firmy. To nie jest pretendent przychodzący z zewnątrz, by wyprzeć obecnego lidera; to NVIDIA sprzedaje ci drugi, znacznie cięższy produkt, aby wykonał połowę pracy, do której jej pierwszy produkt nigdy nie został stworzony.

Dwie architektury, dwie teorie zadania

Parakeet TDT 0.6B v3 to enkoder FastConformer zasilający dekoder transduktorowy typu token-and-duration. Model TDT przewiduje w każdym kroku zarówno token, jak i czas trwania, co pozwala mu pomijać ramki i działać znacznie szybciej niż w czasie rzeczywistym; właśnie dlatego jest szybki. Obejmuje 25 języków europejskich z automatycznym wykrywaniem języka, zapewnia natywne znaczniki czasu na poziomie słów i jest udostępniany na licencji CC-BY-4.0, która jest niemal tak wolna od obciążeń, jak to tylko możliwe w przypadku licencji. Nie ma żadnej reprezentacji mówcy — ani słabej, ani w ogóle.

Nemotron 3.5 Transcribe to model językowy rozszerzony o mowę: enkoder mowy, zamrożony model Nemotron 3 Diarization wstrzykujący cechy aktywności mówcy przez Parallel Expert Encoder oraz hybrydowy dekoder Mamba–Transformer oparty na mieszaninie ekspertów, w którym około 4 miliardy spośród 30 miliardów parametrów są aktywne na token. Nie klasyfikuje ramek. Generuje tekst, dlatego można mu wskazać, jak ma go generować.

• Parametry — łącznie około 30 mld, około 4 mld aktywnych na token w porównaniu z 600 mln.

• Dekodowanie — generowanie autoregresywne a transduktor token-and-duration, nieautoregresyjny.

• Licencja — OpenMDW-1.1 vs CC-BY-4.0.

• Języki — 40 transkrybowanych, 31 tłumaczonych z lub do angielskiego w porównaniu z 25 językami europejskimi z automatycznym wykrywaniem.

• Mówcy — do 8, z atrybucją, w 13 językach vs brak.

• Znaczniki czasu — wyrównanie CTC po dekodowaniu, atrybucja mówcy w porównaniu z natywnym pomiarem czasu na poziomie słów.

• Przepustowość — RTFx 462 w rankingu Open ASR Leaderboard w porównaniu z RTFx 3,333.

• Czas trwania i strumieniowanie audio — 1 godzina na plik, wyłącznie nagranie vs nagranie, przy czym 0,6B model siostrzany do strumieniowania obsługuje audio na żywo osobno.

Liczby dotyczące dokładności zmieniają się w zależności od tego, kto jest gospodarzem.

W średniej dla angielskich krótkich wypowiedzi w rankingu Hugging Face Open ASR Leaderboard Parakeet TDT 0.6B v3 osiąga 6,34%, a Nemotron 3.5 Transcribe — 5,33%. To różnica jednego punktu w tym samym publicznym rankingu, co stanowi bardziej miarodajne porównanie niż większość w tej serii — ta sama infrastruktura testowa, te same zestawy testowe, zgłoszenia własne obu dostawców. To wciąż nie jest pełny obraz, ponieważ oba wpisy zostały ocenione w różnym czasie, a średnia w rankingu jest zdominowana przez czystą mowę czytaną.

Artificial Analysis opowiada zupełnie inną historię i warto zrozumieć dlaczego. Na tej tablicy pozycja Parakeet wynosi 4,5%, znacznie powyżej tego, co sugerowałaby jego średnia Open ASR, podczas gdy Nemotron 3.5 Transcribe ma 3,4%. Te 4,5% należy do konfiguracji hostowanego endpointu, a nie do checkpointu na własnym sprzęcie, a wybory wdrażającego dotyczące batchowania i dekodowania przesuwają wynik o blisko punkt procentowy. Porównywanie wyniku hostowanego Parakeet z wynikiem samodzielnie hostowanym to najczęstszy błąd w relacjach z tego tygodnia, i działa też w drugą stronę: deklaracja NVIDII o 2,8% przy premierze Nemotron to liczba ze zgłoszenia, a obecne 3,4% na tablicy to pomiar.

