Nemotron 3.5 Transcribe vs Gemini 3.5 Transcribe: 2,8 % på sliden, 3,4 % på tavlan

Googles Gemini 3.5 Transcribe ligger på nionde plats på Artificial Analysiss icke-strömmande resultattavla för tal, med en felprocent på 2,6 %. NVIDIAs Nemotron 3.5 Transcribe, som släpptes som öppna vikter den 28 oktober 2026, ligger på tjugonde plats med 3,4 %. Fyra tiondelar av en punkt skiljer dem åt i det enda offentliga index som poängsätter båda, och de fyra tiondelarna är nära det minst användbara faktumet i den här jämförelsen. De två byggdes inte för samma jobb: den ena är en hanterad endpoint som rensar upp en transkription innan du ser den, den andra är en checkpoint du laddar ner som håller ordning på åtta talare medan de talar i munnen på varandra. Rankningen smickrar inte någon av dem för det den faktiskt konstruerades att göra.

Det är värt att påpeka en avvikelse redan från början, eftersom den återkommer i varje artikel som skrivs om den här modellen denna vecka. NVIDIAs lanseringsmaterial rapporterar 2,8 % AA-WER och en delad förstaplats bland system med öppna vikter. Den aktuella resultattavlan, avläst den 29 oktober, visar 3,4 % på plats tjugo. Båda siffrorna går tillbaka till samma index, och de är inte mätningar av samma körning – vilket är den första praktiska lärdomen av den här sammankopplingen, och orsaken till att avsnittet om noggrannhet nedan är skrivet som det är.

Vad NVIDIA har lanserat, och vad Google har kört sedan augusti

Nemotron 3.5 Transcribe är inte en transducer och inte en vanlig encoder. Det är en talförstärkt språkmodell: en taltkodare matar en fryst Nemotron 3 Diarization-modell, vars talaraktivitetsignal injiceras i ASR-kodaren via det NVIDIA kallar en Parallel Expert Encoder, och dekodaren är en hybrid Mamba–Transformer mixture-of-experts-LLM med ungefär 4 miljarder parametrar aktiva per token av totalt cirka 30 miljarder. Företagets egna material använder både 30B-A3B- och 30B-A4B-beteckningar för språkmodellshalvan, och Hugging Face-sidopanelen anger 34B när ljudstacken räknas in, så betrakta varje enskild parameteruppgift som ungefärlig. Vikterna är gratis under OpenMDW-1.1, som tillåter kommersiell användning.

Gemini 3.5 Transcribe har varit allmänt tillgänglig sedan 26 augusti 2026 till $2,00 per miljon ljudinmatningstoken och $12,00 per miljon textutmatningstoken, vilket Google anger motsvarar ungefär $0,005 per minut, eller cirka $0,30 per ljudtimme. Den har en gratisnivå inom kvoten, en separat SKU för live-streaming till ungefär $0,009 per minut, och inga vikter alls.

Siffran som ändrades mellan lanseringspaketet och morgonen därpå

AA-WER från Artificial Analysis är byggt på tre datamängder – AgentTalk med 50 %, VoxPopuli-Cleaned med 25 %, Earnings22-Cleaned med 25 % – och indexet är en enda sammanslagen poäng, inte en domänspecifik sådan. Det spelar roll eftersom AgentTalk är röstagenttal, som är kort, rent och starkt representerat i en leverantörs träningsmix om leverantören säljer röstagenter. En modell som vinner i sammanslagningen kan förlora på ditt arkiv.

Läs av resultattavlan som den står, och rangordningen är: MAI Transcribe 2 på 2,0 %, Voxtral Small Transcribe 3 på 2,1 %, Gemini 3.5 Transcribe på 2,6 %, GPT Transcribe på 3,3 %, Nemotron 3.5 Transcribe på 3,4 %. NVIDIAs påstående om 2,8 % skulle, om det hade hållit, ha placerat den nya modellen på samma nivå som Gemini 3.1 Pro Preview och Voxtral Small och klart före OpenAIs batchmodell. På 3,4 % ligger den bakom alla dem och lika med tre system, bland dem en Gemini Flash-Lite-variant som den aldrig var positionerad mot. En revidering på 0,6 procentenheter är inte ett avrundningsfel i ett index där hela topp tio sträcker sig från 1,7 % till 2,9 %.

Den ärliga tolkningen är inte att NVIDIA ljög. AA mäter igen när en modell serveras på en ny endpoint eller körs igen med uppdaterade indata, och siffran vid lansering återspeglar nästan helt säkert NVIDIAs egen inlämning snarare än topplistans standardhost. Men det är precis den typen av avvikelse som blir ett inköpsfel: ett team som budgeterar efter "etta bland öppna vikter" och sedan mäter 3,4 % har köpt en modell på en slide.

