Nemotron 3.5 Transcribe vs MAI Transcribe 2: En $100-timme mot en GPU du äger

Tusen timmar ljud kostar Microsoft hundra dollar. Det är hela prisargumentet för MAI Transcribe 2, som har varit i offentlig förhandsversion sedan den 3 september 2026 till priset 0,10 dollar per ljudtimme – cirka 1,67 dollar per tusen minuter, en taxa som underbjuder varje förvaltad konkurrent som den nämner och som motsvarar ungefär en tredjedel av vad OpenAI tar för samma arbete. Nemotron 3.5 Transcribe, NVIDIA:s öppna checkpoint från den 28 oktober 2026, har inget pris per minut alls, eftersom det enda sättet att köpa det är att köpa hårdvaran det körs på. Vid tusen timmar i månaden är Microsofts faktura ett avrundningsfel i en avdelningsbudget och NVIDIA:s ett kapitalinköp.

Sedan den besvärliga delen. På den offentliga noggrannhetstavlan är MAI Transcribe 2 tvåa i världen med 2,0 % AA-WER. Nemotron 3.5 Transcribe är tjugonde med 3,4 %. Den billigare modellen är också den mer noggranna, med en marginal som är större än hela gapet mellan plats nio och tjugo. Om den här jämförelsen bara handlade om ord och pengar skulle den vara över på en paragraf. Den är inte det, eftersom Microsoft inte publicerar något mått på diariseringskvalitet och NVIDIA publicerar flera – och den tomma kolumnen är orsaken till att någon ändå skulle välja det dyrare alternativet.

Vad styrelsen säger, och vad den inte kan säga

Artificial Analysis poängsätter båda modellerna på samma blandning av tre datamängder, så 2,0 % mot 3,4 % är åtminstone en jämförelse på lika villkor av samma index, mätt av samma operatör. Det är mer ovanligt än det borde vara i den här kategorin, och det bör tas seriöst. MAI Transcribe 2 ligger bara bakom ett förhandsvisningssystem i realtid högst upp på resultattavlan; Nemotron 3.5 Transcribe ligger lika med tre system, varav ett är en Gemini Flash-Lite-variant i minimalt resonemangsläge.

NVIDIAs eget lanseringsmaterial rapporterar 2,8 % AA-WER, vilket, om det stod fast, fortfarande skulle placera det hela åtta tiondelar efter Microsoft. Live-tavlan visar 3,4 %. Oavsett vilket ändras inte ordningen, så till skillnad från de andra jämförelserna i den här serien avgör skillnaden mellan lansering och live-tavla ingenting här. Microsoft ligger helt enkelt före på det mått som båda företagen är eniga om att mätas på.

Vad $0.10 i timmen faktiskt köper

MAI Transcribe 2 är en batchtranskriberingsmodell byggd för långformat ljud: möten, samtal, mediearkiv och inspelningar från kontaktcenter. Den täcker 60 språk med automatisk språkidentifiering, inkluderar talardiariisering, returnerar tidsstämplar på ordnivå, stöder nyckelordsbiasering för namn och domäntermer och erbjuder två utdatastilar – ordagrant, som behåller utfyllnadsord och falska starter, och rent, som rensar bort dem. Microsoft rapporterar ungefär 411× realtidsgenomströmning på speed board från Artificial Analysis, näst bäst totalt, och Microsofts eget lanseringsinlägg beskriver det som tio gånger snabbare än GPT Transcribe och fem gånger snabbare än Gemini 3.5 Transcribe.

Funktionslistan är på papperet en övermängd av vad de flesta team behöver och en nära matchning mot NVIDIAs. Båda utför diarisering, båda utför ordtidsangivelser, båda utför nyckelordsbiasering, båda ger verbatim och ren utdata, båda klarar ungefär en timme ljud, båda är endast batch i den SKU som jämförs. Skillnaderna ligger i kanterna: 60 språk mot 40, åtta talare mot ett ospecificerat antal, och ett pris som är tre storleksordningar enklare att förklara för ett finansteam.

