Nemotron 3.5 Transcribe против Gemini 3.5 Transcribe: 2,8% на слайде, 3,4% на доске

Google Gemini 3.5 Transcribe занимает девятое место в нестриминговом рейтинге распознавания речи от Artificial Analysis с частотой ошибок 2,6%. У NVIDIA модель Nemotron 3.5 Transcribe, выпущенная в виде открытых весов 28 октября 2026 года, занимает двадцатое место с 3,4%. Их разделяют четыре десятых пункта в единственном публичном индексе, который оценивает обе модели, и эти четыре десятых — едва ли не самый бесполезный факт в этом сравнении. Эти две модели создавались не для одной и той же задачи: одна — управляемый эндпоинт, который приводит транскрипт в порядок до того, как вы его увидите, другая — скачиваемый чекпойнт, который не путает восемь говорящих, когда они перебивают друг друга. Этот рейтинг не льстит ни одной из них в том, для чего она на самом деле создавалась.

Стоит сразу отметить одно расхождение, потому что оно повторяется в каждой статье, написанной об этой модели на этой неделе. В материалах запуска NVIDIA сообщается о 2,8% AA-WER и о делении первого места среди систем с открытыми весами. Актуальная таблица по состоянию на 29 октября показывает 3,4% на двадцатом месте. Оба числа восходят к одному и тому же индексу, и они не являются измерениями одного и того же прогона — это первый практический урок данного сопоставления и причина, по которой раздел о точности ниже написан именно так.

Что выпустила NVIDIA — и что Google использует с августа

Nemotron 3.5 Transcribe — это не трансдьюсер и не обычный энкодер. Это языковая модель, дополненная речевыми возможностями: речевой энкодер подаёт данные в замороженную модель Nemotron 3 Diarization, чей сигнал активности говорящего внедряется в энкодер ASR через то, что NVIDIA называет Parallel Expert Encoder, а декодер представляет собой гибридную LLM Mamba–Transformer с mixture-of-experts, имеющую примерно 4 млрд активных параметров на токен при примерно 30 млрд общих. В собственных материалах компании для языковой части используются оба обозначения — 30B-A3B и 30B-A4B, — а в боковой панели Hugging Face указано 34B, если учитывать весь аудиостек, поэтому любую отдельную цифру параметров следует считать приблизительной. Веса доступны бесплатно по лицензии OpenMDW-1.1, которая допускает коммерческое использование.

Gemini 3.5 Transcribe общедоступен с 26 августа 2026 года по цене $2,00 за миллион входных аудиотокенов и $12,00 за миллион выходных текстовых токенов, что, по расчетам Google, составляет примерно $0,005 за минуту, или около $0,30 за час аудио. У него есть бесплатный тариф в рамках квоты, отдельный SKU для потоковой передачи в реальном времени по цене примерно $0,009 за минуту, и при этом никаких весов.

Цифра, которая изменилась между стартовым пакетом и утром следующего дня

AA-WER от Artificial Analysis построен на трёх наборах данных — AgentTalk с весом 50%, VoxPopuli-Cleaned — 25% и Earnings22-Cleaned — 25% — и индекс представляет собой единую смешанную оценку, а не оценку по отдельным доменам. Это важно, потому что AgentTalk — это речь голосовых агентов: короткая, чистая и широко представленная в обучающей смеси поставщика, если поставщик продаёт голосовых агентов. Модель, которая выигрывает в этой смешанной оценке, может проиграть в вашем архиве.

Посмотрите на таблицу в её нынешнем виде: порядок в рейтинге таков: MAI Transcribe 2 — 2,0%, Voxtral Small Transcribe 3 — 2,1%, Gemini 3.5 Transcribe — 2,6%, GPT Transcribe — 3,3%, Nemotron 3.5 Transcribe — 3,4%. Заявленные NVIDIA 2,8%, если бы они подтвердились, поставили бы новую модель на один уровень с Gemini 3.1 Pro Preview и Voxtral Small и уверенно впереди пакетной модели OpenAI. С результатом 3,4% она уступает всем им и делит позицию с тремя системами, включая вариант Gemini Flash-Lite, с которым её никогда не позиционировали. Пересмотр на 0,6 пункта — не ошибка округления для индекса, вся первая десятка которого укладывается в диапазон от 1,7% до 2,9%.

Честное прочтение состоит не в том, что NVIDIA солгала. AA проводит повторные измерения, когда модель обслуживается на новом эндпоинте или повторно запускается с обновлёнными входными данными, и цифра на момент запуска почти наверняка отражает собственные данные, поданные NVIDIA, а не хост по умолчанию лидерборда. Но это именно тот разрыв, который превращается в ошибку при закупке: команда, которая закладывает в бюджет ориентир «первый среди открытых весов», а затем получает на замерах 3,4%, купила модель со слайда.

