Nemotron 3.5 Transcribe против GPT Transcribe: разница всего 0,1 балла, но один отдаёт вам чекпоинт

Попросите GPT Transcribe дать пословные таймстампы — и API вам их не вернёт. Не «плохо», не «приблизительно» — у модели просто нет головы тайминга, документация OpenAI отправляет вас за этим к whisper-1, и то же самое с метками спикеров, которые живут в отдельной модели диаризации. А теперь попросите Nemotron 3.5 Transcribe, которую NVIDIA выпустила в открытых весах 28 октября 2026 года, — и то и другое приходит за один проход: пословный тайминг с атрибуцией спикеров от CTC-адаптера, который выравнивает готовую транскрипцию по аудио после декодирования. В публичной таблице точности две модели отличаются друг от друга менее чем на десятую долю пункта. Но в том, что вы делаете с транскрипцией, они не в одной товарной категории.

Вот и всё решение, и по нему стоит пройтись не спеша, потому что материалы о запуске в основном свели эту пару к гонке по WER, в которой ни одна из сторон на самом деле не выигрывает с ощутимым перевесом.

Разрыв в точности — шум; разрыв в функциональности — нет.

В индексе Artificial Analysis для моделей без потоковой передачи GPT Transcribe — пакетная модель транскрипции OpenAI, выпущенная 28 июля 2026 года вместе с потоковым аналогом — указана на уровне 3,3% и делит восемнадцатое место с небольшим конкурентом. Nemotron 3.5 Transcribe указана на уровне 3,4% и делит двадцатое место. Одна десятая пункта — в индексе, где собственные записи для одной и той же модели могут различаться почти на целый пункт в зависимости от того, какой эндпоинт их обслуживал. На таком основании никто не должен выбирать между двумя речевыми системами.

Тем временем в материалах NVIDIA к запуску сообщается о 2,8% AA-WER и совместном первом месте среди моделей с открытыми весами. Показание живого табло на 29 октября составляет 3,4%. Считайте 2,8% заявленной цифрой, а 3,4% — текущим измерением; разница больше, чем разрыв между Nemotron и GPT Transcribe, что говорит о том, сколько веса заслуживает одно изменение в таблице лидеров.

• Параметры — около 30 млрд суммарно и примерно 4 млрд активных на токен в гибридной MoE Mamba–Transformer по сравнению с нераскрытой негенеративной.

• Лицензия — OpenMDW-1.1, коммерческое использование, веса доступны для скачивания, а не только через API.

• Цена — без публичного тарифа; оплата по времени GPU: сборка на NVFP4, по заявлениям, обеспечивает до 2 238 секунд аудио за секунду на одной RTX PRO 6000 Blackwell против $0.0045 за минуту — около $0.27 за час аудио.

• Метки говорящих — до 8 говорящих на 13 языках, встроено или отсутствует; требуется отдельная модель диаризации.

• Тайминг слов — CTC-выравнивание после декодирования, с указанием спикера или без; whisper-1 — документированная альтернатива.

• Языки — 40 языков с транскрипцией, 31 — с переводом на английский или с английского, в отличие от многоязычного режима с автоопределением и языковыми подсказками, без опубликованного количества.

• Длительность аудио — 1 час за один проход против файлового режима, в котором разбиение на части выполняет API.

• Постобработка — управляемая промптом дословная или письменная форма в сравнении со свободным контекстом и подсказками по ключевым словам, без этапа очистки.

Чем GPT Transcribe лучше открытого чекпоинта

Три вещи, и они не тривиальны. Первая — это API. Нет контрольной точки на 30 млрд параметров, размер которой нужно подбирать, нет сборки NVFP4, которой нужно ждать, нет рецепта vLLM, который нужно закреплять. OpenAI сообщает о примерно 34-кратной обработке в реальном времени, что медленнее заявленной NVIDIA пропускной способности на карте Blackwell и не имеет значения для большинства команд, поскольку 34-кратное превышение реального времени уже быстрее любой очереди, с которой они работают.

Второе — работа с контекстом. GPT Transcribe принимает контекст в свободной форме, ключевые слова и подсказки по словарю, а также подсказки о нескольких языках и возвращает массив обнаруженных языков вместе с транскриптом. Такое сочетание действительно полезно для аудио с переключением языков и для отраслевой терминологии; это интерфейс промптинга, а не дообучение, — значит, продуктовая команда может его настраивать, не имея собственного GPU. Эквивалент от NVIDIA — список ожидаемых сущностей, передаваемый в промпте, — по утверждениям, обеспечивает шестикратное сокращение ошибок в именованных сущностях на ContextASR-Bench, но эта цифра заявлена вендором и не была воспроизведена независимо.

Третий аспект — интеграционная поверхность: одна и та же конечная точка обслуживает транскрипцию файлов, потоковые транскрипты файлов, зафиксированные реплики в реальном времени по WebSocket, Responses API и Batch. Команда, уже работающая на платформе OpenAI, получает транскрипцию как параметр, а не как развёртывание.

Опубликованные самой OpenAI заявления о качестве широки и трудно проверяемы: частота ошибок в словах 19,27% на наборе Common Voice из 22 языков против 40,37% у Whisper и 8,98% на реальном бенчмарке из девяти языков против 15,21%. Это цифры вендора в сравнении с базовой линейкой 2024 года, а не с конкурентом 2026 года. Независимая картина для GPT Transcribe благоприятнее, чем предполагает рейтинг AA: на проверенном людьми английском наборе Perit модель показывает 1,76% WER, занимая шестое место из 22, при этом 61,3% фрагментов транскрибируются идеально. Это другой тестовый набор, чем у Artificial Analysis, и цифры нельзя сравнивать между двумя рейтингами — но направление совпадает, и это ставит модель OpenAI впереди размещённой конечной точки Parakeet на том же наборе.

