Nemotron 3.5 Transcribe เทียบกับ Gemini 3.5 Transcribe: 2.8% บนสไลด์, 3.4% บนกระดาน

ของ Google Gemini 3.5 Transcribeอยู่ในอันดับที่เก้าบนกระดานจัดอันดับการถอดเสียงแบบไม่สตรีมมิงของ Artificial Analysis ด้วยอัตราความผิดพลาด 2.6% NVIDIANemotron 3.5 Transcribe ซึ่งเปิดตัวในรูปแบบน้ำหนักเปิดเมื่อวันที่ 28 ตุลาคม 2026 อยู่ในอันดับที่ยี่สิบด้วย 3.4% ห่างกันสี่ในสิบของจุดบนดัชนีสาธารณะเพียงแห่งเดียวที่ให้คะแนนทั้งสอง และสี่ในสิบนั้นแทบจะเป็นข้อเท็จจริงที่มีประโยชน์น้อยที่สุดในการเปรียบเทียบนี้ ทั้งสองไม่ได้ถูกสร้างขึ้นเพื่องานเดียวกัน: ระบบหนึ่งเป็นปลายทางแบบมีการจัดการที่ทำความสะอาดบทถอดเสียงก่อนที่คุณจะเห็น ส่วนอีกระบบเป็นเช็กพอยต์ที่คุณดาวน์โหลดซึ่งแยกผู้พูดแปดคนได้อย่างถูกต้องขณะที่พวกเขาพูดทับกัน การจัดอันดับไม่ได้ยกย่องทั้งสองระบบสำหรับสิ่งที่มันถูกออกแบบมาให้ทำจริง ๆ

ควรตั้งข้อสังเกตถึงความคลาดเคลื่อนหนึ่งตั้งแต่เนิ่น ๆ เพราะมันปรากฏซ้ำในทุกบทความที่เขียนเกี่ยวกับโมเดลนี้ในสัปดาห์นี้ เอกสารเปิดตัวของ NVIDIA รายงานค่า AA-WER ที่ 2.8% และได้อันดับหนึ่งร่วมในกลุ่มระบบ open-weight ส่วนกระดานคะแนนสดซึ่งอ่านเมื่อวันที่ 29 ตุลาคม ระบุ 3.4% ที่อันดับที่ยี่สิบ ตัวเลขทั้งสองย้อนกลับไปยังดัชนีเดียวกัน และไม่ใช่การวัดจากการรันครั้งเดียวกัน — นี่คือบทเรียนเชิงปฏิบัติข้อแรกของการจับคู่นี้ และเป็นเหตุผลที่ส่วนความแม่นยำด้านล่างถูกเขียนในลักษณะที่เป็นอยู่

สิ่งที่ NVIDIA เปิดตัว และสิ่งที่ Google ใช้งานมาตั้งแต่เดือนสิงหาคม

Nemotron 3.5 Transcribe ไม่ใช่ทรานสดิวเซอร์และไม่ใช่เอนโคเดอร์ธรรมดา แต่เป็นโมเดลภาษาเสริมเสียงพูด: เอนโคเดอร์เสียงพูดป้อนข้อมูลให้โมเดล Nemotron 3 Diarization ที่ถูกแช่แข็ง โดยสัญญาณกิจกรรมของผู้พูดจะถูกฉีดเข้าสู่เอนโคเดอร์ ASR ผ่านสิ่งที่ NVIDIA เรียกว่า Parallel Expert Encoder และตัวถอดรหัสเป็น LLM แบบไฮบริด Mamba–Transformer ที่เป็น mixture-of-experts ซึ่งมีพารามิเตอร์ประมาณ 4 พันล้านตัวที่ใช้งานต่อโทเคน จากจำนวนทั้งหมดราว 3 หมื่นล้านตัว เอกสารของบริษัทเองใช้ทั้งป้าย 30B-A3B และ 30B-A4B สำหรับครึ่งที่เป็นโมเดลภาษา และแถบด้านข้างของ Hugging Face ระบุ 34B เมื่อนับรวมสแต็กเสียงแล้ว ดังนั้นควรถือว่าตัวเลขพารามิเตอร์ใด ๆ เพียงตัวเลขเดียวเป็นค่าประมาณ น้ำหนักโมเดลเปิดให้ใช้ฟรีภายใต้ OpenMDW-1.1 ซึ่งอนุญาตให้ใช้เชิงพาณิชย์

