Nemotron 3.5 Transcribe vs. Gemini 3.5 Transcribe: 2,8% no slide, 3,4% no quadro

Do Google, o Gemini 3.5 Transcribe ocupa a nona posição no ranking de fala não streaming da Artificial Analysis, com taxa de erro de 2,6%. O modelo da NVIDIA, Nemotron 3.5 Transcribe, lançado como pesos abertos em 28 de outubro de 2026, ocupa a vigésima posição, com 3,4%. Quatro décimos de ponto os separam no único índice público que avalia ambos, e esses quatro décimos são quase o fato menos útil desta comparação. Os dois não foram criados para a mesma tarefa: um é um endpoint gerenciado que limpa uma transcrição antes que você a veja; o outro é um checkpoint que você baixa e que mantém oito falantes corretamente distinguidos enquanto eles falam uns por cima dos outros. O ranking não favorece nenhum dos dois no quesito para o qual cada um foi realmente projetado.

Vale a pena sinalizar uma discrepância desde já, porque ela recorre em todo artigo escrito sobre este modelo esta semana. O material de lançamento da NVIDIA relata 2,8% de AA-WER e um empate na primeira posição entre sistemas de pesos abertos. O placar ao vivo, lido em 29 de outubro, traz 3,4% na vigésima posição. Ambos os números remontam ao mesmo índice, e não são medições da mesma execução — o que é a primeira lição prática deste pareamento, e a razão pela qual a seção de acurácia abaixo está escrita da forma como está.

O que a NVIDIA lançou, e o que o Google vem executando desde agosto

O Nemotron 3.5 Transcribe não é um transdutor nem um codificador simples. É um modelo de linguagem aumentado para fala: um codificador de fala alimenta um modelo Nemotron 3 Diarization congelado, cujo sinal de atividade do locutor é injetado no codificador de ASR por meio do que a NVIDIA chama de Parallel Expert Encoder, e o decodificador é um LLM de mistura de especialistas híbrido Mamba–Transformer com cerca de 4 bilhões de parâmetros ativos por token, de aproximadamente 30 bilhões no total. Os próprios materiais da empresa usam tanto os rótulos 30B-A3B quanto 30B-A4B para a metade do modelo de linguagem, e a barra lateral do Hugging Face lista 34B quando a pilha de áudio é contabilizada, portanto trate qualquer número isolado de parâmetros como aproximado. Os pesos são gratuitos sob a OpenMDW-1.1, que permite uso comercial.

O Gemini 3.5 Transcribe está disponível em geral desde 26 de agosto de 2026 a US$ 2,00 por milhão de tokens de entrada de áudio e US$ 12,00 por milhão de tokens de saída de texto, o que, segundo a Google, equivale a aproximadamente US$ 0,005 por minuto, ou cerca de US$ 0,30 por hora de áudio. Ele tem um nível gratuito dentro da cota, um SKU separado para transmissão ao vivo a aproximadamente US$ 0,009 por minuto e não oferece pesos de modelo.

O número que mudou entre o pacote de lançamento e a manhã seguinte

O AA-WER da Artificial Analysis é construído sobre três conjuntos de dados — AgentTalk com 50%, VoxPopuli-Cleaned com 25%, Earnings22-Cleaned com 25% — e o índice é uma pontuação única combinada, não uma por domínio. Isso importa porque AgentTalk é fala de agente de voz, que é curta, limpa e fortemente representada no mix de treinamento de um fornecedor se ele estiver vendendo agentes de voz. Um modelo que vence a combinação pode perder seu acervo.

Veja o ranking como está, e a ordem do ranking é: MAI Transcribe 2 com 2,0%, Voxtral Small Transcribe 3 com 2,1%, Gemini 3.5 Transcribe com 2,6%, GPT Transcribe com 3,3%, Nemotron 3.5 Transcribe com 3,4%. A alegação de 2,8% da NVIDIA, se tivesse se sustentado, teria colocado o novo modelo no mesmo patamar de Gemini 3.1 Pro Preview e Voxtral Small, e confortavelmente à frente do modelo em lote da OpenAI. Com 3,4%, ele fica atrás de todos eles e empatado com três sistemas, incluindo uma variante Gemini Flash-Lite contra a qual nunca foi posicionado. Uma revisão de 0,6 ponto não é um erro de arredondamento em um índice cujo top 10 inteiro vai de 1,7% a 2,9%.

A leitura honesta não é que a NVIDIA tenha mentido. A AA mede novamente quando um modelo é servido em um novo endpoint ou executado outra vez com entradas atualizadas, e o número do lançamento quase certamente reflete a submissão da própria NVIDIA, e não o host padrão do ranking. Mas é exatamente o tipo de lacuna que se transforma em erro de aquisição: uma equipe que orça com base em "primeiro entre pesos abertos" e depois mede 3,4% comprou um modelo com base em um slide.