Vad Google säljer som NVIDIA inte gör

Den funktion som avgör fler transkriptionsavtal än WER är vad som händer med orden efter igenkänningen, och Gemini 3.5 Transcribe är byggd kring den. Dess ordagranna standardläge behåller utfyllnadsord, falska starter och repetitioner för efterlevnadsarbete; dess smarta läge rensar bort disfluenser, löser självkorrigeringar och normaliserar talade siffror och valutor i ett enda steg. Ett anpassat ordförråd styr igenkänningen mot upp till 1 000 termer, och Google rekommenderar cirka 100 väl valda sådana. Inget av detta finns i Nemotron 3.5 Transcribe, som kan *promptas* mot en entitetslista och instrueras att producera ordagrann eller skriftspråklig utdata, men som lämnar nummerformatering och reparation av självkorrigeringar till det som läser transkriptionen härnäst.

Google vinner också när det gäller bredden av namngivna språkvarianter: 85+, med automatisk identifiering och kodväxling inom meningar, mot NVIDIAs 40 för transkribering och 31 för översättning. Namngivna övertag räknas. Om din kö innehåller ett språk som finns på Googles lista men inte på NVIDIAs, finns det inget riktmärke att diskutera.

Det NVIDIA säljer som Google inte kommer att sälja

Talarattribuering är det omvända fallet, och det är skarpare än marknadsföringen antyder. Gemini 3.5 Transcribe dokumenterar upp till åtta talare, men Googles egna material flaggar attribuering för tre eller fler talare som experimentell, och bloggen lutar sig mot "upp till tre". Nemotron 3.5 Transcribe märker upp till åtta talare, gör det på 13 språk och returnerar talarattribuerade tidsstämplar på ordnivå via en CTC-adapter efter avkodning som justerar den färdiga transkriptionen mot ljudet.

• Parametrar — 30B totalt med cirka 4B aktiva, hybrid Mamba–Transformer-MoE kontra en icke offentliggjord proprietär talstack.

• Licens — OpenMDW-1.1, kommersiell användning, vikter nedladdningsbara kontra endast API utan återdistributionsrättigheter.

Pris — inget offentliggjort listpris; kostnaden är GPU-tid, och ett NVFP4-bygge på ett RTX PRO 6000 Blackwell uppges kunna bearbeta upp till 2 238 sekunder ljud per sekund jämfört med en blandad kostnad på 0,005 USD per minut.

• Språk — 40 transkriberade, 31 översatta till eller från engelska, 13 med talaretiketter vs 85+ språkvarianter med kodväxling.

• Högtalare — 8, dokumenterade och benchmarkade mot 8 dokumenterade, 3+ flaggade som experimentella.

• Ljudlängd – 1 timme i en enda genomkörning jämfört med 1 timme, som minskar till 30 minuter när diarisering eller tidsstämplar begärs.

• Strömning – ingen; endast inspelat ljud jämfört med en separat live-SKU till ungefär $0.009 per minut.

• Efterbearbetning — promptstyrd ordagrann eller skriftlig form; ingen inbyggd rensning kontra ett smart läge som tar bort utfyllnadsord och rättar självrättelser.

Diariseringssiffrorna som bara ena sidan publicerar

Det är här jämförelsen upphör att vara jämn och börjar bli snedvriden, och det är också här underlaget blir tunt. NVIDIA rapporterar en diariseringsfelkvot på 18,26 % över 21 språk i David AI-benchmarken, lägst av 14 utvärderade system, där nästa post är deras egen Nemotron 3 Diarization-modell på 18,38 % och alla andra ligger mellan 22,85 % och 37,55 %. På VoiceArenas Diarization-Bench rapporterar den 32,4 % sammanlänkad min-permutation-WER, bäst av 14, med tvåan på 34,2 %. På engelska sessioner med överlappande tal rapporterar den att 8,32 % av referensorden utelämnas, jämfört med en median på omkring 31 %.

Google publicerar över huvud taget ingen diariseringsfelkvot för Gemini 3.5 Transcribe. Inte en sämre sådan – ingen alls. Den asymmetrin slår åt båda håll och bör sägas rakt ut: NVIDIAs siffror är leverantörsrapporterade på NVIDIAs egen testrigg, och det finns ingen tredjepartssiffra att kontrollera dem mot, eftersom de oberoende diariseringsutvärderingar som finns till största delen fylls av system som NVIDIA själva har skickat in. Det som inte är omtvistat är det dokumenterade taket: Gemini klarar högst åtta talare, med experimentell talartilldelning över tre, och sänker din maximala ljudlängd från en timme till trettio minuter i samma stund som du begär talaretiketter och ordtidsstämplar tillsammans. Om ditt material är ett styrelsemöte med sex personer är det en produktbegränsning snarare än en kvalitetsfråga, och ingen WER-jämförelse kommer att synliggöra det.