Gemini 3.5 Transcribe พร้อมใช้งานทั่วไปมาตั้งแต่วันที่ 26 สิงหาคม 2026 ในราคา 2.00 ดอลลาร์ต่อโทเค็นอินพุตเสียง 1 ล้านโทเค็น และ 12.00 ดอลลาร์ต่อโทเค็นเอาต์พุตข้อความ 1 ล้านโทเค็น ซึ่ง Google แปลงเป็นประมาณ 0.005 ดอลลาร์ต่อนาที หรือประมาณ 0.30 ดอลลาร์ต่อชั่วโมงเสียง มีแพ็กเกจฟรีภายใต้โควตา มี SKU สำหรับการสตรีมแบบสดแยกต่างหากในราคาประมาณ 0.009 ดอลลาร์ต่อนาที และไม่มีไฟล์น้ำหนักโมเดลใด ๆ เลย

ตัวเลขที่เปลี่ยนไประหว่างชุดข้อมูลเปิดตัวกับเช้าวันรุ่งขึ้น

AA-WER ของ Artificial Analysis สร้างจากสามชุดข้อมูล — AgentTalk 50%, VoxPopuli-Cleaned 25%, Earnings22-Cleaned 25% — และดัชนีนี้เป็นคะแนนผสมเพียงค่าเดียว ไม่ใช่คะแนนแยกตามโดเมน สิ่งนี้สำคัญเพราะ AgentTalk คือเสียงพูดของ voice agent ซึ่งสั้น สะอาด และมีสัดส่วนสูงในส่วนผสมข้อมูลฝึกของผู้ขาย หากผู้ขายนั้นขาย voice agent โมเดลที่ชนะคะแนนผสมอาจทำให้คลังเสียงของคุณแพ้ได้

อ่านกระดานตามที่เป็นอยู่ และลำดับการจัดอันดับคือ: MAI Transcribe 2 ที่ 2.0%, Voxtral Small Transcribe 3 ที่ 2.1%, Gemini 3.5 Transcribe ที่ 2.6%, GPT Transcribe ที่ 3.3%, Nemotron 3.5 Transcribe ที่ 3.4% ข้ออ้าง 2.8% ของ NVIDIA หากยังคงอยู่ จะทำให้โมเดลใหม่อยู่ในระดับเดียวกับ Gemini 3.1 Pro Preview และ Voxtral Small และนำหน้าโมเดลแบบแบตช์ของ OpenAI อย่างสบาย ที่ 3.4% มันตามหลังทั้งหมดและเสมอกับสามระบบ รวมถึงเวอร์ชัน Gemini Flash-Lite ที่ไม่เคยถูกนำมาวางเทียบด้วย การแก้ไข 0.6 จุดไม่ใช่ความคลาดเคลื่อนจากการปัดเศษบนดัชนีที่สิบอันดับแรกทั้งหมดครอบช่วง 1.7% ถึง 2.9%

การตีความตามจริงไม่ใช่ว่า NVIDIA โกหก AA จะวัดใหม่เมื่อโมเดลถูกให้บริการบนเอนด์พอยต์ใหม่ หรือเมื่อรันซ้ำด้วยอินพุตที่อัปเดต และตัวเลขตอนเปิดตัวเกือบจะแน่นอนว่าสะท้อนการส่งข้อมูลของ NVIDIA เองมากกว่าโฮสต์เริ่มต้นของกระดานจัดอันดับ แต่ช่องว่างแบบนี้แหละคือสิ่งที่กลายเป็นความผิดพลาดด้านการจัดซื้อ: ทีมที่ตั้งงบประมาณโดยอิงกับ “อันดับหนึ่งในกลุ่มโมเดลเปิด” แล้วต่อมาวัดได้ 3.4% ก็เท่ากับซื้อโมเดลจากสไลด์มาแล้ว