• Pris — 0,10 USD per ljudtimme, under begränsad tid fram till slutet av 2026, jämfört med inget listpris; kostnaden är acceleratortid.

Noggrannhet — 2,0 % AA-WER, rang 2 mot 3,4 %, rang 20 (3,4 % på live-tavlan; NVIDIAs paket uppger 2,8 %).

• Genomströmning – cirka 411× realtid jämfört med upp till 2 238 sekunders ljud per sekund på en RTX PRO 6000 Blackwell med NVFP4 och en draft-modell, mätt på 30-sekundersklipp vid hög samtidighet.

• Språk – 60 med automatisk identifiering jämfört med 40 transkriberade, 31 översatta.

• Licens — proprietär, endast via API kontra OpenMDW-1.1 med nedladdningsbara vikter.

• Talare – diarisering ingår, ingen publicerad DER jämfört med upp till 8, attribuerad, på 13 språk, 18,26 % DER över 21 språk på David AI-benchmarken.

• Finjustering – ingen erbjuds jämfört med anpassning på en GPU vid 0,5–2,3 GPU-timmar per uppgift.

• Datalokalitet – ljud lämnar ditt nätverk kontra självhostbart, inklusive offline.

Kolumnen som Microsoft lämnar tom

Microsoft paketerar diarisering och publicerar ingen diariseringsfelkvot. Inte ens en svag sådan – ingen alls. NVIDIA publicerar fyra separata diariseringsresultat: 18,26 % DER över 21 språk på David AI-benchmarken, lägst av 14 system; 32,4 % sammanfogad min-permutations-WER på VoiceArena's Diarization-Bench, bäst av 14; 8,32 % av referensorden tappade i överlappande engelskt tal, mot ett medianvärde nära 31 %; och talarattribuering på 13 språk mot Microsofts ospecificerade antal.

Alla dessa är leverantörsrapporterade på en leverantörs testbänk, och den ärliga tolkningen är att de är ett påstående om kapacitet snarare än ett bevis på kvalitet. Men asymmetrin är informativ. Ett företag som har en siffra för diarisation publicerar den, eftersom diarisation är den svåraste delen av en transkription att få rätt på och den del som kunder klagar på. Ett företag som paketerar diarisation utan en siffra säger dig att det inte betraktar det som säljargumentet. Det kan betyda att funktionen är adekvat och oansenlig. Det kan betyda att den är svag. Ingenting i Microsofts lanseringsmaterial skiljer de två fallen åt, och ingen oberoende bedömningsnämnd mäter diariseringsfelkvot på den här detaljnivån ännu.

För ett säljsamtal med två personer spelar detta ingen roll – båda modellerna kommer att märka två röster korrekt. För ett styrelsemöte med sex personer och överlappande tal är skillnaden mellan 18 % DER och ett okänt tal skillnaden mellan ett användbart protokoll minut för minut och ett dokument som ingen litar på. Det är den arbetsbelastning där priset för den öppna checkpointen inte längre verkar absurd.

Varför någon köper den dyra varianten

Fyra skäl, i fallande ordning efter hur ofta de faktiskt förekommer i inköpsbeslut.

Det första är datalokalitet. MAI Transcribe 2 är ett API. Ljudet lämnar ditt nätverk, hamnar i en leverantörs kundmiljö och regleras av den leverantörens villkor för kvarhållning. Nemotron 3.5 Transcribe körs på hårdvara som du kontrollerar, inklusive helt offline, vilket för kliniska inspelningar, rättsliga förfaranden, HR-utredningar och allt som faller under ett regelverk för datalokalisering inte är en preferens utan ett krav. Inget timpris kan konkurrera med ett krav på regelefterlevnad.

Det andra är varaktighet. Microsofts pris på 0,10 dollar är uttryckligen ett tidsbegränsat erbjudande som gäller till slutet av 2026, och inget standardpris har offentliggjorts någonstans i lanseringens material. Ett team som bygger en produkt på den siffran bygger på ett kampanjpris med okänd giltighetstid. Öppna vikter har inte det felet: den checkpoint du laddade ner fortsätter att fungera till priset av el, oavsett vad leverantören gör härnäst.