O que o Google vende que a NVIDIA não vende

O recurso que decide mais contratos de transcrição do que o WER é o que acontece com as palavras após o reconhecimento, e o Gemini 3.5 Transcribe é construído em torno disso. Seu modo verbatim padrão mantém palavras de preenchimento, falsos começos e repetições para trabalhos de conformidade; seu modo inteligente remove disfluências, resolve autocorreções e normaliza números e valores monetários falados em uma única passada. Um vocabulário personalizado enviesa o reconhecimento para até 1.000 termos, com o Google recomendando cerca de 100 bem escolhidos. Nenhum desses recursos existe no Nemotron 3.5 Transcribe, que pode ser *induzido por prompt* em direção a uma lista de entidades e pode ser instruído a produzir saída verbatim ou em forma escrita, mas que deixa a formatação de números e o reparo de autocorreções para quem ler a transcrição em seguida.

O Google também vence na amplitude de locales nomeados: 85+, com detecção automática e alternância de código dentro da frase, contra 40 da NVIDIA para transcrição e 31 para tradução. Vitórias nominais contabilizadas. Se a sua fila incluir um idioma que está na lista do Google e não na da NVIDIA, não há benchmark para discutir.

O que a NVIDIA vende que o Google não vende

A atribuição de falante é o caso inverso, e é mais precisa do que o marketing sugere. O Gemini 3.5 Transcribe documenta até oito falantes, mas os próprios materiais do Google sinalizam a atribuição para três ou mais falantes como experimental, e o blog do Google se apoia em “até três”. O Nemotron 3.5 Transcribe rotula até oito falantes, faz isso em 13 idiomas e retorna marcações temporais em nível de palavra com atribuição de falante por meio de um adaptador CTC pós-decodificação que alinha a transcrição finalizada ao áudio.

• Parâmetros — 30B no total, com cerca de 4B ativos, MoE híbrido Mamba–Transformer vs. uma stack de fala proprietária não divulgada.

• Licença — OpenMDW-1.1, uso comercial, pesos disponíveis para download vs somente API sem direitos de redistribuição.

• Preço — nenhuma tarifa de tabela publicada; o custo é o tempo de GPU, e alega-se que uma versão NVFP4 em uma única RTX PRO 6000 Blackwell processa até 2.238 segundos de áudio por segundo, em comparação com US$ 0,005 por minuto em custo combinado.

• Idiomas — 40 transcritos, 31 traduzidos de ou para inglês, 13 com rótulos de falante vs. 85+ localidades com alternância de código.

• Alto-falantes — 8, documentados e avaliados por benchmark vs 8 documentados, 3+ sinalizados como experimentais.

• Duração do áudio — 1 hora em uma única passada vs 1 hora, reduzindo para 30 minutos quando diarização ou carimbos de tempo são solicitados.

• Streaming — nenhum; apenas áudio gravado, em comparação com um SKU ao vivo separado a aproximadamente US$ 0,009 por minuto.

• Pós-processamento — forma literal ou escrita controlada por prompt; sem limpeza integrada, em comparação com o modo inteligente que remove muletas de linguagem e corrige autocorreções.

Os números de diarização que apenas um lado publica

É aqui que a comparação deixa de ser acirrada e passa a ser desequilibrada, e também onde o embasamento fica escasso. A NVIDIA reporta taxa de erro de diarização de 18,26% em 21 idiomas no benchmark David AI, a mais baixa entre 14 sistemas avaliados, sendo a entrada seguinte seu próprio modelo Nemotron 3 Diarization, com 18,38%, e todo o restante entre 22,85% e 37,55%. No Diarization-Bench do VoiceArena, reporta WER concatenado de min-permutação de 32,4%, o melhor entre 14, com o segundo colocado em 34,2%. Em sessões em inglês com fala sobreposta, reporta descartar 8,32% das palavras de referência, contra uma mediana de cerca de 31%.

O Google não publica nenhuma taxa de erro de diarização para o Gemini 3.5 Transcribe. Nem uma taxa pior — nenhuma. Essa assimetria tem implicações nos dois sentidos e deve ser dita com clareza: os números da NVIDIA são relatados pelo fornecedor no harness da própria NVIDIA, e não há número de terceiros para conferi-los, porque os rankings independentes de diarização existentes são compostos majoritariamente pelos sistemas que a própria NVIDIA inscreveu. O que não está em dúvida é o teto documentado: o Gemini limita a oito locutores, com atribuição experimental acima de três, e reduz o comprimento máximo do seu áudio de uma hora para trinta minutos no momento em que você solicita rótulos de locutor e timestamps de palavras juntos. Se o seu material é uma reunião de conselho com seis pessoas, isso é uma limitação de produto, não uma questão de qualidade, e nenhuma comparação de WER vai revelar isso.