สิ่งที่ Google ขายแต่ NVIDIA ไม่ขาย

คุณสมบัติที่ชี้ขาดการได้งานสัญญาการถอดเสียงได้มากกว่า WER คือสิ่งที่เกิดขึ้นกับคำหลังการรู้จำ และ Gemini 3.5 Transcribe ถูกสร้างขึ้นโดยมีสิ่งนี้เป็นแกนหลัก โหมดคำต่อคำเริ่มต้นจะเก็บคำเติม เสียงเริ่มผิด และการพูดซ้ำไว้สำหรับงานด้านการปฏิบัติตามข้อกำหนด ส่วนโหมดอัจฉริยะจะตัดความไม่คล่องของคำพูด แก้ไขการแก้คำพูดของตัวเอง และปรับตัวเลขและสกุลเงินที่พูดให้เป็นมาตรฐานในครั้งเดียว คำศัพท์กำหนดเองจะช่วยโน้มการรู้จำไปยังคำศัพท์ได้สูงสุด 1,000 คำ โดย Google แนะนำให้ใช้ประมาณ 100 คำที่เลือกมาอย่างดี ทั้งสองสิ่งนี้ไม่มีอยู่ใน Nemotron 3.5 Transcribe ซึ่งสามารถ *พรอมต์* ให้โน้มไปยังรายการเอนทิตี และสามารถสั่งให้สร้างเอาต์พุตแบบคำต่อคำหรือแบบภาษาเขียนได้ แต่จะปล่อยการจัดรูปแบบตัวเลขและการซ่อมการแก้คำพูดของตัวเองให้ขึ้นกับสิ่งที่อ่านทรานสคริปต์ต่อไป

Google ยังชนะในด้านความครอบคลุมของโลแคลที่ระบุชื่อ: 85+ พร้อมการตรวจจับอัตโนมัติและการสลับภาษาภายในประโยค เทียบกับ 40 ของ NVIDIA สำหรับการถอดเสียง และ 31 สำหรับการแปล โดยนับเฉพาะชัยชนะที่ระบุชื่อ หากคิวของคุณมีภาษาที่อยู่ในรายการของ Google แต่ไม่อยู่ในรายการของ NVIDIA ก็ไม่มีเบนช์มาร์กให้โต้แย้ง

สิ่งที่ NVIDIA ขายแต่ Google ไม่ขาย

การระบุผู้พูดเป็นกรณีตรงกันข้าม และชัดเจนกว่าที่การตลาดบอกไว้เสียอีก Gemini 3.5 Transcribe รองรับผู้พูดได้สูงสุดแปดคน แต่เอกสารของ Google เองระบุว่าการระบุผู้พูดตั้งแต่สามคนขึ้นไปเป็นฟีเจอร์ทดลอง และบล็อกของบริษัทก็เน้นว่า "สูงสุดสามคน" ส่วน Nemotron 3.5 Transcribe ระบุผู้พูดได้สูงสุดแปดคน ทำได้ใน 13 ภาษา และคืนค่าประทับเวลาระดับคำที่ระบุผู้พูดผ่าน CTC adapter หลังการถอดรหัส ซึ่งจัดแนวทรานสคริปต์ที่เสร็จแล้วให้ตรงกับเสียง

• พารามิเตอร์ — ทั้งหมด 30B โดยมีประมาณ 4B ที่ทำงานอยู่, ไฮบริด Mamba–Transformer MoE เทียบกับชุดเทคโนโลยีเสียงที่เป็นกรรมสิทธิ์ซึ่งไม่เปิดเผย

• สัญญาอนุญาต (Licence) — OpenMDW-1.1 ใช้ในเชิงพาณิชย์ได้ ดาวน์โหลดน้ำหนักโมเดลได้ เทียบกับแบบที่ให้ใช้ผ่าน API เท่านั้นโดยไม่มีสิทธิ์ในการเผยแพร่ต่อ

• ราคา — ไม่มีอัตราค่าบริการตามรายการที่เผยแพร่ ต้นทุนคือเวลา GPU และมีการกล่าวอ้างว่าการสร้างด้วย NVFP4 บน RTX PRO 6000 Blackwell หนึ่งตัวสามารถประมวลผลเสียงได้สูงถึง 2,238 วินาทีของเสียงต่อวินาที เทียบกับต้นทุนเฉลี่ย 0.005 ดอลลาร์ต่อนาที

