Nemotron 3.5 Transcribe vs GPT Transcribe: 0,1 ponto de diferença, um deles entrega o checkpoint para você

Peça ao GPT Transcribe timestamps em nível de palavra e a API não os fornecerá a você. Não de forma ruim, nem aproximadamente — o modelo não tem cabeça de temporização, a documentação da OpenAI direciona você ao whisper-1 para essa tarefa, e o mesmo vale para rótulos de falante, que ficam em um modelo de diarização separado. Agora peça ao Nemotron 3.5 Transcribe, que a NVIDIA lançou como pesos abertos em 28 de outubro de 2026, e ambos vêm em uma única passagem: temporização de palavras atribuída por falante a partir de um adaptador CTC que alinha a transcrição concluída ao áudio após a decodificação. Os dois modelos estão a menos de um décimo de ponto um do outro no ranking público de precisão. Nas coisas que você faz com uma transcrição, eles não estão na mesma categoria de produto.

Essa é a decisão inteira, e vale a pena examiná-la com calma, porque a cobertura do lançamento basicamente reduziu essa comparação a uma corrida de WER que, na prática, nenhum dos lados vence por uma margem significativa.

A diferença de precisão é ruído; a diferença de funcionalidades não é.

No índice não-streaming do Artificial Analysis, o GPT Transcribe — modelo de transcrição em lote da OpenAI, lançado em 28 de julho de 2026 ao lado de um irmão de streaming ao vivo — está listado em 3,3%, empatado na décima oitava posição com um pequeno concorrente. O Nemotron 3.5 Transcribe está listado em 3,4%, empatado na vigésima posição. Um décimo de ponto, num índice cujas próprias entradas para o mesmo modelo podem diferir em quase um ponto inteiro, dependendo de qual endpoint as serviu. Ninguém deveria escolher entre dois sistemas de fala com base nisso.

O material de lançamento da NVIDIA, por sua vez, reporta 2,8% de AA-WER e um empate em primeiro lugar entre os modelos de pesos abertos. A leitura do quadro ao vivo em 29 de outubro traz 3,4%. Trate os 2,8% como um número de submissão e os 3,4% como a medição atual; a diferença é maior que a lacuna entre Nemotron e GPT Transcribe, o que mostra quanto peso um único delta de ranking merece.

Parâmetros — cerca de 30B no total e aproximadamente 4B ativos por token num MoE híbrido Mamba–Transformer vs. não divulgado, não generativo.

• Licença — OpenMDW-1.1, uso comercial, pesos disponíveis para download vs apenas API.

Preço — sem preço de tabela; tempo de GPU, com uma build NVFP4 que, segundo a alegação, chega a até 2.238 segundos de áudio por segundo em uma RTX PRO 6000 Blackwell, contra US$ 0,0045 por minuto, cerca de US$ 0,27 por hora de áudio.

• Rótulos de falantes — até 8 falantes em 13 idiomas, integrado versus nenhum; é necessário um modelo de diarização separado.

• Temporização por palavra — alinhamento CTC pós-decodificação, com atribuição de falante vs. não oferecido; whisper-1 é a alternativa documentada.

• Idiomas — 40 transcritos, 31 traduzidos para ou do inglês vs. multilíngue com detecção automática e dicas de idioma, sem contagem publicada.

• Duração do áudio — 1 hora em uma única passagem vs. baseado em arquivo com a divisão em blocos tratada pela API.

• Pós-processamento — forma literal ou escrita controlada pelo prompt versus contexto livre e dicas de palavras-chave, sem etapa de limpeza.

O que o GPT Transcribe faz melhor do que o checkpoint aberto

Três coisas, e elas não são triviais. A primeira é que se trata de uma API. Não há um checkpoint de 30 bilhões de parâmetros para dimensionar, nem uma build NVFP4 para esperar, nem uma receita do vLLM para fixar. A OpenAI relata um processamento aproximadamente 34× mais rápido que o tempo real, o que é mais lento do que a vazão alegada pela NVIDIA em uma placa Blackwell e irrelevante para a maioria das equipes, porque 34× o tempo real já é mais rápido do que qualquer fila que elas executam.

A segunda é o tratamento de contexto. O GPT Transcribe aceita contexto de forma livre, dicas de palavras-chave e vocabulário, e várias dicas de idioma, e retorna um array de idiomas detectados junto com a transcrição. Essa combinação é genuinamente útil em áudio com alternância de código e em jargão de domínio, e é uma interface de prompting em vez de um ajuste fino — o que significa que uma equipe de produto pode ajustá-la sem possuir uma GPU. O equivalente da NVIDIA, uma lista de entidades esperadas fornecida no prompt, é creditado com uma redução de seis vezes nos erros de entidade nomeada no ContextASR-Bench, mas esse número é relatado pelo fornecedor e não foi replicado.

O terceiro é a superfície de integração: o mesmo endpoint atende à transcrição de arquivos, às transcrições de arquivos em streaming, aos turnos de tempo real confirmados via WebSocket, à API Responses e ao Batch. Uma equipe que já está na plataforma da OpenAI obtém a transcrição como um parâmetro, não como uma implantação.

As próprias alegações de qualidade publicadas pela OpenAI são amplas e difíceis de verificar: uma taxa de erro de palavra de 19,27% em um conjunto Common Voice de 22 idiomas, contra 40,37% do Whisper, e 8,98% em um benchmark do mundo real de nove idiomas, contra 15,21%. São números do fornecedor comparados a uma linha de base de 2024, não a um concorrente de 2026. O panorama independente é mais favorável ao GPT Transcribe do que sugere o painel da AA: no conjunto de inglês revisado por humanos da Perit, ele fica em 1,76% de WER, sexto lugar entre 22, com 61,3% dos clipes transcritos perfeitamente. Esse é um conjunto de testes diferente do da Artificial Analysis, e os números não são comparáveis entre os dois painéis — mas a direção é consistente, e isso coloca o modelo da OpenAI à frente do endpoint Parakeet hospedado no mesmo conjunto.

