Nemotron 3.5 Transcribe vs. MAI Transcribe 2: Uma hora de US$ 100 contra uma GPU que você possui

Mil horas de áudio custam à Microsoft cem dólares. Esse é todo o argumento de precificação para MAI Transcribe 2, que está em prévia pública desde 3 de setembro de 2026 a US$ 0,10 por hora de áudio — cerca de US$ 1,67 por mil minutos, uma tarifa que fica abaixo de todos os concorrentes gerenciados que ele cita e aproximadamente um terço do que a OpenAI cobra pelo mesmo trabalho. Nemotron 3.5 Transcribe, o checkpoint aberto da NVIDIA de 28 de outubro de 2026, não tem preço por minuto, porque a única forma de comprá-lo é comprar o hardware no qual ele roda. Com mil horas por mês, a conta da Microsoft é um erro de arredondamento no orçamento de um departamento, e a da NVIDIA é uma compra de capital.

Agora, a parte incômoda. No placar público de precisão, {{1}}MAI Transcribe 2{{/1}} é o segundo do mundo com {{2}}2,0% AA-WER{{/2}}. {{3}}Nemotron 3.5 Transcribe{{/3}} é o vigésimo com {{4}}3,4%{{/4}}. O modelo mais barato também é o mais preciso, por uma margem maior que toda a diferença entre as posições nove e vinte. Se esta comparação fosse apenas sobre palavras e dinheiro, terminaria em um parágrafo. Não é, porque a {{5}}Microsoft{{/5}} não publica nenhum número de qualidade de diarização e a {{6}}NVIDIA{{/6}} publica vários — e é essa coluna vazia o motivo pelo qual alguém ainda escolheria a opção cara.

O que o conselho diz, e o que ele não pode dizer

A Artificial Analysis pontua ambos os modelos com a mesma combinação de três conjuntos de dados, então os 2,0% contra 3,4% são, no mínimo, uma comparação equivalente do mesmo índice, medida pelo mesmo operador. Isso é mais raro do que deveria ser nesta categoria e merece ser levado a sério. O MAI Transcribe 2 está atrás apenas de um sistema de pré-visualização em tempo real no topo da tabela; o Nemotron 3.5 Transcribe está empatado com três sistemas, um dos quais é uma variante do Gemini Flash-Lite no modo de raciocínio mínimo.

O material de lançamento da própria NVIDIA informa 2,8% de AA-WER, o que, se se mantivesse, ainda a deixaria oito décimos completos atrás da Microsoft. O placar ao vivo traz 3,4%. De qualquer forma, a ordem não muda, então, diferentemente dos outros confrontos desta série, a discrepância entre lançamento e placar não decide nada aqui. A Microsoft está simplesmente à frente na métrica pela qual ambas as empresas concordam em ser medidas.

O que US$ 0,10 por hora realmente compra

A MAI Transcribe 2 é um modelo de transcrição em lote concebido para áudio de longa duração: reuniões, chamadas, arquivos de mídia e gravações de centrais de atendimento. Abrange 60 idiomas com identificação automática de idioma, inclui diarização de falantes, devolve marcas temporais ao nível da palavra, oferece enviesamento por palavras-chave para nomes e termos de domínio e disponibiliza dois estilos de saída — verbatim, que mantém palavras de preenchimento e falsos começos, e clean, que os remove. A Microsoft relata uma capacidade de processamento de aproximadamente 411× em tempo real no ranking de velocidade da Artificial Analysis, em segundo lugar no geral, e o seu próprio post de lançamento descreve isso como dez vezes mais rápido do que o GPT Transcribe e cinco vezes mais rápido do que o Gemini 3.5 Transcribe.

A lista de recursos é, no papel, um superconjunto do que a maioria das equipes precisa e quase equivalente à da NVIDIA. Ambas fazem diarização, ambas fazem temporização de palavras, ambas fazem enviesamento por palavras-chave, ambas produzem saída literal e limpa, ambas limitam-se a cerca de uma hora de áudio e ambas são somente em lote na SKU comparada. As diferenças estão nas bordas: 60 idiomas contra 40, oito falantes contra uma contagem não especificada e um preço que é três ordens de grandeza mais fácil de explicar para uma equipe financeira.