Что Google продаёт, а NVIDIA — нет

То, что происходит со словами после распознавания, определяет больше контрактов на транскрипцию, чем WER, и Gemini 3.5 Transcribe построен вокруг этого. Его режим дословной расшифровки по умолчанию сохраняет слова-заполнители, ложные начала и повторы для задач комплаенса; умный режим удаляет речевые сбои, устраняет самокоррекции и нормализует произнесённые числа и обозначения валют за один проход. Пользовательский словарь смещает распознавание в сторону до 1 000 терминов, при этом Google рекомендует около 100 тщательно выбранных. Ни того, ни другого нет в Nemotron 3.5 Transcribe: его можно с помощью промпта направить к списку сущностей и указать выдавать дословный или письменный формат вывода, но он оставляет форматирование чисел и исправление самокоррекций тому, что будет читать расшифровку дальше.

Google также выигрывает по широте охвата именованных локалей: 85+, с автоматическим определением и переключением кода внутри предложения, против 40 у NVIDIA для транскрипции и 31 для перевода. Учитываются именованные варианты. Если в вашей очереди есть язык, который есть в списке Google, но отсутствует у NVIDIA, тут не о чем спорить с помощью бенчмарка.

Что NVIDIA продаёт, а Google — нет

Атрибуция говорящих — это обратный случай, и он острее, чем следует из маркетинга. Gemini 3.5 Transcribe документирует до восьми говорящих, но собственные материалы Google помечают атрибуцию для трёх и более говорящих как экспериментальную, а в его блоге акцент делается на «до трёх». Nemotron 3.5 Transcribe размечает до восьми говорящих, делает это на 13 языках и возвращает пословные таймстемпы с атрибуцией говорящего через CTC-адаптер, работающий после декодирования и выравнивающий готовую расшифровку по аудио.

• Параметры — 30B всего при примерно 4B активных, гибридный Mamba–Transformer MoE в сравнении с нераскрытым проприетарным стеком обработки речи.

• Лицензия — OpenMDW-1.1, коммерческое использование, веса доступны для скачивания, в отличие от доступа только через API без прав на распространение.

• Цена — опубликованного тарифа нет; стоимость — это время GPU, и, по утверждению, сборка NVFP4 на одном RTX PRO 6000 Blackwell обрабатывает до 2 238 секунд аудио в секунду против смешанной стоимости $0,005 за минуту.

• Языки — 40 транскрибировано, 31 переведено на английский или с английского, 13 с метками говорящих против 85+ локалей с переключением кода.

• Динамики — 8, документированы и прошли бенчмаркинг, против 8 документированных, 3+ отмечены как экспериментальные.

• Длительность аудио — 1 час за один проход против 1 часа, снижаясь до 30 минут, если запрошены диаризация или временные метки.

• Потоковая передача — отсутствует; только записанное аудио, в отличие от отдельного live-SKU примерно за $0.009 в минуту.

• Постобработка — дословная или письменная форма, задаваемая промптом; встроенная очистка отсутствует, в отличие от умного режима, который удаляет слова-заполнители и исправляет самокоррекции.

Показатели диаризации публикует только одна сторона.

Вот здесь сравнение перестаёт быть близким и становится явно перекошенным, и здесь же источниковая база становится тонкой. NVIDIA сообщает о частоте ошибок диаризации 18,26% на 21 языке в бенчмарке David AI — это самый низкий показатель среди 14 оценённых систем, причём следующей идёт её собственная модель Nemotron 3 Diarization с 18,38%, а все остальные — между 22,85% и 37,55%. В Diarization-Bench от VoiceArena она сообщает о 32,4% конкатенированного WER с минимальной перестановкой — лучший результат среди 14, у занявшего второе место 34,2%. На англоязычных сессиях с перекрывающейся речью она сообщает о потере 8,32% эталонных слов при медиане около 31%.

Google вообще не публикует показатель ошибок диаризации для Gemini 3.5 Transcribe. Не худший показатель — а никакой. Эта асимметрия работает в обе стороны, и об этом стоит сказать прямо: цифры NVIDIA заявлены самим производителем и получены на испытательном стенде NVIDIA, и нет сторонних цифр, с которыми их можно было бы сверять, потому что существующие независимые рейтинги диаризации заполнены в основном системами, которые представила сама NVIDIA. Что не вызывает сомнений, так это задокументированный предел: Gemini поддерживает не более восьми спикеров, а атрибуция при более чем трёх спикерах является экспериментальной, и максимальная длительность аудио снижается с часа до тридцати минут, как только вы запрашиваете метки спикеров и временные метки слов одновременно. Если ваш материал — заседание совета директоров с шестью участниками, то это ограничение продукта, а не вопрос качества, и никакое сравнение по WER этого не выявит.

