Nemotron 3.5 Transcribe vs Grok Voice Transcribe 2.0: pesos abertos na sua GPU, ou US$ 0,20 por hora

O Grok Voice Transcribe 2.0 cobra US$ 0,20 por cada hora de áudio que você transmite por ele, e US$ 0,10 por cada hora que você processa em lote. O Nemotron 3.5 Transcribe não cobra nada por hora e exige que você tenha uma GPU capaz de comportar cerca de 34 bilhões de parâmetros. Leia apenas essa frase e a comparação parece uma guerra de preços entre um medidor e uma máquina, com o medidor obviamente perdendo. Ele não perde: no único ranking de benchmark em que ambos os modelos aparecem, o modelo com cobrança por hora é mais preciso, e o aberto não chega perto o suficiente para contestar esse ponto.

Os dois foram lançados com seis semanas de diferença — Grok Voice Transcribe 2.0 em 2026-09-18 e Nemotron 3.5 Transcribe em 2026-10-28 — e foram criados para trabalhos diferentes. Um é uma API hospedada com um WebSocket que retorna palavras enquanto a pessoa ainda está falando. O outro é um checkpoint que você baixa, carrega e aponta para uma gravação concluída. Latência, quantidade de idiomas, rótulos de falantes, estrutura de custos e até os termos legais decorrem todos dessa única diferença, e é por isso que a pergunta interessante não é qual dos dois transcreve melhor.

O que cada um é, em seis linhas

O contraste de formas é tão acentuado que uma lista de especificações soa como um erro de categoria — e é essa justamente a intenção.

• Implantação — uma API REST e WebSocket hospedada na própria infraestrutura da xAI versus pesos abertos sob a OpenMDW-1.1 que você mesmo disponibiliza em vLLM, SGLang-Omni ou NeMo Speech.

• Tamanho — a xAI não divulga a contagem de parâmetros, em comparação com 34B no total e cerca de 4,3B ativos, incluindo o codificador de áudio, assentado sobre um backbone mixture-of-experts de Mamba e Transformer do Nemotron 3.5 Lightning 30B-A3B.

Áudio de entrada — arquivos de até 500 MB em doze formatos de contêiner, além de três codificações brutas, com 2 a 8 canais por meio do modo multicanal, em comparação com gravações de até uma hora em PCM mono a 16 kHz dentro de um contexto de 65.536 tokens.

• Caminho em tempo real — streaming com resultados provisórios aproximadamente a cada 500 ms, endpointing com padrão de 400 ms, detecção inteligente de turno de fala e um endpoint em lote separado, em vez de nenhum streaming; o modelo lê um arquivo finalizado e retorna uma transcrição.

• Cobertura linguística — 37 idiomas nomeados na documentação da xAI e ali descritos como 38+, em comparação com 40 idiomas transcritos e 31 pares de tradução de ou para inglês na placa da NVIDIA.

• Rótulos de locutor — uma flag de diarização que adiciona um inteiro de locutor a cada palavra, disponível em lote e em streaming, versus um codificador de diarização fundido que produz transcrições com atribuição de locutor em uma única passagem para até 8 locutores em 13 idiomas.

Preço — $0.10 por hora de áudio em lote e $0.20 por hora de áudio em streaming, em comparação com nenhuma tarifa por hora publicada, porque a NVIDIA vende os pesos e você fornece a capacidade de computação.

A única placa onde eles se encontram, e ela não quebra como você espera.

O Artificial Analysis mantém um ranking de transcrição de fala para texto com duas vias: uma via de lote, para arquivos finalizados, e uma via de streaming, para modelos que emitem resultados parciais. O Nemotron 3.5 Transcribe se qualifica apenas para a primeira. Nela, o Grok Voice Transcribe 2.0 aparece com 2,3% de AA-WER, quinto lugar entre cerca de sessenta modelos, enquanto o modelo da NVIDIA é citado com 2,80% no material de lançamento e consta como 3,4% na tabela ao vivo nos dias após o lançamento. Chame de 2,8% ou 3,4%; de qualquer forma, o modelo hospedado vence na única escala que os dois compartilham, por entre meio ponto e um ponto inteiro.

Esse resultado é menos prejudicial do que parece à primeira vista, porque os dois modelos não estão no mesmo quadro pela mesma razão. A alegação da NVIDIA é que o Nemotron 3.5 Transcribe é o melhor modelo de fala de pesos abertos e, nesse quadro mais estreito, ele é: a comparação que ele vence é contra outros checkpoints baixáveis, onde 2,8% é o número a superar. O Grok Voice Transcribe 2.0 é proprietário e compete em outra categoria. Citar os dois um contra o outro gera uma manchete — "modelo hospedado supera modelo aberto em 0,5 ponto" — que mede uma mistura de benchmarks, não uma decisão de produto.

