Nemotron 3.5 Transcribe против MAI Transcribe 2: 100 долларов за час против собственного GPU

Тысяча часов аудио обходится Microsoft в сто долларов. В этом весь аргумент о ценообразовании для MAI Transcribe 2, который находится в публичной предварительной версии с 3 сентября 2026 года по цене $0,10 за час аудио — около $1,67 за тысячу минут, тариф, который ниже, чем у любого упомянутого управляемого конкурента, и составляет примерно треть того, что OpenAI взимает за ту же работу. Nemotron 3.5 Transcribe, открытый чекпойнт NVIDIA от 28 октября 2026 года, вообще не имеет цены за минуту, потому что единственный способ его купить — это купить оборудование, на котором он работает. При тысяче часов в месяц счет Microsoft — погрешность округления в бюджете подразделения, а у NVIDIA — капитальная закупка.

Дальше начинается неловкая часть. В публичной таблице точности MAI Transcribe 2 занимает второе место в мире с показателем AA-WER 2,0%. Nemotron 3.5 Transcribe — двадцатое место с 3,4%. Более дешёвая модель ещё и точнее — с отрывом, который больше, чем весь разрыв между девятым и двадцатым местами. Если бы это сравнение касалось только слов и денег, оно уложилось бы в один абзац. Но это не так, потому что Microsoft не публикует показатель качества диаризации, а NVIDIA публикует несколько — и именно этот пустой столбец является причиной, по которой кто-то всё ещё выбрал бы дорогой вариант.

Что говорит совет директоров, а что сказать не может

Artificial Analysis оценивает обе модели на одном и том же наборе из трёх датасетов, поэтому 2,0% против 3,4% — это как минимум сопоставимое сравнение одного и того же индекса, измеренного одним и тем же оператором. Это встречается реже, чем следовало бы в этой категории, и к этому стоит отнестись серьёзно. MAI Transcribe 2 уступает только системе предварительного просмотра в реальном времени на вершине таблицы; Nemotron 3.5 Transcribe делит позицию с тремя системами, одна из которых — вариант Gemini Flash-Lite в режиме минимальных рассуждений.

В собственных материалах NVIDIA к запуску сообщается о 2,8% AA-WER; если бы этот показатель сохранился, NVIDIA всё равно отставала бы от Microsoft на целых восемь десятых процентного пункта. В текущей таблице лидеров указано 3,4%. В любом случае порядок не меняется, поэтому, в отличие от других сопоставлений в этой серии, расхождение между данными к запуску и текущей таблицей здесь ничего не решает. Microsoft просто впереди по показателю, по которому обе компании согласились оцениваться.

Что на самом деле можно купить на $0.10 в час

MAI Transcribe 2 — это модель пакетной транскрипции, созданная для длинных аудиозаписей: совещаний, звонков, медиаархивов, записей контакт-центров. Она поддерживает 60 языков с автоматическим определением языка, включает диаризацию спикеров, возвращает временные метки на уровне слов, поддерживает ключевые слова для имён и отраслевых терминов и предлагает два стиля вывода — дословный, сохраняющий слова-заполнители и ложные начала, и чистый, который их удаляет. Microsoft сообщает о пропускной способности примерно 411× относительно реального времени в рейтинге скорости Artificial Analysis — второе место в общем зачёте, — а в собственном анонсе позиционирует это как в десять раз быстрее GPT Transcribe и в пять раз быстрее Gemini 3.5 Transcribe.

Список функций на бумаге представляет собой надмножество того, что нужно большинству команд, и почти совпадает с набором у NVIDIA. Оба решения выполняют диаризацию, оба определяют время слов, оба поддерживают подстройку под ключевые слова, оба выдают дословный и очищенный результат, оба ограничены примерно часом аудио, и оба в сравниваемом SKU работают только в пакетном режиме. Различия находятся на периферии: 60 языков против 40, восемь говорящих против неопределённого числа и цена, которую команде финансов в тысячу раз проще объяснить.

• Цена — 0,10 $ за час аудио, ограниченное предложение до конца 2026 года, при отсутствии прейскурантной ставки; затраты — время работы ускорителя.

