Nemotron 3.5 Transcribe กับ GPT Transcribe: ห่างกันแค่ 0.1 คะแนน แต่อีกตัวมอบ checkpoint ให้คุณ

ลองขอ GPT Transcribeให้คืนค่า timestamp ระดับคำ และ API จะไม่ให้คุณเลย ไม่ใช่ให้มาแบบห่วย ๆ หรือแบบประมาณ ๆ แต่มันไม่มี timing head อยู่ในโมเดลเลย เอกสารของ OpenAI ก็บอกให้คุณไปใช้ whisper-1 สำหรับงานนี้ และเช่นเดียวกันกับ speaker label ซึ่งอยู่ในโมเดล diarization แยกต่างหาก ตอนนี้ลองขอ Nemotron 3.5 Transcribe ซึ่ง NVIDIA เปิดให้ใช้เป็น open weights เมื่อวันที่ 28 ตุลาคม 2026 และทั้งสองอย่างก็ได้กลับมาในการรันครั้งเดียว: เวลาของแต่ละคำที่ระบุผู้พูด มาจาก CTC adapter ที่จัดแนว transcript ที่ถอดเสร็จแล้วเข้ากับเสียงหลังจากการถอดรหัส สองโมเดลนี้ห่างกันไม่ถึงหนึ่งในสิบของคะแนนบนกระดานความแม่นยำสาธารณะ แต่ในเรื่องของสิ่งที่คุณทำกับ transcript ได้ พวกมันไม่ได้อยู่ในหมวดหมู่สินค้าเดียวกันเลย

นั่นคือการตัดสินใจทั้งหมด และคุ้มค่าที่จะค่อย ๆ พิจารณาอย่างละเอียด เพราะการรายงานข่าวในช่วงเปิดตัวส่วนใหญ่ได้ลดทอนการจับคู่นี้ให้เหลือเพียงการแข่งขันกันเรื่อง WER ซึ่งแท้จริงแล้วไม่มีฝ่ายใดชนะด้วยส่วนต่างที่มีนัยสำคัญ

ช่องว่างด้านความแม่นยำเป็นเพียงสัญญาณรบกวน ส่วนช่องว่างด้านฟีเจอร์ไม่ใช่

บนดัชนีแบบไม่สตรีมมิ่งของ Artificial Analysis นั้น GPT Transcribe — โมเดลถอดเสียงแบบแบตช์ของ OpenAI ที่เปิดตัวเมื่อวันที่ 28 กรกฎาคม 2026 พร้อมกับโมเดลพี่น้องที่รองรับการสตรีมแบบเรียลไทม์ — ถูกระบุไว้ที่ 3.3% อยู่ในอันดับที่สิบแปดร่วมกับคู่แข่งรายเล็ก Nemotron 3.5 Transcribe ถูกระบุไว้ที่ 3.4% อยู่ในอันดับที่ยี่สิบร่วม ส่วนต่างหนึ่งในสิบของจุด บนดัชนีที่รายการของโมเดลเดียวกันอาจแตกต่างกันได้เกือบหนึ่งจุดเต็ม ขึ้นอยู่กับว่าปลายทางใดเป็นผู้ให้บริการ ไม่ควรใช้สิ่งนี้เป็นเกณฑ์ในการเลือกระหว่างระบบเสียงพูดสองระบบ

สื่อเปิดตัวของ NVIDIA รายงานว่าได้ 2.8% AA-WER และได้อันดับหนึ่งร่วม средиโมเดลแบบ open-weight ขณะที่ค่าบนกระดานอันดับสด ณ วันที่ 29 ตุลาคมอยู่ที่ 3.4% ให้ถือว่า 2.8% เป็นตัวเลขตอนส่งผลงาน และ 3.4% เป็นค่าที่วัดได้ในปัจจุบัน ความแตกต่างนี้มากกว่าช่องว่างระหว่าง Nemotron กับ GPT Transcribe ซึ่งบอกได้ว่าควรให้น้ำหนักกับส่วนต่างบนกระดานอันดับเพียงค่าเดียวมากน้อยแค่ไหน

• {{1}}พารามิเตอร์{{/1}} — รวมทั้งหมดประมาณ 30B และมีค่าที่ใช้งานจริงประมาณ 4B ต่อโทเคนใน Mamba–Transformer MoE แบบไฮบริด เทียบกับคู่แข่งที่ไม่เปิดเผยและไม่ใช่แบบเจนเนอเรทีฟ

• สัญญาอนุญาต — OpenMDW-1.1, ใช้เชิงพาณิชย์ได้, ดาวน์โหลดเวตได้ เทียบกับแบบใช้ผ่าน API เท่านั้น

• ราคา — ไม่มีราคาตามรายการ; คิดตามเวลา GPU โดยบิลด์ NVFP4 อ้างว่าทำได้ถึง 2,238 วินาทีของเสียงต่อหนึ่งวินาทีบน RTX PRO 6000 Blackwell การ์ดเดียว เทียบกับ $0.0045 ต่อนาที หรือประมาณ $0.27 ต่อชั่วโมงเสียง

