Nemotron 3.5 Transcribe vs Muse Voice Transcribe: Den ena bearbetar mötet, den andra deltar i det

Två inspelningar avgör den här jämförelsen innan någon prestandamätning gör det. Den ena är ett samtal som pågår just nu, där transkriptionen måste hålla jämna steg med samtalet och en fördröjning på två sekunder gör verktyget obrukbart. Den andra är ett arkiv på två timmar med förra kvartalets kundsamtal, där ingen bryr sig om orden anländer på 200 millisekunder eller tjugo minuter.NVIDIA Nemotron 3.5 Transcribe, som släpptes den 28 oktober 2026 som en offline-checkpoint med öppna vikter, är byggd för den andra inspelningen.Meta Muse Voice Transcribe, som Meta Superintelligence Labs släppte den 1 september 2026, är byggd för den första. De flesta jämförelsesidor placerar sina felkvoter för ord i en kolumn och låter det vara, vilket är precis den jämförelse som inte går att göra.

Klockan, inte ordens felkvot

Metas modell är ett strömmande perceptionslager. Den tar in ljud i chunkar om 80 millisekunder, skickar ut mjuka tokens och använder en med förstärkningsinlärning tränad "adaptiv fördröjnings"-mekanism för att ord för ord avgöra hur mycket kontext den ska vänta på innan den låser sig vid text. Metas lanseringsmaterial, enligt rapporter, anger gapet från slutet av talet till slutlig text till ungefär 0,16 sekunder, och modellen tillhandahålls via en WebSocket för ljud i realtid eller en HTTP-slutpunkt för engångsfiler. Den hanterar också endpointing och röstaktivitetsdetektering själv, så pipelinen runt den är tunn.

NVIDIAs modell har motsatt form. Kortet säger det rakt ut: ”Det här är en offline-modell,” och tillägger att intern chunkning inte gör den till en streamingtjänst. Du ger den en fil på upp till en timme och den returnerar en transkription. Det finns ingen delvis utdata, ingen preliminär hypotes, ingen barge-in. NVIDIA säljer en separat 0,6B streamingigenkännare för ljud i realtid; det är en annan checkpoint, inte ett läge i den här.

Så rubriksiffrorna är mätta med olika instrument. Meta rapporterar 3,1 % ordigenkänningsfel och första plats på Artificial Analysiss topplista för streaming av tal-till-text. NVIDIAs kort rapporterar ett medelvärde på 4,71 % över de nio offentliga engelska Open ASR-setten, medan Artificial Analysiss icke-streamingtabell visar 3,4 % för den driftsatta slutpunkten – och deras FAQ anger 2,8 % för samma modell. Det är tre olika mätningar av två olika uppgifter. De 3,1 % är ett streamingresultat; de 3,4 % är ett batchresultat på en annan ljuddistribution. Att subtrahera dem ger en "vinst" på 0,3 punkter som inte betyder något, och streamingmodellens underläge på långt, bullrigt ljud med brytning är verkligt men osynligt i den aritmetiken.

Talare: tjugo-någonting mot åtta

Diariseringsgapet är den enda platsen där siffrorna mäter ungefär samma sak, och det är stort.

Tak för antal talare – Meta annonserar 20+ talare i en enda inspelning; NVIDIA tränar på blandningar med upp till åtta, och dess modellkort anger ingen maxgräns vid inferens.

• Överlappning – Metas egen sida anger att diarization gäller för "icke-överlappande tal". NVIDIAs hela arkitektoniska argument är överlappande tal: den frysta diarizerns talaraktivitet injiceras i encodern så att modellen kan tillskriva ord medan människor pratar i munnen på varandra. Det är påståendet bakom dess genomsnittliga cpWER på 15,80 på NVIDIAs flertalarset.

• Språktäckning för etiketter — Meta hanterar 25+ språk; NVIDIA stöder 40 för transkribering men markerar 13 av dem för utdata med flera talare. Ett turkiskt möte transkriberas och får inga etiketter.

• Etikettformat – Meta skickar bara talarbokstäver som "A"; NVIDIA skickar taggar i stil med <spk:0> som mappas tillbaka till diariseringssegment.

