Nemotron 3.5 Transcribe vs NVIDIA Parakeet TDT 0.6B: O incumbente com 626.000 downloads encontra seu substituto

Mais de 626.000 downloads no Hugging Face pertencem ao NVIDIA Parakeet TDT 0.6B, o transdutor de 600 milhões de parâmetros que tem sido o reconhecedor de inglês auto-hospedado padrão desde que surgiu em agosto de 2025. Quase nenhum deles o executa sozinho: a implantação padrão é o Parakeet para as palavras, um diarizador separado para os falantes e uma etapa de fusão para unir as duas saídas nos limites dos segmentos. Nemotron 3.5 Transcribe, publicado como pesos abertos em 28 de outubro de 2026, é a oferta da NVIDIA para eliminar essa camada intermediária — um único checkpoint que transcreve, separa até oito vozes e as marca temporalmente, em quarenta idiomas, sem cascata. Ele também é quarenta e três vezes mais lento por segundo de GPU e cerca de vinte e cinco vezes maior em disco, que é a parte com que o anúncio não abre.

O interessante nesse confronto é que ambos os modelos pertencem à mesma empresa. Não se trata de um desafiante vindo de fora para destronar um incumbente; é a NVIDIA vendendo a você um segundo produto muito mais pesado para fazer a metade do trabalho para a qual seu primeiro produto nunca foi construído.

Duas arquiteturas, duas teorias do trabalho

O Parakeet TDT 0.6B v3 é um codificador FastConformer que alimenta um decodificador transducer de token e duração. Um modelo TDT prevê tanto um token quanto uma duração por etapa, o que lhe permite pular quadros e funcionar bem à frente do tempo real; é exatamente por isso que é rápido. Ele cobre 25 idiomas europeus com detecção automática de idioma, traz carimbos de tempo nativos em nível de palavra e é distribuído sob a CC-BY-4.0, que é praticamente o máximo de liberdade que uma licença pode oferecer. Não tem nenhuma representação de locutor — nem uma fraca, nenhuma.

O Nemotron 3.5 Transcribe é um modelo de linguagem aumentado por fala: um codificador de fala, um modelo Nemotron 3 Diarization congelado que injeta características de atividade do falante por meio de um Codificador de Especialistas Paralelo, e um decodificador híbrido Mamba–Transformer de mistura de especialistas com aproximadamente 4 bilhões de seus 30 bilhões de parâmetros ativos por token. Ele não classifica quadros. Ele gera texto, e é por isso que se pode instruí-lo sobre como gerá-lo.

Parâmetros — cerca de 30B no total, aproximadamente 4B ativos por token vs 600M.

• Decodificação — geração autorregressiva vs transdutor de token e duração, não autorregressivo.

• Licença — OpenMDW-1.1 vs CC-BY-4.0.

• Idiomas — 40 transcritos, 31 traduzidos de ou para inglês vs 25 idiomas europeus com detecção automática.

• Oradores — até 8, com atribuição, em 13 idiomas vs nenhum.

• Carimbos de data/hora — alinhamento CTC após decodificação, atribuído ao falante vs. temporização nativa em nível de palavra.

• Vazão — RTFx 462 no Open ASR Leaderboard contra RTFx 3.333.

• Duração e streaming de áudio — 1 hora por arquivo, somente gravado vs gravado, com um modelo irmão de streaming de 0,6B lidando com áudio ao vivo separadamente.

Os números de precisão variam dependendo de quem está hospedando

No ranking English short-form average do Open ASR Leaderboard do Hugging Face, o Parakeet TDT 0.6B v3 está em 6,34% e o Nemotron 3.5 Transcribe em 5,33%. É uma diferença de um ponto no mesmo leaderboard público, o que é uma comparação mais respeitável do que a maioria nesta série — o mesmo harness, os mesmos conjuntos de teste, as submissões dos próprios dois fornecedores. Ainda assim, não é a história completa, porque as duas entradas foram avaliadas em momentos diferentes e a média do leaderboard é dominada por fala de leitura limpa.

