Nemotron 3.5 Transcribe vs. Muse Voice Transcribe: Um processa a reunião, o outro participa dela

Duas gravações decidem esta comparação antes de qualquer teste comparativo. Uma é uma chamada acontecendo agora, em que a transcrição precisa acompanhar a conversa e um atraso de dois segundos torna a ferramenta inútil. A outra é um arquivo de duas horas das chamadas de clientes do último trimestre, em que ninguém se importa se as palavras chegam em 200 milissegundos ou em vinte minutos. NVIDIA Nemotron 3.5 Transcribe, lançado em 28 de outubro de 2026 como um checkpoint offline de pesos abertos, foi feito para a segunda gravação. Meta Muse Voice Transcribe, lançado pela Meta Superintelligence Labs em 1 de setembro de 2026, foi feito para a primeira. A maioria das páginas de comparação coloca suas taxas de erro de palavra em uma única coluna e dá o assunto por encerrado, que é exatamente a comparação que não pode ser feita.

O relógio, não a taxa de erro de palavra

O modelo da Meta é uma camada de percepção em streaming. Ele consome áudio em blocos de 80 milissegundos, emite tokens suaves e usa um mecanismo de “atraso adaptativo” treinado por reforço para decidir, palavra por palavra, quanto contexto esperar antes de se comprometer com o texto. O material de lançamento da Meta, conforme noticiado, estima o intervalo entre o fim da fala e o texto final em cerca de 0,16 segundos, e o modelo é servido via WebSocket para áudio ao vivo ou um endpoint HTTP para arquivos de uso único. Ele também cuida da detecção de fim de fala e da detecção de atividade de voz por conta própria, de modo que o pipeline ao seu redor é enxuto.

O modelo da NVIDIA tem a forma oposta. O cartão diz claramente: "Este é um modelo offline", e acrescenta que a fragmentação interna não o torna um serviço de streaming. Você entrega a ele um arquivo de até uma hora e ele devolve uma transcrição. Não há saída parcial, nem hipótese provisória, nem interrupção. A NVIDIA vende um reconhecedor de streaming separado de 0,6B para áudio ao vivo; esse é um checkpoint diferente, não um modo deste.

Os números de destaque são medidos em instrumentos diferentes. A Meta relata uma taxa de erro de palavra de 3,1% e o primeiro lugar no ranking de conversão de fala em texto em streaming da Artificial Analysis. A ficha da NVIDIA relata uma média de 4,71% nos nove conjuntos públicos de Open ASR em inglês, enquanto a tabela de não streaming da Artificial Analysis mostra 3,4% para o endpoint implantado — e seu FAQ diz 2,8% para o mesmo modelo. Essas são três medições diferentes de duas tarefas diferentes. Os 3,1% são um resultado de streaming; os 3,4% são um resultado em lote numa distribuição de áudio diferente. Subtrair um do outro produz uma "vitória" de 0,3 ponto que não significa nada, e a desvantagem do modelo de streaming em áudio longo, ruidoso e com sotaque é real, mas invisível nessa aritmética.

Palestrantes: vinte e poucos contra oito

A lacuna de diarização é o único ponto em que os números medem aproximadamente a mesma coisa, e ela é grande.

• Limite de falantes — a Meta anuncia mais de 20 falantes numa única gravação; a NVIDIA treina com misturas de até oito, e o cartão de modelo dela declara não haver máximo no momento da inferência.

• Sobreposição — A própria página da Meta ressalva que a diarização se aplica a “fala sem sobreposição”. Todo o argumento arquitetônico da NVIDIA é a fala sobreposta: a atividade de falante do diarizador congelado é injetada no encoder para que o modelo possa atribuir palavras enquanto as pessoas falam uma por cima da outra. Essa é a afirmação por trás de seu cpWER médio de 15,80 no conjunto multi-falante da NVIDIA.

• Cobertura de idiomas para rótulos — a Meta atende mais de 25 idiomas; a NVIDIA oferece suporte a 40 para transcrição, mas marca 13 deles para saída com vários falantes. Uma reunião em turco é transcrita e não recebe rótulos.

• Formato do rótulo — a Meta emite letras de locutor simples como "A"; a NVIDIA emite tags no estilo <spk:0> que são mapeadas de volta para segmentos de diarização.