Om ditt användningsfall är en panel, en rättegångssal eller ett supportsamtal med tre deltagare som talar över varandra, är taket på åtta talare den begränsning som avgör saken, inte WER-kolumnen. Om ditt användningsfall är ett allhands-möte med tjugo personer där folk mestadels turas om att tala, är Metas 20+ det antal som spelar roll och NVIDIAs åtta en hård gräns.

Språk: 25 mot 40, och ingen av siffrorna är vad den ser ut att vara

Metas egen utvecklarsida säger "25+ språk" och stöder kodväxling inom och mellan meningar, vilket är viktigt för tvåspråkiga möten. I lanseringsrapporteringen uppgavs att modellen tränades på 70+ språk, varav 25 validerades omfattande – en användbar distinktion, eftersom ett språk som är "tränat" men inte validerat är ett språk du bör testa innan du litar på det. NVIDIA:s kort listar 40 språk med ASR-stöd, 31 med tvåriktad översättning till och från engelska samt en separat språkidentifieringskomponent med 48 etiketter.

• Om du behöver bredd i europeisk täckning — Metas 25 validerade språk är snävare än NVIDIAs 40, men Metas lista lutar mot de språk som företagskunder faktiskt registrerar.

• Om du behöver översättning – det är bara NVIDIA som gör det. Metas modell transkriberar; den översätter inte transkriptionen till ett annat språk.

• Om du behöver kodväxling – Meta uppger att det stöds inbyggt; NVIDIA:s kort nämner inget jämförbart, och dess ljudförståelse är endast på engelska oavsett transkriberingsspråk.

Vad utskriften faktiskt innehåller

Det är i tidsstämplar som en skillnad som verkar billig blir dyr. Meta tillhandahåller tidsstämplar på yttrandenivå – segmentgränser, inte ordvisa tider – och exponerar inte konfidenspoäng alls. NVIDIA tillhandahåller ordtidsstämplar via en CTC-adapter, med förbehållet att tidsstämplar inte är tillgängliga när DFlash2-utkastet för spekulativ avkodning är aktiverat.

• Tidsstämplar – Meta på yttrandenivå; NVIDIA på ordnivå, men inte tillsammans med sin snabbaste avkodningsväg.

• Konfidens — Meta publicerar inga konfidensvärden; NVIDIA publicerar inte heller ordvis konfidens.

• Inmatningsformat — Meta kräver mono 16-bitars PCM vid 16 eller 24 kHz och uppmanar dig att konvertera allt annat med ffmpeg; NVIDIA accepterar 16 kHz mono och hanterar filen direkt.

• Promptning – båda påverkar utdata. Metas nyckelords- och språkbaserade bias "nudgar bara modellen och garanterar inte stavningen", enligt företagets dokumentation. NVIDIAs kontextuella promptning rapporterar att WER för namngivna entiteter sjunker från 12,21 % till 2,20 % med en finkornig entitetslista – leverantörsdrivet, men ett mycket starkare påstående, och ett som antyder en annan mekanism än en mjuk nudge.

• Utdataformat — NVIDIA:s fem stilar (ordagrann, skriftlig form, kontextuell, talarattribuerad, rik) väljs genom instruktion. Meta returnerar ett format och förväntar sig att du efterbearbetar.

Pris per ljudtimme

Meta tar 3,00 USD per 1 000 minuter, vilket är 0,18 USD per timme ljud, utan publicerade prisnivåer eller gratis kvot. NVIDIA:s värdbaserade prisuppgift på Artificial Analysis är 2,00 USD per 1 000 minuter – cirka 0,12 USD per timme – och vikterna är gratis att ladda ner under OpenMDW-1.1, så självhosting är ett tredje alternativ som Meta inte erbjuder till något pris.