Onde a falta de funcionalidades realmente pesa

Se sua saída for texto simples para um índice de busca, as lacunas do GPT Transcribe não custam nada. No momento em que você precisa de mais, o trabalho se multiplica. O timing por palavra exige uma segunda passagem pelo whisper-1 ou um alinhador forçado, o que reintroduz exatamente o modo de falha que o alinhamento existe para corrigir: uma transcrição com limites deslocados que parece boa na leitura e quebra as legendas. Os rótulos de falante exigem um terceiro modelo, unido nos limites de segmento, com sua própria taxa de erro a depurar. E nenhuma dessas segundas passagens sabe da outra, então uma chamada com dois falantes vira três modelos e uma etapa de mesclagem.

A cascata não é uma crítica à engenharia da OpenAI. É o que o produto é: um transcritor de alta precisão com uma saída deliberadamente estreita. A Microsoft e o Google oferecem a mesma divisão — a diarização como um SKU separado ou um modo separado com os seus próprios limites. A aposta da NVIDIA é o oposto, e a forma honesta de dizer isso é que o Nemotron 3.5 Transcribe custa mais poder computacional para evitar um pipeline.

O que esse poder de processamento compra está documentado, mas é reportado pelo fornecedor: taxa de erro de diarização de 18,26% em 21 idiomas no benchmark David AI, o melhor entre 14 sistemas; WER por permutação mínima concatenada de 32,4% no VoiceArena, também o melhor entre 14; 8,32% das palavras de referência descartadas em fala em inglês com sobreposição, contra uma mediana próxima de 31%. Não há número de diarização da OpenAI para contrapor a esses, porque a OpenAI não publica um para este modelo.

Duas maneiras de parar de pagar por minuto

O GPT Transcribe cobra US$ 0,0045 por minuto, o que dá US$ 4,50 por mil minutos e cerca de US$ 270 por mil horas de áudio. O Nemotron 3.5 Transcribe não cobra nada por minuto e, em vez disso, exige uma GPU. A configuração de demonstração da NVIDIA é uma RTX PRO 6000 Blackwell executando o checkpoint NVFP4 com um modelo draft DFlash2, e o número de destaque de throughput — 100 horas de áudio em menos de três minutos — foi medido em clipes de 30 segundos com alta concorrência, não em reuniões de uma hora. Leia isso como um teto para trabalho bem organizado em lotes.

Isso deixa um ponto de equilíbrio determinado pela utilização, e não pelo preço de tabela. Uma placa que você já possui e mantém ocupada supera com folga US$ 270 por mil horas. Uma placa que você teria de comprar para uma fila de quarenta horas por mês não supera, e nenhuma quantidade de eficiência de parâmetros muda essa aritmética.

Existe uma terceira opção que o enquadramento de duas vias esconde, e é a que a maioria das equipes de fato adota: manter a API gerenciada para o grosso do trabalho e encaminhar os arquivos difíceis — as reuniões de seis pessoas, as entrevistas clínicas com sotaque, o áudio que você não tem permissão de enviar para fora — para um checkpoint auto-hospedado. Isso só funciona se as duas saídas chegarem no mesmo formato, o que é o argumento para padronizar um schema de transcrição com campos de falante e de marcação temporal mesmo quando seu fornecedor atual não os preenche. Padronize o schema primeiro; o modelo se torna intercambiável depois.

Na camada acima da transcrição, o trabalho da OrcaRouter é impedir que essa capacidade de troca pare no limite do modelo. O sumarizador, o classificador e o verificador de conformidade que leem essas transcrições podem todos ficar por trás de uma única chave para mais de 200 modelos, com os preços de tabela dos provedores repassados com 0% de markup, failover automático quando um upstream falha, e uma DSL de roteamento que envia cada carga de trabalho para um modelo diferente sem uma segunda integração. GPT Transcribe e Nemotron 3.5 Transcribe estão ambos fora desse catálogo — não atendemos nenhum dos dois — então a chamada de fala permanece onde quer que você a compre, e apenas a metade downstream se torna portátil.

A versão resumida, por situação

Se você quer uma transcrição e nada mais, e quer isso na próxima semana sem provisionar nada, o GPT Transcribe é a escolha de menor risco: sexto lugar no conjunto Perit independente, uma superfície de integração que você provavelmente já tem e um preço que não exige investimento de capital. Se suas transcrições alimentam legendas, análises de reuniões, busca com atribuição de falante ou um arquivo de conformidade, os modelos extras que você acrescentaria ao GPT Transcribe custam mais em tempo de engenharia do que o checkpoint custa em horas de GPU, e o Nemotron 3.5 Transcribe faz esse trabalho em uma única passagem.

A ressalva que se aplica a ambos: este é um modelo com apenas um dia de vida, seus benchmarks de destaque são do próprio fornecedor, e os rankings independentes ainda não avaliaram de forma alguma o checkpoint de 30 bilhões de parâmetros. Não o confunda com nvidia/nemotron-3.5-asr-streaming-0.6b, o modelo de streaming de 600M de junho que aparece nos rankings independentes e tem desempenho consideravelmente pior (3,35% de WER, 21º lugar entre 22 no Perit). Eles compartilham um nome de família e nada mais.