Se o seu caso de uso for um painel, um tribunal ou uma chamada de suporte com três participantes a falar ao mesmo tempo, o teto de oito falantes é a restrição que decide, não a coluna WER. Se o seu caso de uso for uma reunião geral de vinte pessoas em que as pessoas falam sobretudo à vez, os 20+ da Meta são o número que importa e os oito da NVIDIA são um limite intransponível.

Idiomas: 25 contra 40, e nenhum dos números é o que parece.

A própria página de desenvolvedores da Meta indica "mais de 25 idiomas" e oferece suporte à alternância de código dentro e entre frases, o que é importante para reuniões bilíngues. A cobertura do lançamento informou que o modelo foi treinado em mais de 70 idiomas, com 25 amplamente validados — uma distinção útil, porque um idioma que é "treinado" mas não validado é um idioma que você deve testar antes de confiar. A ficha da NVIDIA lista 40 idiomas com suporte a ASR, 31 com tradução bidirecional de e para o inglês, e um componente separado de identificação de idioma com 48 rótulos.

• Se você precisa de abrangência de cobertura europeia — as 25 línguas validadas da Meta são menos abrangentes que as 40 da NVIDIA, mas a lista da Meta favorece as línguas que os clientes empresariais realmente gravam.

• Se você precisar de tradução — apenas a NVIDIA faz isso. O modelo da Meta transcreve; ele não traduz a transcrição para outro idioma.

• Se você precisa de alternância de código — a Meta afirma ter suporte nativo; a ficha técnica da NVIDIA não menciona nada equivalente, e sua compreensão de áudio é apenas em inglês, independentemente do idioma da transcrição.

O que a transcrição realmente contém

Os timestamps são onde uma diferença aparentemente barata se torna cara. A Meta fornece timestamps por turno — limites de segmento, não tempos por palavra — e não expõe pontuações de confiança de forma alguma. A NVIDIA fornece timestamps por palavra por meio de um adaptador CTC, com a ressalva de que os timestamps não ficam disponíveis quando o rascunho de decodificação especulativa DFlash2 está habilitado.

• Marcas temporais — Meta no nível do turno; NVIDIA no nível da palavra, mas não junto ao seu caminho de decodificação mais rápido.

• Confiança — A Meta não publica nenhuma; a NVIDIA também não publica confiança por palavra.

• Formato de entrada — A Meta exige PCM mono de 16 bits a 16 ou 24 kHz e orienta converter todo o resto com ffmpeg; a NVIDIA aceita mono a 16 kHz e processa o arquivo diretamente.

• Prompting — ambos enviesam a saída. Os vieses de palavras-chave e de idioma da Meta “apenas dão um leve empurrão ao modelo e não garantem a grafia”, segundo sua documentação. O prompting contextual da NVIDIA relata queda no WER de entidades nomeadas de 12,21% para 2,20% com uma lista de entidades detalhada — realizado pelo fornecedor, mas uma afirmação muito mais forte, e que implica um mecanismo diferente de um leve empurrão.

• Estilos de saída — os cinco estilos da NVIDIA (literal, forma escrita, contextual, atribuído ao falante, rico) são selecionados por instrução. A Meta retorna um formato e espera que você faça o pós-processamento.

Preço por hora de áudio

A Meta cobra US$ 3,00 por 1.000 minutos, o que equivale a US$ 0,18 por hora de áudio, sem níveis ou franquia gratuita publicados. A listagem hospedada da NVIDIA no Artificial Analysis é de US$ 2,00 por 1.000 minutos — cerca de US$ 0,12 por hora — e os pesos podem ser baixados gratuitamente sob a OpenMDW-1.1, de modo que a auto-hospedagem é uma terceira opção que a Meta não oferece a preço algum.

A aritmética em escala é simples e não favorece o preço mais barato. Mil horas de áudio por mês custam US$ 180 via Meta e US$ 120 via um endpoint Nemotron hospedado. Em autohospedagem, as mesmas mil horas ficam abaixo de uma hora de tempo de GPU em uma RTX PRO 6000 Blackwell com a taxa de throughput NVFP4 da NVIDIA — digamos US$ 2 de computação a uma tarifa de GPU alugada, mais operações, armazenamento e o engenheiro responsável. Com 10.000 horas por mês, a diferença entre US$ 1.800 e algumas centenas de dólares cobre muitas operações; com 100 horas por mês, não cobre nada disso.