• ภาษา — ถอดเสียง 40 ภาษา, แปลเป็นภาษาอังกฤษหรือจากภาษาอังกฤษ 31 ภาษา, มีป้ายกำกับผู้พูด 13 ภาษา เทียบกับกว่า 85 โลแคลที่มีการสลับภาษา

• ลำโพง — 8 รายการ มีเอกสารประกอบและผ่านการทดสอบเทียบกับ 8 รายการที่มีเอกสารประกอบ โดย 3+ รายการถูกระบุว่าเป็นรุ่นทดลอง

• ความยาวเสียง — 1 ชั่วโมงในการประมวลผลรอบเดียว เทียบกับ 1 ชั่วโมง โดยจะลดเหลือ 30 นาทีเมื่อมีการขอแยกผู้พูดหรือประทับเวลา

• สตรีมมิ่ง — ไม่มี; เฉพาะเสียงที่บันทึกไว้ เมื่อเทียบกับ SKU แบบไลฟ์แยกต่างหากในราคาประมาณ $0.009 ต่อนาที

• การประมวลผลภายหลัง — ควบคุมด้วยพรอมต์ให้ได้แบบคำต่อคำหรือแบบเขียนเป็นข้อความ; ไม่มีการเก็บกวาดในตัว เทียบกับโหมดอัจฉริยะที่กำจัดคำฟุ่มเฟือยและแก้ไขส่วนที่ผู้พูดแก้ไขตนเอง

ตัวเลขการแยกผู้พูดที่เพียงฝ่ายเดียวเผยแพร่

นี่คือจุดที่การเปรียบเทียบไม่ใช่สูสีอีกต่อไปและเริ่มได้เปรียบอย่างชัดเจน และยังเป็นจุดที่แหล่งข้อมูลเริ่มมีจำกัด NVIDIA รายงานอัตราความผิดพลาดในการแยกเสียงผู้พูด (diarization error rate) ที่ 18.26% ครอบคลุม 21 ภาษาใน David AI benchmark ซึ่งต่ำที่สุดในบรรดา 14 ระบบที่ประเมิน โดยรายการถัดไปคือโมเดล Nemotron 3 Diarization ของบริษัทเองที่ 18.38% และระบบอื่น ๆ อยู่ระหว่าง 22.85% ถึง 37.55% บน Diarization-Bench ของ VoiceArena รายงานค่า WER แบบ concatenated min-permutation ที่ 32.4% ดีที่สุดใน 14 ระบบ โดยอันดับรองลงมาอยู่ที่ 34.2% ในเซสชันภาษาอังกฤษที่มีเสียงพูดซ้อนทับกัน รายงานว่าทิ้งคำอ้างอิงไป 8.32% เทียบกับค่ามัธยฐานประมาณ 31%

Google ไม่ได้เผยแพร่ค่า diarization error rate สำหรับ Gemini 3.5 Transcribe เลย ไม่ใช่ค่าที่แย่กว่า — แต่ไม่มีเลย ความไม่สมมาตรนี้ส่งผลได้ทั้งสองทางและควรระบุให้ชัดเจน: ตัวเลขของ NVIDIA เป็นข้อมูลที่ผู้ขายรายงานบนชุดทดสอบของ NVIDIA เอง และไม่มีตัวเลขจากบุคคลที่สามให้ใช้ตรวจสอบเทียบได้ เพราะกระดานจัดอันดับ diarization อิสระที่มีอยู่ส่วนใหญ่เต็มไปด้วยระบบที่ NVIDIA เองส่งเข้าประกวด สิ่งที่ไม่ต้องสงสัยคือเพดานที่ระบุไว้ในเอกสาร: Gemini รองรับสูงสุดแปดผู้พูด โดยการระบุที่มาของผู้พูดเหนือสามคนเป็นฟีเจอร์ทดลอง และลดความยาวเสียงสูงสุดของคุณจากหนึ่งชั่วโมงเหลือสามสิบนาทีทันทีที่คุณขอ speaker labels และ word timing พร้อมกัน หากเนื้อหาของคุณคือการประชุมคณะกรรมการหกคน นั่นคือข้อจำกัดของผลิตภัณฑ์ ไม่ใช่คำถามเรื่องคุณภาพ และไม่มีการเปรียบเทียบ WER ใดที่จะเผยให้เห็นข้อจำกัดนี้

ค่าใช้จ่ายที่แท้จริงของออดิโอหนึ่งชั่วโมงในแต่ละ...