O Artificial Analysis conta uma história muito diferente, e vale a pena entender por quê. Nesse quadro, a entrada do Parakeet fica em 4,5%, bem à frente do que sua média Open ASR sugeriria, enquanto o Nemotron 3.5 Transcribe fica em 3,4%. Os 4,5% pertencem à configuração de um endpoint hospedado, não ao checkpoint no seu próprio hardware, e as escolhas de batching e decodificação do operador da implantação movem o número em quase um ponto. Comparar uma pontuação de Parakeet hospedado com uma auto-hospedada é o erro mais comum na cobertura desta semana, e isso também corta no sentido oposto: a alegação de lançamento de 2,8% da NVIDIA para o Nemotron é um número de submissão, e os 3,4% atuais do quadro são a medição.

O panorama independente revisto por humanos é ainda mais restrito. No conjunto de inglês da Perit, o Parakeet TDT 0.6B v3 fica em 2,13% de WER, na 14.ª posição entre 22, com 54% dos clipes transcritos perfeitamente. GPT Transcribe e MAI Transcribe 2 ficam em 1,76%, nas posições seis e sete. O checkpoint 30B do Nemotron 3.5 Transcribe não aparece nessa tabela de forma alguma; o modelo nemotron-3.5-asr-streaming-0.6b que está nela fica em 3,35%, na 21.ª posição — um modelo diferente para uma tarefa diferente, e frequentemente confundido com aquele sobre o qual este artigo trata.

O que a substituição realmente exclui

A cascata que os usuários do Parakeet executam hoje tem três partes e três modos de falha. O reconhecedor produz texto com marcações de tempo por palavra. O diarizador produz turnos de fala. A mesclagem atribui turnos às palavras, e faz isso por heurísticas de sobreposição que estão erradas exatamente onde importa — quando duas pessoas falam ao mesmo tempo. Os números relatados pela própria NVIDIA para a substituição por modelo único visam diretamente essa falha: taxa de erro de diarização de 18,26% em 21 idiomas no benchmark David AI, melhor entre 14 sistemas; WER de min-permutação concatenado de 32,4% no VoiceArena, melhor entre 14, com o segundo colocado sendo uma cascata Multitalker Parakeet mais Nemotron 3 Diarization, com 34,2%; e 8,32% das palavras de referência descartadas em fala em inglês com sobreposição, contra uma mediana de aproximadamente 31%.

Esses são números do fornecedor obtidos em um ambiente de teste do próprio fornecedor e não foram reproduzidos de forma independente. Mas observe quem é o segundo colocado: a própria cascata da NVIDIA, construída a partir do modelo citado no título desta comparação. A empresa está publicando um benchmark no qual seu novo produto supera seu produto antigo mais um diarizador. Essa é uma evidência incomumente direta, e também é o tipo de evidência que um fornecedor está mais bem posicionado para produzir e menos propenso a publicar se o resultado fosse o contrário.

A segunda coisa que a substituição elimina é o tratamento de idiomas. O Parakeet cobre 25 idiomas europeus; o Nemotron cobre 40 para transcrição e 31 para tradução de ou para o inglês, com atribuição de locutor em 13. Se a sua fila termina na UE, essa diferença é acadêmica. Se inclui árabe, mandarim, híndi ou japonês, o Parakeet nunca foi uma opção e a comparação é entre o Nemotron e algo totalmente diferente.

Quanto custa para você substituí-lo

Primeiro, a vazão. Os 3.333 RTFx do Parakeet contra os 462 do Nemotron representam uma diferença de 7,2× no mesmo harness de leaderboard — uma diferença menor do que a proporção de parâmetros sugere, porque o MoE só ativa cerca de 4 bilhões dos seus 30 bilhões de pesos por token, mas ainda assim é uma diferença real. A alegação mais chamativa da NVIDIA, de até 2.238 segundos de áudio por segundo em uma RTX PRO 6000 Blackwell, pressupõe o checkpoint NVFP4 mais um modelo draft DFlash2 e foi medida em clipes de 30 segundos com alta concorrência. Nenhum dos números está errado; eles medem configurações diferentes, e um planejamento de capacidade baseado no maior deles vai decepcionar você em reuniões de uma hora.