O que a auto-hospedagem realmente proporciona não é o preço. É a capacidade de executar transcrição em áudios que, por contrato, não podem sair da sua rede, e a capacidade de manter o pipeline funcionando quando o endpoint de um fornecedor degrada. Esses são os motivos pelos quais equipes sujeitas a regulação pagam por GPUs que, de outra forma, poderiam alugar.

Onde cada um quebra

Os modos de falha da Meta estão relacionados à latência. Sua diarização pressupõe fala sem sobreposição, então uma chamada de suporte acalorada com interrupções rotulará incorretamente os turnos. Sua transcrição não tem timestamps por palavra, o que inviabiliza a geração de legendas, a busca em áudio e qualquer alinhamento posterior com o vídeo. Seu contrato de entrada é rígido, e seu direcionamento é apenas consultivo. Ela não tem tradução, nem resposta a perguntas em áudio, nem opção de auto-hospedagem.

Os modos de falha da NVIDIA são adjacentes ao fluxo de trabalho. Ela não consegue fazer streaming, portanto não pode fornecer legendas ao vivo, agentes de voz ou roteamento de chamadas em tempo real. Sua compreensão de áudio é apenas em inglês. Ela tem limite de uma hora por gravação. Sua integração SGLang-Omni fornecida omite saída com atribuição de locutor, carimbos de tempo por palavra e tradução, de modo que parte do que o card promete exige o caminho vLLM ou o contêiner NIM. E ela pode ocasionalmente falhar em terminar, contra o que o card recomenda proteger-se.

Nenhum dos conjuntos de falhas é um bug em favor do outro modelo. Eles são as duas formas do problema: um modelo que está presente enquanto o áudio acontece, e um modelo que é minucioso depois que ele termina.

Se você precisa dos dois, o pipeline não é uma concessão.

A implantação real mais comum não é escolha nenhuma. O áudio ao vivo passa pelo endpoint de streaming da Meta, porque essa é a única forma de obter texto enquanto a chamada acontece — legendas, assistência ao agente, busca ao vivo. A mesma gravação é então retranscrita offline pelo checkpoint da NVIDIA durante a noite, porque a passada em lote produz texto mais limpo, timestamps de palavras atribuídos ao falante e, quando necessário, uma tradução para inglês de uma chamada em outro idioma. A transcrição de streaming serve para o momento; a transcrição em lote serve para o registro. Equipes que tentam forçar um modelo a desempenhar ambos os papéis geralmente acabam com uma visão ao vivo atrasada ou uma conta cara de streaming por áudio que ninguém está assistindo.

A metade a jusante desse pipeline — resumir chamadas, avaliar o desempenho dos agentes, remover dados pessoais e encaminhar conversas sinalizadas para um humano — é trabalho comum de texto, e não pertence à mesma GPU que o ASR. O OrcaRouter executa essas chamadas de texto por trás de uma única chave com 0% de markup, repassando o preço de tabela do provedor sem alteração, com failover automático quando um provedor oscila e uma DSL de roteamento capaz de enviar sumarização e classificação para modelos diferentes dentro de um único fluxo de trabalho. Nem o Meta Muse Voice Transcribe nem o NVIDIA Nemotron 3.5 Transcribe estão no catálogo do OrcaRouter; o roteador fica depois da transcrição, onde está a carga de trabalho de texto.

Três perguntas resolvem isso mais rápido do que qualquer ranking. Quanto tempo depois que o áudio chega o texto precisa existir? Se a resposta for "durante a chamada", a decisão é da Meta e a discussão sobre WER é decoração. Quantas pessoas falam ao mesmo tempo, e elas se sobrepõem? Se a resposta for "mais de oito, e sim", esse é o terreno da NVIDIA. E o áudio pode sair da sua rede? Se a resposta for não, apenas um desses dois modelos pode ser implantado.

Tudo o mais — os 3,1%, os 4,71%, os US$ 0,18 — é um critério de desempate entre dois produtos concebidos para momentos diferentes da mesma reunião.