ใช้งานที่หนึ่งพันชั่วโมงต่อเดือน ซึ่งเป็นภาระงานที่สมจริงสำหรับศูนย์บริการลูกค้าหรือคลังสื่อ Gemini 3.5 Transcribe ในราคา $0.005 ต่อนาที คิดเป็น $300 ต่อหนึ่งพันชั่วโมง Nemotron 3.5 Transcribe ไม่มีราคาตามรายการ เพราะไม่มีอะไรให้ลงรายการ: คุณซื้อ GPU RTX PRO 6000 Blackwell หนึ่งตัวที่รัน NVFP4 checkpoint คือการกำหนดค่าที่ NVIDIA สาธิต และข้อกล่าวอ้างเรื่องปริมาณงาน — สูงสุด 2,238 วินาทีของเสียงต่อวินาที — มาพร้อมเงื่อนไขที่โพสต์ของ Hugging Face ระบุไว้แต่พาดหัวข่าวตัดทิ้ง: ค่าดังกล่าววัดจากคลิป 30 วินาทีที่ระดับการทำงานพร้อมกันสูง การประชุมยาวที่มีผู้พูดซ้อนทับกันจะไม่ถึงตัวเลขนั้น

ดังนั้นจุดตัดสินใจจึงเป็นคำถามเรื่องการใช้ประโยชน์ ไม่ใช่คำถามเรื่องราคา การ์ดจอเพียงใบเดียวที่มีราคาใกล้เคียงกับค่าบริการถอดเสียงแบบ managed ไม่กี่เดือนจะคุ้มทุนก็ต่อเมื่อคุณใช้งานมันอย่างต่อเนื่อง และมันไม่มีทางคุ้มทุนเมื่อเทียบกับการเรียก API มูลค่า 300 ดอลลาร์ต่อเดือนบนคิวงานขนาดเล็ก เหตุผลสนับสนุน checkpoint ไม่ใช่เรื่องนาทีที่ถูกกว่าที่ปริมาณงานต่ำ แต่คือ นาทีเหล่านั้นเลิกเป็นรายการค่าใช้จ่ายไปเลย เสียงไม่เคยออกจากเครือข่ายของคุณ และ fine-tuning ก็ใช้เวลาบ่ายเดียวบน GPU ตัวเดียว — NVIDIA รายงานว่าใช้เวลา 0.5 ถึง 2.3 GPU-hour ต่อหนึ่งงาน และการปรับโมเดลสำหรับเสียงทางการแพทย์ที่ลด word error rate จาก 30.8% เหลือ 11.8% บนคลิป 3,619 คลิป โดยผู้พูดที่แยกไว้ทดสอบมีอัตราดีขึ้นจาก 22.44% เป็น 12.17%

หน้าเวิร์กวิจัยของ NVIDIA เองเป็นที่เดียวที่ข้อกล่าวอ้างเรื่อง throughput และ fine-tuning ปรากฏร่วมกัน และควรอ่านควบคู่กับตัวเลขข้างต้น: ตัวเลข 2,238 วินาทีต่อวินาทีตั้งอยู่บนสมมติฐานว่าใช้ checkpoint NVFP4 และ draft model DFlash2 บนฮาร์ดแวร์ Blackwell ส่วนข้อกล่าวอ้างเรื่อง fine-tuning ที่ใช้เวลา 0.5 ถึง 2.3 GPU-hour ตั้งอยู่บนสมมติฐานว่าใช้ GPU เพียงตัวเดียวและงานมีขนาดเล็กพอที่จะพอดีกับ GPU หนึ่งตัว ทั้งสองข้อไม่มีข้อใดเป็นพาดหัวที่คุณจะคัดลอกไปใส่ในแผนความจุได้โดยไม่มีเงื่อนไขกำกับเหล่านั้น