Сколько на самом деле стоит час аудио на каждом

Прогоняйте его на тысяче часов в месяц — реалистичная нагрузка для контакт-центра или медиаархива. Gemini 3.5 Transcribe по $0,005 за минуту — это $300 за тысячу часов. У Nemotron 3.5 Transcribe нет прайсовой цены, потому что указывать нечего: вы покупаете GPU. Одна RTX PRO 6000 Blackwell с запущенным чекпоинтом NVFP4 — это конфигурация, которую демонстрирует NVIDIA, а заявление о пропускной способности — до 2 238 секунд аудио в секунду — сопровождается условием, которое указано в посте Hugging Face и которое опускают заголовки: оно было измерено на 30-секундных клипах при высокой параллельности. Длинные совещания с перекрывающимися голосами не достигнут этого показателя.

Таким образом, порог окупаемости — это вопрос загрузки, а не вопрос цены. Одна карта, которая стоит примерно столько же, сколько несколько месяцев управляемой транскрипции, окупается только при постоянной загрузке и никогда не окупится по сравнению с $300 в месяц за вызовы API при небольшой очереди. Аргумент в пользу чекпойнта состоит не в более дешёвых минутах при малом объёме. Он в том, что минуты вообще перестают быть отдельной статьей расходов, аудио никогда не покидает вашу сеть, а дообучение занимает полдня на одном GPU — NVIDIA сообщает от 0,5 до 2,3 GPU-часа на задачу, а также об адаптации для медицинской речи, которая снизила частоту ошибок в словах с 30,8% до 11,8% на 3 619 клипах, причём на отложенных дикторах показатель улучшился с 22,44% до 12,17%.

Собственная исследовательская страница NVIDIA — единственное место, где утверждения о пропускной способности и дообучении встречаются вместе, и её стоит читать рядом с приведёнными выше цифрами: показатель в 2 238 секунд на секунду предполагает контрольную точку NVFP4 и черновую модель DFlash2 на аппаратном обеспечении Blackwell, а заявление о дообучении за 0,5–2,3 GPU-часа предполагает один GPU и задачу, достаточно малую, чтобы поместиться на нём. Ни одно из них нельзя перенести в план по мощностям как готовый заголовок без этих оговорок.

К какой бы стороне вы ни склонились, транскрипт — не конец конвейера. Его суммаризируют, классифицируют, по нему выполняют поиск и маршрутизируют, и именно на этом последующем этапе важен единый эндпоинт: OrcaRouter предоставляет более 200 текстовых и мультимодальных моделей через один ключ, при этом прайс-листовые цены провайдеров передаются с наценкой 0%, автоматическое переключение при сбоях и DSL-маршрутизация, позволяющая отправлять протоколы встреч одному суммаризатору, а проверку на соответствие требованиям — другому, без второй интеграции. Ни Gemini 3.5 Transcribe, ни Nemotron 3.5 Transcribe сегодня не входят в этот каталог — распознавание речи по-прежнему остаётся отдельным контрактом, где бы вы его ни приобретали — поэтому суть не так широка, как кажется: выбирайте транскрибатор по качеству транскрибирования, а слой над ним пусть остаётся переносимым.

Какой из них должен быть в вашем стеке

Выберите Gemini 3.5 Transcribe, если ваша проблема — текст: аудио интервью с запинками, речь колл-центра, полная фраз вроде «нет, погодите, я имел в виду», список локалей, который нужно проверить по названию, и управляемая конечная точка, которую уже сегодня днём можно защитить ключом. Сегодня это более точная модель в публичном рейтинге — с небольшим, но реальным отрывом; она исправляет транскрипт на лету и стоит тридцать центов в час, а для тестирования есть бесплатный тариф.

Выберите Nemotron 3.5 Transcribe, если ваша проблема — помещение. Больше трёх говорящих, накладывающаяся речь, тринадцать языков для меток говорящих, пословная синхронизация, которая сохраняется на протяжении часового файла, и аудиополитика, запрещающая отправлять запись третьей стороне, — это те условия, при которых открытый чекпойнт не компромисс, а единственный вариант, отвечающий требованию. Кроме того, это единственный из двух, который можно дообучить, а для аудио с акцентом или предметной спецификой это стоит больше, чем четыре десятых пункта.

Что изменило бы этот вердикт: независимый повторный прогон диаризации, который поставит Gemini где-либо рядом с показателем DER у NVIDIA в 18,26%, или повторное измерение AA, которое закрепит Nemotron между 2,8% и 3,4%. Пока не появится один из этих результатов, аргумент о точности остаётся вендорским, а аргумент о функциях — тот, который вы можете проверить сами за один день на своей собственной худшей записи.