Niezależny, zweryfikowany przez ludzi obraz jest jeszcze węższy. W angielskim zestawie Perita Parakeet TDT 0.6B v3 osiąga 2,13% WER, zajmując 14. miejsce na 22, a 54% klipów zostało przetranskrybowanych idealnie. GPT Transcribe i MAI Transcribe 2 plasują się na poziomie 1,76%, odpowiednio na 6. i 7. miejscu. Checkpoint 30B modelu Nemotron 3.5 Transcribe w ogóle nie występuje w tym zestawieniu; model nemotron-3.5-asr-streaming-0.6b, który się w nim znajduje, osiąga 3,35%, zajmując 21. miejsce — to inny model do innego zadania, często mylony z tym, o którym jest ten artykuł.

Co faktycznie usuwa zamiana

Kaskada Parakeet, z której użytkownicy korzystają dziś, składa się z trzech części i trzech trybów awarii. Moduł rozpoznawania generuje tekst ze znacznikami czasu słów. Moduł diaryzacji generuje segmenty mówców. Scalanie przypisuje segmenty mówców do słów i robi to za pomocą heurystyk nakładania, które są błędne dokładnie tam, gdzie ma to znaczenie — gdy dwie osoby mówią jednocześnie. Liczby podane przez samą NVIDIA dla zastąpienia pojedynczym modelem są bezpośrednio wymierzone w ten problem: 18,26% wskaźnika błędu diaryzacji w 21 językach na benchmarku David AI — najlepszy wynik spośród 14 systemów; 32,4% konkatenacyjnego WER z minimalną permutacją na VoiceArena — najlepszy wynik spośród 14, a drugie miejsce zajął kaskada Multitalker Parakeet plus Nemotron 3 Diarization z wynikiem 34,2%; oraz 8,32% słów referencyjnych pominiętych w nakładającej się mowie angielskiej wobec mediany wynoszącej około 31%.

To wyniki dostawcy uzyskane na stanowisku testowym dostawcy i nie zostały niezależnie odtworzone. Zwróć jednak uwagę, co zajmuje drugie miejsce: własna kaskada NVIDIA, zbudowana z modelu wymienionego w tytule tego porównania. Firma publikuje benchmark, w którym jej nowy produkt przewyższa jej stary produkt w połączeniu z diaryzatorem. To wyjątkowo bezpośredni dowód, a zarazem rodzaj dowodu, który dostawca ma najlepsze możliwości wytworzenia i najmniejsze prawdopodobieństwo opublikowania, gdyby wynik był odwrotny.

Drugą rzeczą, którą usuwa zamiennik, jest obsługa językowa. Parakeet obsługuje 25 języków europejskich; Nemotron obsługuje 40 w przypadku transkrypcji i 31 w przypadku tłumaczenia z lub na angielski, a w 13 także atrybucję mówcy. Jeśli Twoja kolejka kończy się na UE, ta różnica jest czysto akademicka. Jeśli obejmuje arabski, mandaryński, hindi lub japoński, Parakeet nigdy nie wchodził w grę, a porównanie dotyczy Nemotrona i czegoś zupełnie innego.

Ile kosztuje cię zastąpienie go

Po pierwsze przepustowość. 3,333 RTFx Parakeet w porównaniu z 462 Nemotron to 7,2-krotna różnica w tym samym środowisku testowym rankingu — mniejsza luka, niż sugeruje stosunek parametrów, ponieważ MoE aktywuje tylko około 4 miliardów z 30 miliardów swoich wag na token, ale wciąż realna. Głośniejsze twierdzenie NVIDIA — do 2,238 sekund audio na sekundę na jednej karcie RTX PRO 6000 Blackwell — zakłada checkpoint NVFP4 oraz model szkicowy DFlash2 i zostało zmierzone na 30-sekundowych klipach przy wysokiej współbieżności. Żadna z tych liczb nie jest błędna; mierzą różne konfiguracje, a plan pojemności oparty na większej z nich rozczaruje cię podczas godzinnych spotkań.

Ślad pamięciowy, po drugie. Parakeet TDT 0.6B mieści się w kilku gigabajtach i bez problemu działa na GPU średniej klasy, a jego skwantyzowane wersje działają na CPU. Nemotron 3.5 Transcribe zajmuje kilkadziesiąt gigabajtów w BF16 i wymaga vLLM z wtyczką NeMo Speech lub SGLang-Omni na akceleratorze w centrum danych. Nie ma takiej wersji, w której model 30B zastępuje model 0.6B na tym samym sprzęcie.