A faixa de streaming é onde a assimetria se torna estrutural, e não estatística. O Grok Voice Transcribe 2.0 ocupa o primeiro lugar no streaming, com 2,7% de WER final, emitido 0,49 segundo após o fim da fala, e 3,4% em seu primeiro resultado parcial na mesma latência — o primeiro colocado entre cerca de trinta e dois modelos de streaming. O Nemotron 3.5 Transcribe não tem entrada, porque não consegue fazer streaming. É um modelo de entrada de arquivo e saída de transcrição, e nenhum caminho de streaming em blocos está documentado para ele. Qualquer pessoa que compare os dois em precisão ao planejar uma implantação de legendas ao vivo está comparando um modelo que não pode usar.

Ambos os rankings trazem um rótulo de advertência que vale a pena repetir. O AA-WER varia em quase um ponto inteiro para o mesmo modelo entre diferentes endpoints de serviço, então a diferença de 0,5 ponto acima corresponde aproximadamente à largura do ruído de medição — real em direção, fraca como veredito. E o número de 6,8% da própria xAI para frases curtas multilíngues, abaixo dos 20,6% na versão 1.0, vem de um conjunto interno construído a partir do tráfego de produção, não de um corpus divulgado. É uma alegação de fornecedor sobre um conjunto do próprio fornecedor, e não aparece de modo algum no Artificial Analysis.

O streaming é a linha que o modelo aberto não pode cruzar.

Para um agente de call center, uma legenda ao vivo, um assistente de reunião ou um voice bot, a decisão já está tomada antes mesmo de se considerar a precisão. O Grok Voice Transcribe 2.0 aceita frames de áudio binários brutos via WebSocket — pcm, mulaw, alaw ou opus — retorna resultados provisórios cerca de duas vezes por segundo e fornece sinais de fim de turno por meio de endpointing e detecção inteligente de turno. Esses são os mecanismos que fazem uma transcrição parecer ao vivo, e são a razão pela qual o Loom da Atlassian migrou sua biblioteca de vídeos para o modelo no lançamento.

O Nemotron 3.5 Transcribe tem, por concepção, o formato oposto. Ele lê até uma hora de áudio em uma única passagem e retorna uma transcrição completa, com timestamps de palavras produzidos por um adaptador CTC leve após a geração, e não durante ela. Essa concepção ganha precisão em gravações longas e desorganizadas e custa latência em tudo o que é curto e interativo. A NVIDIA tem um reconhecedor de fala em streaming separado e muito menor em sua linha — o Nemotron Speech Streaming EN 0.6B —, mas é um modelo diferente, com cobertura diferente, e não um modo de streaming deste checkpoint. Comprar o modelo 30B esperando acoplar streaming depois é comprar a coisa errada duas vezes.

Quarenta idiomas contra trinta e sete, e uma contagem que mudou

No papel, a diferença é de três idiomas. Na prática, depende de qual página você lê. A documentação de conversão de fala em texto da xAI lista 37 idiomas nomeados — do árabe e do bósnio ao urdu e ao vietnamita, com variantes regionais para espanhol, português e árabe — e descreve o total como 38+. A cobertura publicada por volta do lançamento de setembro dizia 25. A documentação é a fonte mais atual e mais específica, mas uma contagem de idiomas que muda em treze entre um post de lançamento e uma página de documentação é uma contagem a ser verificada com seu próprio áudio em vez de adotada.

A ficha da NVIDIA é mais granular e, desta vez, mais conservadora: 40 idiomas com uma tabela de marcas de verificação por idioma, e 13 deles sinalizados para transcrição com múltiplos falantes. Os que importam para atribuição de falantes são um conjunto mais restrito do que os 40 — árabe, mandarim, inglês, francês, alemão, híndi, italiano, japonês, coreano, português, russo, espanhol e tailandês. Se o seu acervo está em polonês ou turco, o Nemotron 3.5 Transcribe vai transcrevê-lo bem e não dirá quem disse o quê, que é justamente a capacidade que você provavelmente estava comprando.

A tradução é uma coluna exclusiva do Nemotron aqui. O modelo traduz para e do inglês em 31 pares na mesma passagem em que transcreve, o que o Grok Voice Transcribe 2.0 não oferece; a API da xAI retorna texto no idioma falado. Se a tarefa for atas de reunião bilíngues, esse é um recurso que nenhuma engenharia de prompt do lado do Grok reproduzirá.

Rótulos de falante: um codificador fundido em comparação com um booleano

Esta é a única dimensão em que os dois estão mais próximos do que o marketing sugere, e em que a resposta honesta é que ambos fazem isso.

• Nemotron 3.5 Transcribe — um modelo de diarização Nemotron 3 congelado fornece representações de atividade de fala ao codificador ASR, de modo que o modelo de linguagem vê quem está falando como parte de sua entrada. A saída traz etiquetas de falante e segmentos brutos, com até 8 falantes, e timestamps no nível da palavra. É uma única passada, sem um segundo serviço no meio.

• Grok Voice Transcribe 2.0 — defina diarize=true e cada palavra retorna com um campo speaker inteiro, tanto em lote quanto em streaming. O modo multicanal vai além: até 8 canais transcritos independentemente e retornados com um índice de canal, o que é atribuição exata quando a sua fonte é uma gravação multicanal em vez de uma mixada.

