Nemotron 3.5 Transcribe vs GPT Transcribe: endast 0,1 poängs skillnad, en ger dig checkpointen

Fråga GPT Transcribe om tidsstämplar på ordnivå och API:et kommer inte att ge dig dem. Inte dåligt, inte ungefärligt — modellen har inget tidsstämplingshuvud, OpenAI:s dokumentation hänvisar dig till whisper-1 för den uppgiften, och detsamma gäller talaretiketter, som finns i en separat diariseringsmodell. Fråga nu Nemotron 3.5 Transcribe, som NVIDIA släppte som öppna vikter den 28 oktober 2026, och båda returneras i en enda genomkörning: ordtidsstämpling med talarattribuering från en CTC-adapter som justerar den färdiga transkriptionen mot ljudet efter avkodning. De två modellerna ligger inom en tiondels procentenhet från varandra på den offentliga noggrannhetstabellen. När det gäller det du gör med en transkription är de inte i samma produktkategori.

Det är hela beslutet, och det är värt att gå igenom långsamt, eftersom rapporteringen kring lanseringen mestadels har reducerat det här paret till en WER-kapplöpning som ingen av sidorna faktiskt vinner med någon meningsfull marginal.

Noggrannhetsgapet är brus; funktionsgapet är det inte.

På det icke-strömmande indexet från Artificial Analysis listas GPT Transcribe – OpenAI:s batchtranskriberingsmodell, lanserad 28 juli 2026 tillsammans med ett live-strömmande syskon – på 3,3 %, delad artonde plats med en liten utmanare. Nemotron 3.5 Transcribe listas på 3,4 %, delad tjugonde plats. En tiondels punkt, på ett index där dess egna poster för samma modell kan skilja sig med nästan en hel punkt beroende på vilken slutpunkt som levererade dem. Ingen borde välja mellan två taltranskriberingssystem på den grunden.

NVIDIAs lanseringsmaterial rapporterar samtidigt 2,8 % AA-WER och delad förstaplats bland modeller med öppna vikter. Avläsningen på live-tavlan den 29 oktober ger 3,4 %. Betrakta 2,8 % som en inlämnad siffra och 3,4 % som den aktuella mätningen; skillnaden är större än gapet mellan Nemotron och GPT Transcribe, vilket visar hur mycket vikt man bör lägga vid en enda förändring i leaderboarden.

• Parametrar – cirka 30B totalt och ungefär 4B aktiva per token i en hybrid Mamba–Transformer-MoE jämfört med oredovisat, icke-generativt.

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

{{1}}Pris{{/1}} — inget listpris; GPU-tid, med ett NVFP4-bygge som uppges klara upp till 2 238 sekunders ljud per sekund på ett RTX PRO 6000 Blackwell jämfört med 0,0045 USD per minut, cirka 0,27 USD per ljudtimme.

• Talaretiketter – upp till 8 talare på 13 språk, inbyggt kontra inget; en separat diariseringsmodell krävs.

• Ordstidsangivelse — CTC-alignering efter avkodning, talartilldelad eller inte erbjuden; whisper-1 är det dokumenterade alternativet.

• Språk — 40 transkriberade, 31 översatta till eller från engelska jämfört med flerspråkiga med automatisk identifiering och språktips, inget publicerat antal.

• Ljudlängd — 1 timme i en enda körning jämfört med filbaserat där uppdelning hanteras av API:et.

• Efterbearbetning – promptstyrd ordagrann eller skriftlig form kontra fritt formulerad kontext och nyckelordstips, ingen rensningsomgång.

Vad GPT Transcribe gör bättre än den öppna checkpointen

Tre saker, och ingen av dem är trivial. Den första är att det är ett API. Det finns ingen 30B-parameter-checkpoint att dimensionera, ingen NVFP4-build att vänta på, inget vLLM-recept att låsa. OpenAI rapporterar ungefär 34× realtidsbearbetning, vilket är långsammare än NVIDIAs påstådda genomströmning på ett Blackwell-kort och irrelevant för de flesta team, eftersom 34× realtid redan är snabbare än någon kö de kör.

Det andra är kontexthantering. GPT Transcribe accepterar fritt formulerad kontext, nyckelords- och vokabulärstips samt flera språktips och returnerar en array med identifierade språk tillsammans med transkriberingen. Den kombinationen är verkligt användbar för kodväxlat ljud och domänspecifik jargong, och det är ett promptgränssnitt snarare än en finjustering – vilket innebär att ett produktteam kan justera det utan att äga en GPU. NVIDIA:s motsvarighet, en lista med förväntade entiteter som anges i prompten, uppges ge en sexfaldig minskning av fel rörande namngivna entiteter på ContextASR-Bench, men den siffran är rapporterad av leverantören och inte replikerad.

Den tredje är integrationsytan: samma slutpunkt hanterar filtranskribering, strömmade filtranskript, committade realtidsturer över WebSocket, Responses API och Batch. Ett team som redan finns på OpenAI:s plattform får transkribering som en parameter, inte en driftsättning.

OpenAI:s egna publicerade kvalitetsanspråk är breda och svåra att kontrollera: en felkvot på 19,27 % på ett Common Voice-set med 22 språk jämfört med Whispers 40,37 %, och 8,98 % på ett verklighetsnära benchmark med nio språk jämfört med 15,21 %. Det är leverantörssiffror mot en baslinje från 2024, inte mot en konkurrent från 2026. Den oberoende bilden är mer fördelaktig för GPT Transcribe än AA-tavlan antyder: på Perits mänskligt granskade engelska set ligger den på 1,76 % WER, plats sex av 22, med 61,3 % av klippen perfekt transkriberade. Det är ett annat testset än det som Artificial Analysis använder, och siffrorna är inte jämförbara mellan de två tavlorna – men riktningen är densamma, och det placerar OpenAIs modell före den hostade Parakeet-endpointen på samma set.

