Nemotron 3.5 Transcribe против Muse Voice Transcribe: один обрабатывает совещание, другой сидит на нём

Исход этого сравнения определяют два типа записей — задолго до того, как это сделает любой бенчмарк. Одна — звонок, который происходит прямо сейчас, где расшифровка должна успевать за разговором, и задержка в две секунды делает инструмент бесполезным. Другая — двухчасовой архив звонков клиентов за прошлый квартал, где никому не важно, появляются ли слова через 200 миллисекунд или через двадцать минут. NVIDIA Nemotron 3.5 Transcribe, выпущенный 28 октября 2026 года в виде офлайн-чекпоинта с открытыми весами, создан для второй записи. Meta Muse Voice Transcribe, выпущенный Meta Superintelligence Labs 1 сентября 2026 года, создан для первой. Большинство страниц сравнения ставят свои показатели частоты ошибок в словах в одну колонку и на этом останавливаются, а ведь именно такое сравнение и невозможно провести.

Часы, а не частота ошибок в словах

Модель Meta представляет собой слой потокового восприятия. Она обрабатывает аудио фрагментами по 80 миллисекунд, выдаёт мягкие токены и использует обученный с подкреплением механизм «адаптивной задержки», чтобы пословно решать, сколько контекста нужно подождать, прежде чем выдать окончательный текст. Согласно сообщениям, в материалах Meta к запуску задержка от конца речи до финального текста оценивается примерно в 0,16 секунды, а модель доступна через WebSocket для живого аудио или через HTTP-эндпоинт для файлов, обрабатываемых за один запрос. Она также самостоятельно выполняет определение конца реплики и детекцию голосовой активности, поэтому окружающий её пайплайн остаётся минимальным.

Модель NVIDIA имеет противоположную форму. В карточке модели прямо сказано: «Это офлайн-модель», — и добавлено, что внутреннее разбиение на чанки не делает её потоковым сервисом. Вы подаёте ей файл длительностью до одного часа, и она возвращает транскрипт. Здесь нет частичного вывода, нет промежуточной гипотезы, нет перебивания. NVIDIA продаёт отдельный потоковый распознаватель 0.6B для живого аудио; это другая контрольная точка, а не режим этой модели.

Итак, ключевые цифры измерены разными инструментами. Meta сообщает о частоте ошибок в словах 3,1% и первом месте в рейтинге потокового распознавания речи от Artificial Analysis. В карточке NVIDIA указано среднее значение 4,71% по девяти публичным наборам English Open ASR, тогда как в таблице Artificial Analysis для непоточного режима указано 3,4% для развёрнутого эндпоинта, а в её FAQ для той же модели указано 2,8%. Это три разных измерения двух разных задач. 3,1% — результат потокового режима; 3,4% — результат пакетной обработки на другом распределении аудиоданных. Их вычитание даёт «выигрыш» в 0,3 пункта, который ничего не значит, а недостаток потоковой модели на длинных, шумных аудиозаписях с акцентом реален, но не виден в этой арифметике.

Спикеры: двадцать с чем-то против восьми

Разрыв в диаризации — это единственное место, где показатели измеряют примерно одно и то же, и он значителен.

• Максимум говорящих — Meta заявляет о более чем 20 говорящих в одной записи; NVIDIA обучает на смесях до восьми, а в её карточке модели не указан максимум при инференсе.

• Перекрытие — на собственной странице Meta уточняется, что диаризация применима к «неперекрывающейся речи». Весь архитектурный довод NVIDIA строится на перекрывающейся речи: активность говорящих от замороженного диаризатора инжектируется в энкодер, чтобы модель могла соотносить слова с говорящими, когда люди перебивают друг друга. Именно на этом основано утверждение о среднем cpWER 15,80 на многоговорящем наборе NVIDIA.

• Покрытие языков для меток — Meta поддерживает 25+ языков; NVIDIA поддерживает 40 языков для транскрипции, но отмечает 13 из них для вывода с несколькими говорящими. Турецкая встреча транскрибируется, но метки не получает.

• Формат меток — Meta выдаёт просто буквы говорящих, например «A»; NVIDIA выдаёт теги в стиле <spk:0>, которые сопоставляются с сегментами диаризации.