Pegada, em segundo lugar. O Parakeet TDT 0.6B cabe em alguns gigabytes e corre confortavelmente numa GPU de gama média, e as suas compilações quantizadas correm em CPUs. O Nemotron 3.5 Transcribe ocupa dezenas de gigabytes em BF16 e requer vLLM com o plugin NeMo Speech ou SGLang-Omni num acelerador de datacenter. Não há nenhuma versão disto em que o modelo 30B substitua o modelo 0.6B no mesmo hardware.

Maturidade, em terceiro. O Parakeet tem um ano de implantações, mil respostas no fórum e uma cadeia de ferramentas funcional em NeMo, Transformers e um runtime C++. O Nemotron 3.5 Transcribe tem um dia. Seu suporte a GGUF e NeMo-Speech.cpp é descrito como chegando em breve; suas versões locais quantizadas ainda não foram disponibilizadas. Se seu pipeline precisa ser entediante, isso é um motivo para esperar um trimestre, e não um motivo para rejeitar o modelo.

Onde o incumbente ainda vence de forma decisiva

Qualquer coisa interativa, para começar. A decodificação transducer do Parakeet retorna palavras conforme o áudio chega, e seus timestamps nativos são uma propriedade do decodificador, não uma etapa de alinhamento post-hoc. O Nemotron 3.5 Transcribe é explicitamente construído para áudio gravado — o próprio post da NVIDIA no Hugging Face diz isso — e há um modelo de streaming separado, de 0,6B, para sessões ao vivo. Se seu produto são legendas ao vivo, nenhum dos modelos desta manchete é a resposta certa; o irmão de streaming é, e trata-se de uma comparação diferente.

Qualquer coisa on-premise em pequena escala, para dois. Uma clínica com uma única placa de workstation, um escritório de advocacia com um arquivo e um responsável por compliance, um grupo de pesquisa com uma única concessão de GPU: o Parakeet com 0,6B é uma implantação realista, e o Nemotron com 30B não é. A diferença de precisão de cerca de um ponto em inglês limpo não compensa o hardware.

Qualquer coisa apenas em inglês, sem exigência de identificação de falantes, para três. O que representa a maior parte do trabalho de transcrição. O resumo honesto é que a maioria dos 626.000 downloads do Parakeet é para tarefas que a atualização não melhora.

Mantendo o pipeline operacional quando metade dele é o seu próprio hardware

A auto-hospedagem do reconhecedor introduz um modo de falha que as APIs gerenciadas não têm: sua placa, seu driver, sua janela de manutenção. É exatamente esse o argumento para manter a outra metade do pipeline — o sumarizador, o classificador, o extrator que transforma uma transcrição em registros estruturados — em um endpoint com redundância integrada. O OrcaRouter executa mais de 200 modelos de texto e multimodais por trás de uma única chave, com failover automático entre provedores quando um upstream se degrada, preços de tabela dos provedores repassados com 0% de markup, e uma DSL de roteamento que permite direcionar atas de reunião e notas de chamadas para modelos diferentes sem duplicar integrações. Nemotron 3.5 Transcribe e Parakeet TDT 0.6B estão ambos fora desse catálogo — não fornecemos conversão de fala em texto — mas a camada que lê a saída deles não precisa falhar quando uma GPU falha.

A decisão de upgrade

Substitua o Parakeet pelo Nemotron 3.5 Transcribe se a cascata for o que está prejudicando você: se você mantém um diarizador e uma etapa de mesclagem, se suas reuniões têm mais de duas vozes, se seu áudio não é europeu, ou se as palavras "fala sobreposta" aparecem nos seus tickets de suporte. Nesse caso, o checkpoint 30B não é um luxo, é a remoção de duas partes móveis e do orçamento de erro delas, e o custo de throughput é um custo de throughput — uma placa ainda processa muito mais áudio do que uma equipe com muitas reuniões consegue gerar.

Mantenha o Parakeet se o seu áudio estiver em inglês ou numa língua europeia, se os seus falantes forem conhecidos ou irrelevantes, se o seu hardware for uma estação de trabalho e se a sua pipeline funcionar. O novo modelo não torna o antigo obsoleto; cobre os casos para os quais o antigo nunca foi concebido. E continue a acompanhar os fóruns independentes, porque todos os números neste artigo que favorecem o Nemotron 3.5 Transcribe na diarização são da própria NVIDIA, e ainda não foi publicada uma segunda opinião.