Där de saknade funktionerna faktiskt blir ett problem

Om din utdata är ren text för ett sökindex kostar luckorna i GPT Transcribe dig ingenting. Så snart du behöver mer mångdubblas arbetet. Ord-timing innebär en andra genomkörning via whisper-1 eller en forced aligner, vilket återinför exakt det felläge som alignering finns för att åtgärda: en gränsförskjuten transkription som ser bra ut men förstör undertexter. Talaretiketter innebär en tredje modell, sammanfogad vid segmentgränser, med sin egen felfrekvens att felsöka. Och ingen av dessa andra genomkörningar vet om den andra, så ett samtal med två talare blir tre modeller och ett sammanfogningssteg.

Kaskaden är inte en kritik av OpenAIs ingenjörskonst. Det är vad produkten är: en transkriberare med hög noggrannhet och en avsiktligt snäv utdata. Microsoft och Google levererar båda samma uppdelning – diarisering som en separat SKU eller ett separat läge med egna begränsningar. NVIDIAs satsning är den motsatta, och det ärliga sättet att säga det är att Nemotron 3.5 Transcribe kostar mer beräkningskraft för att undvika en pipeline.

Vad den beräkningen ger är dokumenterat men leverantörsrapporterat: 18,26 % diariseringsfelkvot över 21 språk på David AI-benchmarken, bäst av 14 system; 32,4 % sammanfogad min-permutations-WER på VoiceArena, också bäst av 14; 8,32 % av referensorden utelämnades vid överlappande engelskt tal mot en median på nära 31 %. Det finns ingen OpenAI-diariseringssiffra att jämföra dessa med, eftersom OpenAI inte publicerar någon för den här modellen.

Två sätt att sluta betala per minut

GPT Transcribe fakturerar $0.0045 per minut, vilket är $4.50 per tusen minuter och cirka $270 per tusen ljudtimmar. Nemotron 3.5 Transcribe fakturerar ingenting per minut och kräver i stället en GPU. NVIDIA:s demonstrationskonfiguration är en RTX PRO 6000 Blackwell som kör NVFP4-checkpointen med en DFlash2-draftmodell, och genomströmningssiffran – 100 timmar ljud på under tre minuter – mättes på 30-sekundersklipp vid hög samtidighet, inte på timslånga möten. Läs det som ett tak för välbatchat arbete.

Det lämnar en brytpunkt som bestäms av utnyttjandegrad snarare än av listpris. Ett kort du redan äger och håller sysselsatt slår $270 per tusen timmar med god marginal. Ett kort som du skulle behöva köpa för en kö på fyrtio timmar i månaden gör det inte, och ingen mängd parametereffektivitet ändrar den aritmetiken.

Det finns ett tredje alternativ som den tvådelade ramen döljer, och det är det som de flesta team faktiskt väljer: behåll det hanterade API:et för huvuddelen och dirigera de svåra filerna – mötena med sex deltagare, de accentpräglade kliniska intervjuerna, ljudet som du inte har tillåtelse att ladda upp – till en självhostad checkpoint. Det fungerar bara om de två utdataformaten hamnar i samma form, vilket är argumentet för att standardisera på ett transkriptionsschema med fält för talare och tidsangivelser även när din nuvarande leverantör inte fyller i dem. Standardisera schemat först; modellen blir utbytbar senare.

På lagret ovanför transkriptionen är OrcaRouters uppgift att se till att den utbytbarheten inte stannar vid modellgränsen. Sammanfattaren, klassificeraren och regelefterlevnadskontrollern som läser dessa transkriptioner kan alla ligga bakom en nyckel över 200+ modeller, med leverantörernas listpriser vidarebefordrade med 0 % påslag, automatisk failover när en uppströmstjänst stöter på problem, och ett routing-DSL som skickar varje arbetsbelastning till en annan modell utan en andra integration. GPT Transcribe och Nemotron 3.5 Transcribe ligger båda utanför den katalogen – vi tillhandahåller ingendera – så talanropet stannar där du köper det, och bara den nedströms halvan blir portabel.

Kortversionen, per situation

Om du vill ha en transkription och inget annat, och du vill ha den nästa vecka utan att behöva etablera något, är GPT Transcribe det mindre riskfyllda valet: rank sex på det oberoende Perit-setet, ett integrationsgränssnitt som du förmodligen redan har, och ett pris som inte kräver ett kapitalinköp. Om dina transkriptioner matar undertexter, mötesanalys, talarattribuerad sökning eller ett efterlevnadsarkiv, kostar de extra modeller du skulle hänga på GPT Transcribe mer i ingenjörstid än kontrollpunkten kostar i GPU-timmar, och Nemotron 3.5 Transcribe utför det arbetet i ett svep.

Förbehållet som gäller för båda: det här är en modell som är en dag gammal, dess huvudbenchmarks är leverantörens egna, och de oberoende listorna har ännu inte betygsatt checkpointen med 30 miljarder parametrar alls. Blanda inte samman den med nvidia/nemotron-3.5-asr-streaming-0.6b, den 600M stora streamingmodellen från juni som faktiskt förekommer på oberoende listor och presterar betydligt sämre (3,35 % WER, plats 21 av 22 på Perit). De delar ett familjenamn och inget annat.