• Точность — 2,0% AA-WER, 2-е место против 3,4%, 20-е место (3,4% в актуальном рейтинге; в материалах NVIDIA утверждается 2,8%).

• Пропускная способность — примерно в 411 раз быстрее реального времени по сравнению с показателем до 2 238 секунд аудио в секунду на одном RTX PRO 6000 Blackwell с NVFP4 и черновой моделью; измерено на 30-секундных клипах при высокой параллельной нагрузке.

• Языки — 60 с автоматическим определением против 40 транскрибируемых и 31 переводимого.

• Лицензия — проприетарная, доступ только через API, в отличие от OpenMDW-1.1 со скачиваемыми весами.

• Говорящие — диаризация включена, опубликованный DER отсутствует; для сравнения: до 8 говорящих с атрибуцией на 13 языках, DER 18,26% на 21 языке в бенчмарке David AI.

• Дообучение — не предусмотрено в отличие от адаптации на одном GPU за 0,5–2,3 GPU-часа на задачу.

• Локальность данных — аудио покидает вашу сеть или размещается на собственных серверах, в том числе офлайн.

Столбец, который Microsoft оставляет пустым

Microsoft поставляет диаризацию в составе своих продуктов и не публикует показатель ошибок диаризации. Не слабый — никакого. NVIDIA публикует четыре отдельных результата по диаризации: 18,26% DER на 21 языке в бенчмарке David AI — самый низкий показатель среди 14 систем; 32,4% конкатенированной WER с минимальной перестановкой в Diarization-Bench от VoiceArena — лучший результат среди 14; 8,32% пропущенных слов эталонной транскрипции на перекрывающейся английской речи при медиане около 31%; и атрибуция говорящих на 13 языках против неуказанного количества у Microsoft.

Все эти данные предоставлены поставщиками и получены на их тестовых стендах, и честная интерпретация состоит в том, что это заявления о возможностях, а не доказательство качества. Но асимметрия показательна. Компания, у которой есть показатель диаризации, публикует его, потому что диаризация — самая трудная часть транскрипта, которую нужно сделать правильно, и именно на неё жалуются клиенты. Компания, которая включает диаризацию в пакет без показателя, тем самым говорит, что не считает это преимуществом. Это может означать, что функция достаточна и ничем не примечательна. А может означать, что она слабая. Ничто в презентационных материалах Microsoft не различает эти два случая, и ни одна независимая организация пока не измеряет частоту ошибок диаризации на таком уровне детализации.

Для звонка в отдел продаж с двумя участниками это не имеет значения — любая из моделей правильно разметит два голоса. Для заседания совета директоров с шестью участниками и перекрывающимися репликами разница между DER 18% и неизвестным числом — это разница между пригодной для использования поминутной записью и документом, которому никто не доверяет. Именно при такой рабочей нагрузке цена открытого чекпоинта перестаёт казаться абсурдной.

Почему кто-то вообще покупает дорогой вариант

Четыре причины, в порядке убывания того, как часто они фактически встречаются в закупочных решениях.

Первое — локальность данных. MAI Transcribe 2 — это API. Аудио покидает вашу сеть, попадает в тенант поставщика и регулируется условиями хранения этого поставщика. Nemotron 3.5 Transcribe работает на оборудовании, которое вы контролируете, в том числе полностью офлайн; для клинических записей, судебных разбирательств, кадровых расследований и всего, что подпадает под режим резидентности данных, это не предпочтение, а требование. Никакая цена за час не сравнится с ограничением по соответствию.

Второй аспект — это долговечность. Тариф Microsoft в $0,10 явно представляет собой ограниченное по времени предложение, действующее до конца 2026 года, и нигде в материалах запуска не раскрыта стандартная цена. Команда, строящая продукт на этой цифре, опирается на промотариф с неизвестным сроком действия. У открытых весов такого сценария отказа нет: скачанный вами чекпоинт продолжает работать по цене электроэнергии, что бы поставщик ни предпринял дальше.