Где отсутствующие функции действительно дают о себе знать

Если на выходе вам нужен простой текст для поискового индекса, пробелы GPT Transcribe не стоят вам ничего. Но как только требуется больше, объём работы умножается. Пословная синхронизация означает второй проход через whisper-1 или принудительный выравниватель, а это возвращает ровно тот режим отказа, который выравнивание и призвано устранить: транскрипт со смещёнными границами, который нормально читается, но ломает субтитры. Метки говорящих означают третью модель, стыкуемую на границах сегментов, с собственной долей ошибок, которую нужно отлаживать. И ни один из этих вторых проходов не знает о другом, так что разговор двух собеседников превращается в три модели и шаг слияния.

Каскад — это не критика инженерной работы OpenAI. Это суть продукта: высокоточный транскрибатор с намеренно узким выходом. Microsoft и Google обе выпускают такое же разделение — диаризация как отдельный SKU или отдельный режим с собственными ограничениями. Ставка NVIDIA — противоположная, и честнее всего сказать так: Nemotron 3.5 Transcribe требует больше вычислительных ресурсов, чтобы избежать конвейера.

Что дают эти вычисления, задокументировано, но со слов производителя: 18,26% доли ошибок диаризации на 21 языке в бенчмарке David AI — лучший результат среди 14 систем; 32,4% конкатенированного WER с минимальной перестановкой на VoiceArena — также лучший результат среди 14; 8,32% эталонных слов потеряно на перекрывающейся английской речи при медиане около 31%. Нет показателя диаризации OpenAI, который можно было бы сопоставить с этими, потому что OpenAI не публикует его для этой модели.

Два способа отказаться от поминутной оплаты

GPT Transcribe берёт $0,0045 за минуту — это $4,50 за тысячу минут и около $270 за тысячу часов аудио. Nemotron 3.5 Transcribe не берёт ничего за минуту, но вместо этого требует GPU. Демонстрационная конфигурация NVIDIA — один RTX PRO 6000 Blackwell, запускающий контрольную точку NVFP4 с черновой моделью DFlash2, а заявленный показатель пропускной способности — 100 часов аудио менее чем за три минуты — измерялся на 30-секундных фрагментах при высокой параллельной нагрузке, а не на часовых совещаниях. Воспринимайте это как верхний предел для хорошо пакетированной работы.

Таким образом, остаётся порог, определяемый загрузкой, а не ценой из прайс-листа. Карта, которая у вас уже есть и постоянно занята, с лёгкостью обходит показатель $270 за тысячу часов. А карта, которую пришлось бы купить ради очереди в сорок часов в месяц, — нет, и никакая параметрическая эффективность эту арифметику не изменит.

Есть третий вариант, который скрывает дихотомия «двух путей», и именно его большинство команд на самом деле выбирают: оставить управляемый API для основного объёма, а сложные файлы — встречи с участием шести человек, клинические интервью с акцентом, аудио, которое вам нельзя загружать — направлять в самостоятельно размещённый чекпойнт. Это работает, только если оба результата получаются в одной и той же форме, что и является аргументом в пользу стандартизации на схеме транскрипта с полями говорящего и таймингов, даже если ваш текущий поставщик их не заполняет. Сначала стандартизируйте схему; модель можно будет заменить позже.

На уровне выше транскрипта задача OrcaRouter — не дать этой взаимозаменяемости остановиться на границе модели. Суммаризатор, классификатор и модуль проверки на соответствие, которые читают эти транскрипты, могут все работать через один ключ для 200+ моделей, где списочные цены провайдеров передаются с наценкой 0%, автоматическое переключение срабатывает при сбое вышестоящего сервиса, а DSL для маршрутизации направляет каждую нагрузку в свою модель без второй интеграции. GPT Transcribe и Nemotron 3.5 Transcribe оба вне этого каталога — мы не предоставляем ни один из них — поэтому вызов распознавания речи остаётся там, где вы его покупаете, а переносимой становится только нижестоящая половина.

Кратко — по ситуациям

Если вам нужен только транскрипт и больше ничего, и вы хотите получить его на следующей неделе, ничего не развертывая, GPT Transcribe — менее рискованный выбор: шестое место в независимом наборе Perit, интеграционная поверхность, которая у вас, вероятно, уже есть, и цена, не требующая капитальных затрат. Если ваши транскрипты используются для субтитров, аналитики встреч, поиска с атрибуцией спикеров или архива для соблюдения нормативных требований, дополнительные модели, которые вы бы прикрутили к GPT Transcribe, обойдутся дороже в инженерном времени, чем checkpoint — в GPU-часах, а Nemotron 3.5 Transcribe выполняет эту работу за один проход.

Оговорка, которая относится к обоим: это модель, которой всего один день, её ключевые бенчмарки — собственные бенчмарки поставщика, а независимые лидерборды ещё вообще не оценивали 30-миллиарднопараметровый чекпойнт. Не путайте её с nvidia/nemotron-3.5-asr-streaming-0.6b — 600M-моделью для стриминга, выпущенной в июне, которая действительно присутствует в независимых лидербордах и показывает заметно худшие результаты (WER 3,35%, 21-е место из 22 на Perit). У них общее только название семейства, и больше ничего.