Dojrzałość — po trzecie. Parakeet ma za sobą rok wdrożeń, tysiąc odpowiedzi na forum i działający zestaw narzędzi w NeMo, Transformers oraz środowisku wykonawczym C++. Nemotron 3.5 Transcribe ma za sobą dzień. Wsparcie dla GGUF i NeMo-Speech.cpp opisano jako „wkrótce”; jego skwantyzowane lokalne kompilacje nie zostały jeszcze udostępnione. Jeśli Twój pipeline ma być nudny, to powód, by poczekać kwartał, a nie powód, by odrzucić model.

Gdzie obecny dostawca nadal wygrywa bezapelacyjnie

Po pierwsze — wszystko, co interaktywne. Dekodowanie transducera w Parakeet zwraca słowa w miarę napływania audio, a jego natywne znaczniki czasu są właściwością dekodera, a nie etapem dopasowania post-hoc. Nemotron 3.5 Transcribe jest wprost zbudowany do nagranego audio — mówi to sam post NVIDIA na Hugging Face — a do sesji na żywo istnieje osobny model strumieniowy 0.6B. Jeśli Twoim produktem są napisy na żywo, żaden z modeli z tego nagłówka nie jest właściwą odpowiedzią; właściwy jest strumieniowy odpowiednik, a to zupełnie inne porównanie.

Cokolwiek wdrożone lokalnie na małą skalę, dla dwóch. Przychodnia z jedną kartą w stacji roboczej, kancelaria prawna z archiwum i osobą ds. zgodności, grupa badawcza z pojedynczym grantem na GPU: Parakeet z 0,6B to realistyczne wdrożenie, a Nemotron z 30B nie. Różnica w dokładności wynosząca około jednego punktu na czystym angielskim nie uzasadnia kosztu sprzętu.

Cokolwiek wyłącznie po angielsku, bez wymogu dotyczącego mówcy, dla trzech. Co w większości stanowi pracę transkrypcyjną. Uczciwe podsumowanie jest takie, że większość z 626,000 pobrań Parakeeta dotyczy zadań, których aktualizacja nie ulepsza.

Utrzymywanie działania potoku, gdy połowa to własny sprzęt

Hostowanie rozpoznawacza na własnych zasobach wprowadza tryb awarii, którego zarządzane API nie mają: twoja karta, twój sterownik, twoje okno serwisowe. To jest dokładnie argument za tym, by drugą połowę potoku — sumaryzator, klasyfikator, ekstraktor zamieniający transkrypcję w ustrukturyzowane rekordy — pozostawić na punkcie końcowym z wbudowaną redundancją. OrcaRouter udostępnia ponad 200 modeli tekstowych i multimodalnych za jednym kluczem, z automatycznym przełączaniem awaryjnymmiędzy dostawcami, gdy upstream ulega degradacji, cenami listowymi dostawców przekazywanymi bez marży 0% oraz DSL routingu, który pozwala kierować protokoły spotkań i notatki z rozmów do różnych modeli bez duplikowania integracji. Nemotron 3.5 Transcribe i Parakeet TDT 0.6B są poza tym katalogiem — nie obsługujemy zamiany mowy na tekst — ale warstwa, która odczytuje ich wyniki, nie musi zawieść, gdy padnie GPU.

Decyzja o aktualizacji

Zastąp Parakeet modelem Nemotron 3.5 Transcribe, jeśli to kaskada jest tym, co cię boli: jeśli utrzymujesz diaryzator i etap scalania, jeśli w twoich spotkaniach występuje więcej niż dwa głosy, jeśli twoje audio nie jest europejskie albo jeśli w twoich zgłoszeniach do supportu pojawiają się słowa „overlapping speech”. W takim przypadku checkpoint 30B nie jest luksusem — to usunięcie dwóch ruchomych części i ich budżetu błędu, a koszt przepustowości jest kosztem przepustowości — jedna karta nadal przetwarza znacznie więcej audio, niż zespół z dużą liczbą spotkań jest w stanie wygenerować.

Zachowaj Parakeet, jeśli Twoje audio jest w języku angielskim lub europejskim, Twoi mówcy są znani lub nieistotni, Twój sprzęt to stacja robocza, a Twój potok działa. Nowy model nie czyni starego przestarzałym; obejmuje przypadki, do których stary nigdy nie był projektowany. I nadal obserwuj niezależne zestawienia, ponieważ każda liczba w tym artykule, która faworyzuje Nemotron 3.5 Transcribe w diaryzacji, pochodzi od samej NVIDIA, a druga opinia nie została jeszcze opublikowana.