Kalkylen vid stora volymer är enkel och talar inte för den billigare prislappen. Tusen timmar ljud per månad kostar $180 via Meta och $120 via en hostad Nemotron-slutpunkt. Självhostat är samma tusen timmar under en timme GPU-tid på ett RTX PRO 6000 Blackwell med NVIDIAs uppgivna NVFP4-genomströmning – räkna $2 i beräkningskostnad till hyr-GPU-taxa, plus drift, lagring och ingenjören som äger det. Vid 10 000 timmar i månaden täcker skillnaden mellan $1 800 och några hundra dollar en hel del drift; vid 100 timmar i månaden täcker den inget av det.

Det som självhosting faktiskt ger är inte priset. Det är möjligheten att köra transkribering på ljud som avtalsenligt är förbjudet att lämna ditt nätverk, och möjligheten att hålla pipelinen igång när en leverantörs slutpunkt försämras. Det är skälen till att reglerade team betalar för GPU:er som de annars skulle kunna hyra.

Där var och en brister

Metas felmoder ligger nära latensproblematik. Diarisationen förutsätter icke-överlappande tal, så ett upprört supportsamtal med avbrott felmärker turer. Transkriptionen saknar ordtidsstämplar, vilket bryter undertextgenerering, ljudsökning och all nedströmsalignering mot video. Indataavtalet är strikt och biaseringen är vägledande. Det finns ingen översättning, inget frågor-och-svar på ljud och inget självhostat alternativ.

NVIDIAs felmoder ligger nära arbetsflödet. Det kan inte streama, så det kan inte leverera liveundertexter, röstagenter eller realtidsdirigering av samtal. Dess ljudförståelse är endast på engelska. Det har en gräns på en timme per inspelning. Dess levererade SGLang-Omni-integration utelämnar talarattribuerad utdata, ordtidsstämplar och översättning, så en del av det som kortet lovar kräver vLLM-vägen eller NIM-containern. Och det kan ibland inte avslutas, vilket kortet rekommenderar att man skyddar sig mot.

Ingen av feluppsättningarna är en bugg som gynnar den andra modellen. De är problemets två former: en modell som är närvarande medan ljudet pågår, och en modell som är grundlig efter att det har slutat.

Om du behöver båda är pipeline inte en kompromiss

Den vanligaste verkliga driftsättningen är inte alls något val. Ljud i realtid går via Metas streaming-endpoint, eftersom det är det enda sättet att få text medan samtalet pågår – undertexter, agentassistans, direktsökning. Samma inspelning transkriberas sedan om offline av NVIDIAs checkpoint över natten, eftersom batchkörningen ger renare text, ordtidsstämplar med talarattribuering och, vid behov, en engelsk översättning av ett icke-engelskt samtal. Strömningstranskriptionen är för stunden; batchtranskriptionen är för dokumentationen. Team som försöker tvinga en modell till båda rollerna hamnar vanligtvis antingen med en släpande realtidsvy eller en dyr streamingräkning för ljud som ingen lyssnar på.

Den nedströms halvan av den pipeline – att sammanfatta samtal, poängsätta agenters prestation, avidentifiera personuppgifter, skicka flaggade konversationer till en människa – är vanligt textarbete, och den hör inte hemma på samma GPU som ASR.OrcaRouter kör dessa textanrop bakom en enda nyckel med 0 % påslag, förmedlar leverantörens listpris oförändrat, med automatisk failover när en leverantör krånglar och en routing-DSL som kan skicka sammanfattning och klassificering till olika modeller i ett enda arbetsflöde. Varken Meta Muse Voice Transcribe eller NVIDIA Nemotron 3.5 Transcribe finns i OrcaRouters katalog; routern sitter efter transkriptionen, där textarbetsbelastningen ligger.

Tre frågor avgör detta snabbare än någon topplista. Hur lång tid efter att ljudet anlänt måste texten finnas? Om svaret är "under samtalet" är beslutet Metas och WER-diskussionen är dekoration. Hur många talar samtidigt, och överlappar de? Om svaret är "fler än åtta, och ja" är det NVIDIAs terräng. Och får ljudet lämna ditt nätverk? Om svaret är nej kan endast en av dessa två modeller driftsättas överhuvudtaget.

Allt annat – 3,1 %, 4,71 %, 0,18 dollar – är det som avgör mellan två produkter som är designade för olika moment i samma möte.