Vad en timme ljud faktiskt kostar på varje

Kör det på tusen timmar i månaden, en realistisk belastning för ett kontaktcenter eller ett mediearkiv. Gemini 3.5 Transcribe kostar $0,005 per minut, vilket blir $300 för tusen timmar. Nemotron 3.5 Transcribe har inget listpris eftersom det inte finns något att lista: du köper GPU:n. Ett RTX PRO 6000 Blackwell som kör NVFP4-checkpointen är den konfiguration NVIDIA demonstrerar, och genomströmningspåståendet – upp till 2 238 sekunder ljud per sekund – kommer med ett villkor som Hugging Face-inlägget anger och rubrikerna utelämnar: det mättes på 30-sekundersklipp vid hög samtidighet. Långa möten med överlappande talare kommer inte att nå den siffran.

Brytpunkten är alltså en fråga om utnyttjandegrad, inte om pris. Ett enda kort som kostar ungefär lika mycket som några månaders hanterad transkription betalar bara sig självt om du håller det sysselsatt, och det betalar aldrig sig självt mot 300 dollar i månaden för API-anrop i en liten kö. Argumentet för checkpointen är inte billigare minuter vid låg volym. Det är att minuterna helt upphör att vara en separat kostnadspost, att ljudet aldrig lämnar ditt nätverk och att finjustering är en eftermiddag på en enda GPU – NVIDIA rapporterar 0,5 till 2,3 GPU-timmar per uppgift, och en anpassning för medicinskt tal som sänkte ordelfrekvensen från 30,8 % till 11,8 % på 3 619 klipp, där talare som hölls utanför förbättrades från 22,44 % till 12,17 %.

NVIDIAs egen forskningssida är den enda platsen där påståendena om genomströmning och finjustering förekommer tillsammans, och den är värd att läsa vid sidan av siffrorna ovan: siffran 2 238 sekunder per sekund förutsätter NVFP4-kontrollpunkten och DFlash2-draftmodellen på Blackwell-hårdvara, och påståendet om finjustering på 0,5 till 2,3 GPU-timme förutsätter en enda GPU och en uppgift som är liten nog att få plats på en. Ingen av dem är en rubrik som du kan kopiera in i en kapacitetsplan utan dessa förbehåll.

Oavsett vilken sida du än landar på är transkriptionen inte slutet på flödet. Den sammanfattas, klassificeras, söks och dirigeras, och det är i den nedströms halvan som en enda slutpunkt är avgörande: OrcaRouter har över 200 text- och multimodala modeller bakom en enda nyckel, med leverantörslistpriser som vidarebefordras utan påslag (0 %), automatisk redundansväxling och ett routing-DSL som kan skicka mötesprotokoll till en sammanfattare och efterlevnadsgranskning till en annan utan en andra integration. Varken Gemini 3.5 Transcribe eller Nemotron 3.5 Transcribe finns i den katalogen i dag – tal-till-text är fortfarande ett separat avtal oavsett var du köper det – så poängen är snävare än den låter: välj transkriberaren utifrån transkriberingen och låt lagret ovanför den förbli portabelt.

Vilken hör hemma i din stack?

Välj Gemini 3.5 Transcribe om problemet är texten: intervjuljud med talavbrott, kundtjänsttal fullt av "nej vänta, jag menade", en språklista du behöver kontrollera vid namn och en hanterad endpoint som du kan lägga bakom en nyckel redan i eftermiddag. Det är den mer noggranna modellen på den offentliga resultattavlan i dag, med en marginal som är liten men verklig, den rättar transkriptionen i farten och den kostar trettio cent i timmen med en gratisnivå att testa mot.

Välj Nemotron 3.5 Transcribe om problemet är rummet. Fler än tre talare, överlappande tal, talaretiketter på tretton språk, ordtidsangivelser som håller hela en timlång fil och en ljudpolicy som förbjuder att inspelningen skickas till en tredje part – det är förhållandena där den öppna checkpointen inte är en kompromiss utan det enda alternativet som uppfyller kravet. Det är också den enda av de två som du kan finjustera, vilket för ljud med brytning eller domänspecifikt ljud är värt mer än fyra tiondels poäng.

Vad skulle ändra denna slutsats: en oberoende omkörning av diariseringen som placerar Gemini någonstans i närheten av NVIDIA:s 18,26 % DER, eller en AA-ommätning som fastställer Nemotron mellan 2,8 % och 3,4 %. Tills något av detta inträffar är noggrannhetsargumentet leverantörens, och funktionsargumentet är det du själv kan verifiera på en eftermiddag med din egen sämsta inspelning.