• Preço — US$ 0,10 por hora de áudio, por tempo limitado até o fim de 2026, versus nenhuma tarifa de tabela; o custo é o tempo do acelerador.

• Precisão — 2,0% AA-WER, 2º lugar vs 3,4%, 20º lugar (3,4% no placar ao vivo; o documento da NVIDIA alega 2,8%).

• Vazão — cerca de 411× o tempo real, em comparação com até 2.238 segundos de áudio por segundo em uma RTX PRO 6000 Blackwell com NVFP4 e um modelo de rascunho, medido em clipes de 30 segundos com alta concorrência.

• Idiomas — 60 com identificação automática vs 40 transcritos, 31 traduzidos.

• Licença — proprietária, somente via API vs OpenMDW-1.1 com pesos baixáveis.

• Falantes — diarização incluída, sem DER publicado, versus até 8, atribuídos, em 13 idiomas, 18,26% de DER em 21 idiomas no benchmark David AI.

• Ajuste fino — nenhum oferecido vs. adaptação em GPU única a 0,5–2,3 horas de GPU por tarefa.

• Localidade dos dados — o áudio sai da sua rede vs. auto-hospedável, incluindo offline.

A coluna que a Microsoft deixa vazia

A Microsoft inclui diarização e não publica taxa de erro de diarização. Não uma taxa fraca — nenhuma. A NVIDIA publica quatro resultados separados de diarização: 18,26% de DER em 21 idiomas no benchmark David AI, o menor entre 14 sistemas; 32,4% de WER concatenado com permutação mínima no Diarization-Bench da VoiceArena, o melhor entre 14; 8,32% das palavras de referência omitidas em fala inglesa sobreposta, contra uma mediana próxima de 31%; e atribuição de locutores em 13 idiomas, contra a contagem não especificada da Microsoft.

Todos esses números são relatados pelo fornecedor num harness do próprio fornecedor, e a leitura honesta é que se trata de uma afirmação sobre capacidade, não de uma prova de qualidade. Mas a assimetria é reveladora. Uma empresa que tem um número de diarização publica-o, porque a diarização é a parte mais difícil de acertar numa transcrição e a parte de que os clientes se queixam. Uma empresa que inclui a diarização sem um número está a dizer-lhe que não considera isso o argumento de venda. Isso pode significar que a funcionalidade é adequada e sem nada de especial. Pode significar que é fraca. Nada no material de lançamento da Microsoft distingue os dois casos, e ainda nenhum painel independente mede a taxa de erro de diarização com este nível de granularidade.

Para uma chamada de vendas com duas pessoas, isso não importa — qualquer modelo rotulará duas vozes corretamente. Para uma reunião de diretoria com seis pessoas e falas simultâneas, a diferença entre 18% de DER e um número desconhecido é a diferença entre um registro utilizável minuto a minuto e um documento em que ninguém confia. É nessa carga de trabalho que o preço do checkpoint aberto deixa de parecer absurdo.

Por que alguém compra o mais caro

Quatro razões, em ordem decrescente de frequência com que realmente aparecem nas decisões de compras.

A primeira é a localização dos dados. O MAI Transcribe 2 é uma API. O áudio sai da sua rede, chega ao tenant de um fornecedor e fica sujeito aos termos de retenção desse fornecedor. O Nemotron 3.5 Transcribe é executado em hardware que você controla, inclusive totalmente offline, o que, para gravações clínicas, processos judiciais, investigações de RH e qualquer coisa sujeita a um regime de residência de dados, não é uma preferência, mas uma exigência. Nenhum preço por hora compete com uma restrição de conformidade.

A segunda é permanência. A tarifa de US$ 0,10 da Microsoft é explicitamente uma oferta por tempo limitado válida até o final de 2026, e nenhum preço padrão foi divulgado em lugar algum do material de lançamento. Uma equipe que constrói um produto com base nesse valor está construindo sobre uma tarifa promocional com validade desconhecida. Pesos abertos não têm esse modo de falha: o checkpoint que você baixou continua funcionando ao preço da eletricidade, independentemente do que o fornecedor faça em seguida.