A diferença prática está na cobertura, não na existência. O flag do Grok funciona nos idiomas compatíveis com sua API; o caminho fundido da NVIDIA é treinado para 13. E o multicanal é uma vantagem real nas salas onde se aplica — uma sala de reuniões com um microfone por assento não precisa de um diarizador para adivinhar. Um arquivo mono misto vindo do salão de uma conferência precisa, e aí a diferença de qualidade entre um encoder fundido e um flag hospedado é algo que só o seu próprio áudio pode determinar.

A aritmética a mil horas por mês

O preço é onde os dois modelos realmente divergem, e vale a pena fazer as contas em vez de trocar anedotas sobre faturas de GPU.

A 1.000 horas de áudio por mês, o Grok Voice Transcribe 2.0 custa US$ 100 no modo em lote ou US$ 200 em streaming — US$ 1.200 ou US$ 2.400 por ano, sem hardware, sem janela de manutenção e sem inicialização a frio. O Nemotron 3.5 Transcribe custa o que a GPU custar. A página de pesquisa da NVIDIA afirma que o checkpoint NVFP4 com o modelo de rascunho DFlash2 transcreve 2.238 segundos de áudio por segundo em uma única RTX PRO 6000 Blackwell, o que, mesmo reduzido em uma ordem de magnitude, coloca 1.000 horas de áudio dentro de algumas horas de GPU por mês. A computação não é a restrição; a propriedade é.

• Ponto de equilíbrio em relação à tarifa de streaming — uma placa de workstation de US$ 8.000 se paga após 40 meses de 1.000 horas de streaming, ou 80 meses em relação à tarifa de lote.

• A 10.000 horas por mês — o mesmo cartão se paga em quatro meses em comparação com o streaming, e o custo por hora cai para cerca de 2 centavos.

• GPU em nuvem alugada — uma H100 a cerca de US$ 2 por hora supera os preços de tabela de ambos os modelos no momento em que a alegação de throughput do fornecedor se sustenta, mesmo que em uma fração do valor declarado; o custo fixo passa a ser tempo de engenharia, armazenamento e o fato de você agora operar um servidor de modelo.

O ponto de equilíbrio, portanto, não tem nada a ver com a precisão da transcrição. Tem a ver com o volume e com se o áudio tem permissão para sair da sua rede. Abaixo de algumas mil horas por mês, a tarifa do serviço hospedado é mais barata do que a engenharia. Acima disso, ou atrás de uma barreira de conformidade, os pesos vencem e a comparação se inverte.

Onde o OrcaRouter se encaixa, e onde não

Nenhum destes transcritores está no catálogo da OrcaRouter hoje; os modelos que servimos são modelos de texto e de visão, e nada aqui deve ser lido como um endpoint para qualquer um deles. O que um pipeline de transcrição gera é uma grande pilha de texto que depois precisa ser resumida, ter entidades extraídas, ser anonimizada, classificada e pesquisável. É nessas chamadas que uma única chave compatível com OpenAI para mais de 200 modelos se justifica: o preço de tabela do fornecedor repassado com 0% de margem, para que um corte de preço do fornecedor chegue no mesmo dia, failover automático quando um upstream degrada, e uma DSL de roteamento que pode enviar trabalho de classificação barato para um modelo pequeno enquanto mantém a sumarização cara em um modelo de ponta. Se você faz self-hosting do Nemotron 3.5 Transcribe, a GPU é o seu transcritor; o roteamento é o que acontece com a transcrição depois.

Qual escolher

A decisão é sobre o clock no áudio, não sobre o cartão do modelo.

• Áudio ao vivo, agentes de voz, legendas, roteamento de chamadas — Grok Voice Transcribe 2.0, sem muita discussão. O streaming é nativo, a latência fica abaixo de meio segundo até a transcrição final, e o endpoint em lote usa o mesmo modelo para o preenchimento retroativo noturno.

• Gravações finalizadas com vários falantes, em idiomas diferentes do inglês — Nemotron 3.5 Transcribe, desde que tenha a GPU e o caminho de falantes em 13 idiomas abranja o seu áudio. É o caso para o qual o modelo foi criado, e onde 40 idiomas e a diarização numa só passagem superam uma diferença de 0,5 pontos de precisão.

• Arquivos bilíngues — Nemotron 3.5 Transcribe, porque os pares de tradução são entregues na mesma passagem e o Grok não traduz.

• Volume pequeno, sem GPU, apenas inglês — Grok Voice Transcribe 2.0 em modo de lote a US$ 0,10 por hora. Mil horas custam cem dólares; nenhuma liberdade de licença de pesos abertos compensa comprar uma placa Blackwell para economizar isso.

A tentadora quarta resposta — fazer o deploy do Nemotron agora e adicionar streaming depois — não existe. O modelo que a NVIDIA lançou é deliberadamente offline, e a linha de streaming que ela vende junto é um reconhecedor de inglês de 0,6B, não um modo deste. Escolha primeiro o formato de que você precisa; o argumento do leaderboard pode esperar, porque meio ponto de AA-WER está bem dentro da faixa em que o mesmo modelo varia quando muda de host.