Если ваш сценарий — панельная дискуссия, заседание суда или звонок в службу поддержки, где одновременно говорят три участника, решающим ограничением станет потолок в восемь спикеров, а не столбец WER. Если же ваш сценарий — общее собрание на двадцать человек, где участники в основном говорят по очереди, значимым числом будет «20+» от Meta, а восемь у NVIDIA — жёсткой стеной.

Языки: 25 против 40, и ни одно из этих чисел не то, чем кажется.

На собственной странице Meta для разработчиков указано «25+ языков», и поддерживается переключение языковых кодов внутри предложений и между ними, что важно для двуязычных встреч. В публикациях о запуске сообщалось, что модель обучена на 70+ языках, а 25 из них прошли тщательную валидацию, — это полезное различие, поскольку язык, который «обучен», но не валидирован, стоит проверить, прежде чем доверять ему. В карточке NVIDIA перечислены 40 языков с поддержкой ASR, 31 — с двусторонним переводом на английский и с английского, а также отдельный компонент идентификации языка с 48 метками.

• Если нужна широта охвата европейских языков — 25 валидированных языков Meta охватывают меньше, чем 40 у NVIDIA, но список Meta тяготеет к языкам, которые корпоративные клиенты действительно записывают.

• Если вам нужен перевод — это делает только NVIDIA. Модель Meta выполняет транскрипцию; она не переводит транскрипт на другой язык.

• Если вам нужно переключение языков — Meta заявляет о встроенной поддержке; в карточке NVIDIA ничего сопоставимого не указано, а понимание аудио у неё работает только на английском независимо от языка транскрипции.

Что на самом деле содержит стенограмма

Именно на временных метках дешёвая на вид разница становится дорогой. Meta предоставляет временные метки на уровне реплик — границы сегментов, а не время для каждого слова — и вообще не раскрывает оценки уверенности. NVIDIA предоставляет временные метки слов через CTC-адаптер, с той оговоркой, что временные метки недоступны, когда включён черновик спекулятивного декодирования DFlash2.

• Метки времени — у Meta на уровне реплик; у NVIDIA на уровне слов, но не вместе с её самым быстрым путём декодирования.

• Уверенность — Meta не публикует её; NVIDIA также не публикует пословную уверенность.

• Формат входных данных — Meta требует моно 16-битный PCM с частотой 16 или 24 кГц и советует всё остальное конвертировать с помощью ffmpeg; NVIDIA принимает моно 16 кГц и обрабатывает файл напрямую.

• Промптинг — оба подхода смещают вывод. Смещение по ключевым словам и языку в Meta, согласно её документации, «лишь слегка подталкивает модель и не гарантирует написание». Контекстный промптинг NVIDIA сообщает о снижении WER для именованных сущностей с 12,21% до 2,20% при использовании детализированного списка сущностей — это данные самого вендора, но гораздо более сильное утверждение, и оно подразумевает иной механизм, нежели мягкое подталкивание.

• Стили вывода — пять стилей NVIDIA (дословный, письменный, контекстуальный, с атрибуцией говорящего, расширенный) выбираются инструкцией. Meta возвращает один формат и ожидает, что вы выполните постобработку.

Цена за час аудио

Meta взимает $3.00 за 1000 минут, что составляет $0.18 за час аудио, при этом ни тарифные уровни, ни бесплатный лимит не опубликованы. Хостинговое предложение NVIDIA на Artificial Analysis стоит $2.00 за 1000 минут — около $0.12 за час — а веса можно бесплатно скачать в соответствии с OpenMDW-1.1, так что самостоятельный хостинг — третий вариант, который Meta не предлагает ни за какую цену.

Арифметика при больших объёмах проста и не в пользу более низкой цифры на ценнике. Тысяча часов аудио в месяц стоит $180 через Meta и $120 через хостинговый эндпоинт Nemotron. При самостоятельном хостинге те же тысяча часов — это менее часа GPU-времени на RTX PRO 6000 Blackwell при заявленной NVIDIA пропускной способности NVFP4; назовём это $2 вычислений по ставке арендованного GPU, плюс операционные расходы, хранение и инженер, который за это отвечает. При 10,000 часов в месяц разница между $1,800 и несколькими сотнями долларов покрывает немало операционных расходов; при 100 часах в месяц она не покрывает ничего.