ไม่ว่าคุณจะลงเอยฝั่งไหน ทรานสคริปต์ไม่ใช่จุดสิ้นสุดของไปป์ไลน์ ข้อมูลนี้จะถูกสรุป จัดหมวดหมู่ ค้นหา และจัดเส้นทาง และครึ่งปลายน้ำนั้นเองคือจุดที่เอนด์พอยต์เพียงจุดเดียวมีความสำคัญ: OrcaRouter รองรับโมเดลข้อความและมัลติมอดัล 200+ โมเดลภายใต้คีย์เดียว โดยส่งผ่านราคาตามรายการของผู้ให้บริการในอัตรามาร์กอัป 0% พร้อมการสลับไปยังระบบสำรองอัตโนมัติ และ routing DSL ที่สามารถส่งบันทึกการประชุมไปยังเครื่องมือสรุปตัวหนึ่ง และส่งการตรวจสอบการปฏิบัติตามข้อกำหนดไปยังอีกตัวหนึ่งได้โดยไม่ต้องผสานรวมครั้งที่สอง ทั้ง Gemini 3.5 Transcribe และ Nemotron 3.5 Transcribe ต่างก็ยังไม่มีอยู่ในแคตตาล็อกนั้นในปัจจุบัน — การถอดเสียงเป็นข้อความยังคงเป็นสัญญาแยกต่างหากไม่ว่าคุณจะซื้อจากที่ไหน — ดังนั้นประเด็นจึงแคบกว่าที่ฟังดู: เลือกตัวถอดเสียงจากความสามารถในการถอดเสียง และปล่อยให้เลเยอร์ที่อยู่เหนือขึ้นไปยังคงพกพาได้

อันไหนที่ควรอยู่ในสแต็กของคุณ

เลือก Gemini 3.5 Transcribe หากปัญหาของคุณอยู่ที่ข้อความ: เสียงสัมภาษณ์ที่ไม่ราบรื่น คำพูดจากคอลเซ็นเตอร์ที่เต็มไปด้วย “ไม่ใช่ รอเดี๋ยว ฉันหมายถึง” รายการโลแคลที่คุณต้องตรวจสอบตามชื่อ และเอ็นด์พอยต์แบบ managed ที่คุณสามารถป้องกันด้วยคีย์ได้ในบ่ายนี้ มันเป็นโมเดลที่แม่นยำกว่าบนบอร์ดสาธารณะ ณ วันนี้ ด้วยส่วนต่างที่เล็กแต่มีจริง มันแก้ไขข้อความถอดเสียงระหว่างการทำงาน และมีค่าใช้จ่ายสามสิบเซนต์ต่อชั่วโมง พร้อมระดับฟรีให้ทดสอบเทียบ

เลือก Nemotron 3.5 Transcribe หากปัญหาของคุณคือห้องนั้น ผู้พูดมากกว่าสามคน เสียงที่ทับซ้อนกัน ป้ายกำกับผู้พูดในสิบสามภาษา การจับเวลาระดับคำที่ยังคงแม่นยำแม้ไฟล์ยาวถึงหนึ่งชั่วโมง และนโยบายเสียงที่ห้ามส่งไฟล์บันทึกไปยังบุคคลที่สาม เหล่านี้คือเงื่อนไขที่โมเดลเช็กพอยต์แบบเปิดไม่ได้เป็นเพียงทางเลือกประนีประนอม แต่เป็นทางเลือกเดียวที่ตอบโจทย์ข้อกำหนดได้ อีกทั้งยังเป็นหนึ่งในสองตัวเลือกเดียวที่คุณสามารถปรับแต่งละเอียดได้ (fine-tune) ซึ่งสำหรับเสียงที่มีสำเนียงหรือเฉพาะ حوزهนั้น มีค่ามากกว่าคะแนนสี่ในสิบส่วนเสียอีก

อะไรจะเปลี่ยนคำตัดสินนี้ได้: การรันไดอะไรเซชันซ้ำโดยอิสระที่ทำให้ Gemini อยู่ใกล้กับ DER 18.26% ของ NVIDIA หรือการวัดซ้ำโดย AA ที่ยืนยันว่า Nemotron อยู่ระหว่าง 2.8% ถึง 3.4% จนกว่าหนึ่งในนั้นจะเกิดขึ้น ข้อโต้แย้งเรื่องความแม่นยำก็ยังเป็นของผู้ขาย และข้อโต้แย้งเรื่องคุณสมบัติคือสิ่งที่คุณตรวจสอบได้เองในหนึ่งบ่ายด้วยไฟล์บันทึกที่แย่ที่สุดของคุณเอง