O terceiro é a adaptação. A NVIDIA relata ajuste fino em uma única GPU a 0,5 a 2,3 horas de GPU por tarefa, e um estudo de caso de fala médica em que a adaptação levou a taxa de erro de palavra de 30,8% para 11,8% em 3.619 clipes, com falantes reservados melhorando de 22,44% para 12,17%. A Microsoft não oferece nenhum caminho de ajuste fino. Para áudio com sotaque, ruidoso ou denso em jargões — exatamente o áudio em que uma média de 2,0% se torna uma realidade de 25% — a capacidade de adaptar vale mais do que dois pontos de posição no ranking. O conjunto de inglês revisado por humanos da Perit conta a mesma história pela direção oposta: coloca MAI Transcribe 2 e GPT Transcribe com diferença de um centésimo de ponto entre si, em 1,76%, o que lembra que esses rankings se agrupam fortemente em áudio limpo e se dispersam em todo o resto.

O quarto é que o MAI Transcribe 2 está em pré-visualização pública. Pré-visualização significa nenhum compromisso de disponibilidade, nenhum período de aviso de descontinuação e um conjunto de recursos que pode mudar debaixo do seu nariz. O Nemotron 3.5 Transcribe tem um dia de vida e carrega seu próprio problema de maturidade — suas ferramentas GGUF ainda são descritas como "em breve" e suas builds locais quantizadas não são distribuídas —, mas não se retira o status de pré-visualização de um checkpoint.

A proteção que não custa nada

A maioria das equipes não precisa escolher. Use a API barata para a maior parte da fila e encaminhe para o checkpoint os arquivos que não podem sair do prédio, ou as reuniões em que a atribuição de falante precisa estar correta. Esse híbrido é mais barato do que qualquer uma das estratégias puras e falha de forma elegante: se a tarifa promocional da Microsoft expirar em um valor pouco atrativo, o caminho auto-hospedado já está provisionado; se a promessa de diarização do modelo aberto não resistir ao seu áudio, a API já está integrada.

O que faz esse hedge funcionar na prática é manter as duas metades do pipeline separáveis. O reconhecimento de fala é um contrato; o sumarizador, o classificador e o roteador que consomem as transcrições são outro. A OrcaRouter cobre a segunda metade com mais de 200 modelos de texto e multimodais por trás de uma única chave, preços de tabela dos provedores repassados com 0% de markup — de modo que um corte de preço do fornecedor chega à sua fatura no mesmo dia, e não na próxima renovação de contrato — além de failover automático e uma DSL de roteamento que pode direcionar diferentes classes de transcrição para modelos diferentes. Nem o MAI Transcribe 2 nem o Nemotron 3.5 Transcribe está nesse catálogo, e não oferecemos speech-to-text de forma alguma, então o contrato de transcrição fica onde você o assinou. O ponto é apenas que o modelo a jusante dele não deveria estar soldado ao mesmo fornecedor.

O veredito, por volume

Abaixo de aproximadamente algumas centenas de horas de áudio por mês, sem restrição de residência de dados e sem requisito de atribuição de locutor além de chamadas entre duas pessoas, o MAI Transcribe 2 é a melhor compra em todos os eixos que aparecem numa planilha: mais barato, mais preciso no índice compartilhado, mais rápido e disponível hoje sem provisionamento. O preço promocional é um risco real e vale a pena modelar a duas ou três vezes a tarifa atual, mas não elimina uma diferença de três ordens de magnitude.

Acima desse volume, ou com qualquer uma das quatro restrições acima associadas, a aritmética se inverte — não porque o modelo aberto seja mais barato por hora, mas porque as horas deixam de ser compráveis por completo. O argumento do Nemotron 3.5 Transcribe baseia-se em falantes, idiomas, localidade, adaptação e permanência, aproximadamente nessa ordem. Seu argumento de acurácia baseia-se em uma alegação do fornecedor que o leaderboard público atualmente não sustenta, e quem repete “primeiro entre os pesos abertos” como se isso resolvesse a comparação está citando um slide, não uma medição.