Quanto custa realmente uma hora de áudio em cada uma

Calcule para mil horas por mês, uma carga realista para um centro de atendimento ou um arquivo de mídia. O Gemini 3.5 Transcribe, a US$ 0,005 por minuto, custa US$ 300 por mil horas. O Nemotron 3.5 Transcribe não tem preço de tabela porque não há nada para listar: você compra a GPU. Uma RTX PRO 6000 Blackwell executando o checkpoint NVFP4 é a configuração que a NVIDIA demonstra, e a alegação de throughput — até 2.238 segundos de áudio por segundo — vem com uma condição que o post no Hugging Face declara e as manchetes omitem: ela foi medida em clipes de 30 segundos com alta simultaneidade. Reuniões longas com falantes sobrepostos não atingirão esse número.

O ponto de virada é, portanto, uma questão de utilização, não de preço. Uma única placa que custa aproximadamente o mesmo que alguns meses de transcrição gerenciada só se paga se você a mantiver ocupada, e nunca se paga em comparação com US$ 300 por mês de chamadas de API em uma fila pequena. O argumento a favor do checkpoint não são minutos mais baratos em baixo volume. É que os minutos deixam de ser um item de custo, o áudio nunca sai da sua rede e o ajuste fino é uma tarde com uma única GPU — a NVIDIA relata de 0,5 a 2,3 horas de GPU por tarefa, e uma adaptação para fala médica que levou a taxa de erro de palavras de 30,8% para 11,8% em 3.619 clipes, com falantes de validação melhorando de 22,44% para 12,17%.

A página de pesquisa da própria NVIDIA é o único lugar em que as alegações de throughput e de ajuste fino aparecem juntas, e vale a pena lê-la ao lado dos números acima: o número de 2.238 segundos por segundo pressupõe o checkpoint NVFP4 e o modelo de rascunho DFlash2 em hardware Blackwell, e a alegação de ajuste fino de 0,5 a 2,3 horas de GPU pressupõe uma única GPU e uma tarefa pequena o suficiente para caber em uma. Nenhuma das duas é uma manchete que você possa copiar para um plano de capacidade sem essas ressalvas.

Independentemente do lado que escolher, a transcrição não é o fim do pipeline. Ela é resumida, classificada, pesquisada e encaminhada, e é nessa metade a jusante que um único endpoint faz diferença: O OrcaRouter reúne mais de 200 modelos de texto e multimodais sob uma única chave, com os preços de lista dos fornecedores repassados com 0% de margem, failover automático e uma DSL de roteamento que pode enviar atas de reunião para um sumarizador e revisões de conformidade para outro sem uma segunda integração. Nem o Gemini 3.5 Transcribe nem o Nemotron 3.5 Transcribe estão nesse catálogo hoje — o serviço de fala para texto ainda é um contrato separado onde quer que você o compre — então o ponto é mais restrito do que parece: escolha o transcritor com base na transcrição e deixe a camada acima dele continuar portátil.

Qual deles se encaixa na sua stack

Escolha o Gemini 3.5 Transcribe se o seu problema for o texto: áudio de entrevista com disfluências, fala de call center cheia de «não, espera, eu queria dizer», uma lista de locales que precisa de verificar por nome, e um endpoint gerido que pode pôr atrás de uma chave esta tarde. É o modelo mais preciso do ranking público hoje, por uma margem pequena mas real, corrige a transcrição em tempo real e custa trinta cêntimos por hora, com um nível gratuito para testar.

Escolha o Nemotron 3.5 Transcribe se o seu problema for a sala. Mais de três falantes, fala sobreposta, rótulos de falante em treze idiomas, marcação temporal por palavra que se mantém em um arquivo de uma hora e uma política de áudio que proíbe enviar a gravação a terceiros — essas são as condições em que o checkpoint aberto não é um compromisso, mas a única opção que atende ao requisito. Ele também é o único dos dois que você pode ajustar com fine-tuning, o que, para áudio com sotaque ou específico de domínio, vale mais de quatro décimos de ponto.

O que mudaria esse veredito: uma nova execução independente de diarização que coloque o Gemini em algum ponto próximo dos 18,26% de DER da NVIDIA, ou uma nova medição da AA que situe o Nemotron entre 2,8% e 3,4%. Até que uma dessas aconteça, o argumento de precisão é o de um fornecedor, e o argumento de recursos é aquele que você mesmo pode verificar em uma tarde com sua própria pior gravação.