Третье — адаптация. NVIDIA сообщает о дообучении на одном GPU за 0,5–2,3 GPU-часа на задачу, а также о тематическом исследовании медицинской речи, в котором адаптация снизила частоту ошибок в словах с 30,8% до 11,8% на 3619 клипах, причём на отложенных дикторах показатель улучшился с 22,44% до 12,17%. Microsoft вообще не предлагает возможности дообучения. Для аудио с акцентом, шумом или насыщенного жаргоном — именно такого аудио, где средний показатель 2,0% превращается в реальные 25% — возможность адаптации стоит больше, чем два пункта позиции в таблице лидеров. Проверенный людьми английский набор Perit рассказывает ту же историю с другой стороны: он ставит MAI Transcribe 2 и GPT Transcribe в пределах сотой доли пункта друг от друга на уровне 1,76%, что напоминает: на чистом аудио эти рейтинги тесно группируются, а на всём остальном — расходятся.

Четвёртое — MAI Transcribe 2 находится в публичной предварительной версии. Предварительная версия означает отсутствие обязательств по доступности, отсутствие периода уведомления о прекращении поддержки и набор функций, который может измениться у вас под носом. Nemotron 3.5 Transcribe появился всего день назад и имеет собственную проблему зрелости — его инструментарий GGUF всё ещё описывается как «скоро будет», а его квантованные локальные сборки не выпущены — но с контрольной точки статус предварительной версии не снимается.

Хеджирование, которое ничего не стоит

Большинству команд выбирать не нужно. Запускайте дешёвый API на основной части очереди, а файлы, которые не могут покинуть здание, или встречи, где атрибуция говорящих должна быть точной, направляйте в контрольную точку. Такая гибридная схема дешевле любой из чистых стратегий и корректно справляется со сбоями: если промо-тариф Microsoft истечёт с непривлекательной цифрой, путь с собственным хостингом уже подготовлен; если заявленные возможности диаризации открытой модели не выдержат проверки на вашем аудио, API уже подключён.

Эта страховка работает на практике потому, что две половины конвейера остаются разделяемыми. Распознавание речи — один контракт; суммаризатор, классификатор и маршрутизатор, которые используют транскрипты, — другой. OrcaRouter закрывает вторую половину с помощью 200+ текстовых и мультимодальных моделей за одним ключом, списочные цены провайдеров передаются с нулевой наценкой — поэтому снижение цены поставщика попадает в ваш счёт в тот же день, а не при следующем продлении контракта — плюс автоматическое переключение при сбое и DSL-маршрутизация, которая позволяет направлять разные классы транскриптов к разным моделям. Ни MAI Transcribe 2, ни Nemotron 3.5 Transcribe нет в этом каталоге, и мы вообще не предоставляем распознавание речи, поэтому контракт на транскрипцию остаётся там, где вы его подписали. Смысл лишь в том, что модель ниже по потоку не должна быть жёстко привязана к тому же поставщику.

Вердикт — по объёму

При примерно нескольких сотнях аудиочасов в месяц, без ограничений на место хранения данных и без требований к атрибуции говорящих, выходящих за рамки двухсторонних звонков, MAI Transcribe 2 — более выгодная покупка по всем параметрам, которые обычно фигурируют в таблице: дешевле, точнее по общему индексу, быстрее и доступна уже сегодня без выделения ресурсов. Промо-цены — реальный риск, и их стоит смоделировать при двух- или трёхкратной текущей ставке, но это не устраняет разрыв в три порядка.

Свыше этого объёма — или при любом из четырёх ограничений, указанных выше, — арифметика меняется на противоположную: не потому, что открытая модель дешевле в час, а потому, что часы перестают быть доступными для покупки вообще. Аргументы в пользу Nemotron 3.5 Transcribe опираются на говорящих, языки, локальность, адаптацию и долговечность — примерно в этом порядке. Его аргумент о точности опирается на утверждение производителя, которое публичный рейтинг в настоящее время не подтверждает, а всякий, кто повторяет «первый среди открытых весов», будто это решает сравнение, цитирует слайд, а не измерение.