Det tredje är anpassning. NVIDIA rapporterar att finjustering på en enda GPU tar 0,5 till 2,3 GPU-timmar per uppgift, och en fallstudie inom medicinskt tal där anpassning sänkte ordfelkvoten från 30,8 % till 11,8 % över 3 619 klipp, medan talare som hölls utanför förbättrades från 22,44 % till 12,17 %. Microsoft erbjuder över huvud taget ingen väg för finjustering. För brytningspräglat, brusigt eller jargongtätt tal – just det tal där ett genomsnitt på 2,0 % blir en verklighet på 25 % – är förmågan att anpassa sig värd mer än två poäng på resultattavlan. Perits mänskligt granskade engelska uppsättning berättar samma historia från motsatt håll: den placerar MAI Transcribe 2 och GPT Transcribe inom en hundradels poäng från varandra på 1,76 %, vilket är en påminnelse om att dessa resultattavlor ligger tätt tillsammans på rent tal och sprids ut på allt annat.

Det fjärde är att MAI Transcribe 2 är i offentlig förhandsversion. En förhandsversion innebär inget åtagande om drifttid, ingen varselperiod för avveckling och en funktionsuppsättning som kan ändras under fötterna på dig. Nemotron 3.5 Transcribe är en dag gammal och har sitt eget mognadsproblem – dess GGUF-verktyg beskrivs fortfarande som "kommer snart" och dess kvantiserade lokala byggen är ännu inte levererade – men en checkpoint tas inte ur förhandsversionen.

Säkringen som inte kostar något

De flesta team behöver inte välja. Kör det billiga API:et för större delen av kön och dirigera filerna som inte får lämna byggnaden, eller mötena där talarattributionen måste stämma, till checkpointen. Den hybriden är billigare än någon av de rena strategierna och fallerar smidigt: om Microsofts kampanjpris upphör vid en ogynnsam nivå är den självhostade vägen redan provisionerad; om den öppna modellens påstående om diarisering inte håller för ditt ljud är API:et redan inkopplat.

Det som gör att den här hedgen fungerar i praktiken är att hålla de två halvorna av pipelinen separerbara. Taligenkänning är ett avtal; sammanfattaren, klassificeraren och routern som använder transkripten är ett annat. OrcaRouter täcker den andra halvan med 200+ text- och multimodala modeller bakom en enda nyckel, leverantörernas listpriser som förs vidare med 0 % påslag – så att en leverantörs prissänkning når din faktura samma dag i stället för vid nästa avtalsförnyelse – plus automatisk failover och ett routing-DSL som kan styra olika transkriptklasser till olika modeller. Varken MAI Transcribe 2 eller Nemotron 3.5 Transcribe finns i den katalogen, och vi tillhandahåller inte tal-till-text alls, så transkriptionsavtalet stannar där du tecknade det. Poängen är bara att modellen nedströms den inte bör svetsas fast vid samma leverantör.

Domen, efter volym

Under ungefär några hundra ljudtimmar i månaden, utan begränsningar för var data får lagras och utan krav på talaridentifiering utöver samtal mellan två parter, är MAI Transcribe 2 det bättre köpet på varje axel som syns i ett kalkylark: billigare, mer träffsäkert på det gemensamma indexet, snabbare och tillgängligt idag utan etablering. Kampanjprissättningen är en verklig risk och värd att modellera vid två eller tre gånger nuvarande taxa, men den suddar inte ut en skillnad på tre storleksordningar.

Över den volymen, eller med någon av de fyra begränsningarna ovan tillämpad, vänds aritmetiken – inte för att den öppna modellen är billigare per timme, utan för att timmarna helt upphör att vara köpbara. Argumentet för Nemotron 3.5 Transcribe vilar på talare, språk, lokalitet, anpassning och beständighet, ungefär i den ordningen. Dess noggrannhetsargument vilar på ett leverantörspåstående som den offentliga resultattavlan för närvarande inte stöder, och den som upprepar ”först bland öppna vikter” som om det avgjorde jämförelsen citerar en presentationsbild snarare än en mätning.