Самостоятельный хостинг на самом деле даёт не цену. Он даёт возможность запускать транскрипцию на аудио, которое по договору запрещено выводить за пределы вашей сети, и возможность поддерживать работу конвейера, когда эндпоинт поставщика деградирует. Вот почему команды в регулируемой сфере платят за GPU, которые иначе могли бы арендовать.

Где каждый из них ломается

Режимы отказа Meta сопряжены с задержкой. Её диаризация предполагает речь без перекрытий, поэтому эмоциональный звонок в службу поддержки с перебиваниями приведёт к неверной разметке реплик. В её транскрипте нет временных меток слов, что ломает генерацию субтитров, аудиопоиск и любое последующее выравнивание с видео. Её входной контракт строг, а биасинг носит рекомендательный характер. В ней нет перевода, нет ответов на вопросы по аудио и нет возможности самостоятельного размещения.

Сценарии отказов NVIDIA связаны с рабочими процессами. Он не поддерживает потоковую передачу, поэтому не может обслуживать живые субтитры, голосовых агентов или маршрутизацию вызовов в реальном времени. Понимание аудио у него работает только на английском. Ограничение — один час на запись. Поставляемая интеграция SGLang-Omni не включает вывод с атрибуцией говорящего, временные метки слов и перевод, поэтому часть обещанного в карточке требует пути vLLM или контейнера NIM. Кроме того, он иногда может не завершаться, и карточка рекомендует предусмотреть защиту от этого.

Ни один из этих наборов сбоев не является багом, играющим на руку другой модели. Это две формы одной проблемы: модель, которая присутствует, пока звучит аудио, и модель, которая скрупулёзно работает после его окончания.

Если вам нужно и то и другое, этот конвейер — не компромисс.

Самое распространённое реальное развёртывание — это вовсе не выбор. Живое аудио проходит через потоковый эндпоинт Meta, потому что это единственный способ получать текст, пока идёт звонок, — субтитры, помощь агенту, поиск в реальном времени. Затем та же запись заново транскрибируется офлайн с помощью чекпоинта NVIDIA за ночь, потому что пакетный проход даёт более чистый текст, временные метки слов с привязкой к говорящему и, при необходимости, английский перевод неанглоязычного звонка. Потоковая транскрипция — для текущего момента, пакетная — для протокола. Команды, которые пытаются навязать одной модели обе роли, обычно получают либо запаздывающее живое представление, либо дорогой счёт за потоковую обработку аудио, которое никто не слушает.

Нижняя половина этого пайплайна — суммаризация звонков, оценка работы агентов, редактирование персональных данных, маршрутизация отмеченных разговоров к человеку — это обычная текстовая работа, и ей не место на том же GPU, что и ASR. OrcaRouter выполняет эти текстовые вызовы через один ключ с наценкой 0%, передавая прейскурантную цену провайдера без изменений, с автоматическим переключением при сбоях у провайдера и DSL маршрутизации, который позволяет направлять суммаризацию и классификацию к разным моделям в рамках одного рабочего процесса. Ни Meta Muse Voice Transcribe, ни NVIDIA Nemotron 3.5 Transcribe нет в каталоге OrcaRouter; роутер располагается после транскрипта, там, где живёт текстовая нагрузка.

Три вопроса решают это быстрее любого лидерборда. Как быстро после поступления аудио должен появиться текст? Если ответ — «во время звонка», то решение за Meta, а обсуждение WER — лишь украшение. Сколько людей говорят одновременно и перекрывают ли они друг друга? Если ответ — «больше восьми, и да», это территория NVIDIA. И разрешено ли аудио покидать вашу сеть? Если нет, то из этих двух моделей вообще можно развернуть только одну.

Всё остальное — 3,1%, 4,71%, 0,18 доллара — является решающим фактором при выборе между двумя продуктами, которые были разработаны для разных моментов одного и того же совещания.