• ป้ายกำกับผู้พูด — รองรับผู้พูดสูงสุด 8 คนใน 13 ภาษา มีในตัวเทียบกับไม่มี; จำเป็นต้องมีโมเดลแยกเสียงผู้พูดแยกต่างหาก

• การจับเวลาของคำ — การจัดแนว CTC หลังการถอดรหัส โดยมีให้เลือกทั้งแบบระบุผู้พูดและแบบไม่ระบุผู้พูด; whisper-1 เป็นทางเลือกที่ระบุไว้ในเอกสาร

• ภาษา — ถอดเสียง 40 ภาษา, แปลเป็นหรือจากภาษาอังกฤษ 31 ภาษา เทียบกับการรองรับหลายภาษาพร้อมการตรวจจับอัตโนมัติและคำใบ้ภาษา โดยไม่มีการเปิดเผยจำนวน

• ความยาวเสียง — 1 ชั่วโมงในครั้งเดียว เทียบกับแบบอิงไฟล์ที่ให้ API จัดการการแบ่งส่วน

• การประมวลผลภายหลัง — รูปแบบคำต่อคำหรือรูปแบบลายลักษณ์ที่ควบคุมด้วยพรอมต์ เทียบกับบริบทแบบอิสระและคำใบ้คีย์เวิร์ด โดยไม่มีขั้นตอนทำความสะอาด

สิ่งที่ GPT Transcribe ทำได้ดีกว่าเช็กพอยต์แบบเปิด

สามเรื่อง และไม่ใช่เรื่องเล็กน้อยเลย เรื่องแรกคือมันเป็น API ไม่มีเช็กพอยต์ขนาด 30B พารามิเตอร์ที่ต้องคำนวณขนาด ไม่มีบิลด์ NVFP4 ที่ต้องรอ และไม่มีสูตรของ vLLM ที่ต้องปักหมุด OpenAI รายงานว่าประมวลผลเร็วกว่าเวลาจริงประมาณ 34 เท่า ซึ่งช้ากว่าอัตราทรูพุตที่ NVIDIA อ้างบนการ์ด Blackwell และไม่เกี่ยวข้องกับทีมส่วนใหญ่ เพราะ 34 เท่าของเวลาจริงก็เร็วกว่าคิวงานใด ๆ ที่พวกเขาใช้อยู่แล้ว

ประการที่สองคือการจัดการบริบท GPT Transcribe รองรับบริบทแบบอิสระ คำใบ้คำสำคัญและคำศัพท์ และคำใบ้หลายภาษา พร้อมทั้งส่งคืนอาร์เรย์ภาษาที่ตรวจพบควบกับข้อความถอดเสียง การผสมผสานนี้มีประโยชน์จริงบนเสียงที่มีการสลับภาษาและบนศัพท์เฉพาะทาง และมันเป็นอินเทอร์เฟซแบบพรอมต์มากกว่าการไฟน์ทูน ซึ่งหมายความว่าทีมผลิตภัณฑ์สามารถปรับแต่งมันได้โดยไม่ต้องมี GPU เป็นของตัวเอง สิ่งที่เทียบเท่าของ NVIDIA คือรายการเอนทิตีที่คาดหวังซึ่งใส่ไว้ในพรอมต์ ได้รับการระบุว่าช่วยลดข้อผิดพลาดเกี่ยวกับเอนทิตีที่มีชื่อได้ถึงหกเท่าบน ContextASR-Bench แต่ตัวเลขนั้นเป็นข้อมูลที่ผู้ขายรายงานและยังไม่มีการทำซ้ำผล

อย่างที่สามคือพื้นผิวการผสานรวม: endpoint เดียวกันรองรับการถอดเสียงจากไฟล์ ทรานสคริปต์ไฟล์แบบสตรีม เทิร์นเรียลไทม์ที่คอมมิตแล้วผ่าน WebSocket, Responses API และ Batch ทีมที่อยู่บนแพลตฟอร์มของ OpenAI อยู่แล้วจะได้การถอดเสียงในรูปแบบพารามิเตอร์ ไม่ใช่การดีพลอย

คำกล่าวอ้างด้านคุณภาพที่ OpenAI เผยแพร่เองนั้นกว้างและตรวจสอบได้ยาก: อัตราความผิดพลาดระดับคำ 19.27% บนชุด Common Voice 22 ภาษา เทียบกับ 40.37% ของ Whisper และ 8.98% บนเกณฑ์มาตรฐานโลกจริงเก้าภาษา เทียบกับ 15.21% เหล่านี้เป็นตัวเลขของผู้จำหน่ายเมื่อเทียบกับพื้นฐานปี 2024 ไม่ใช่เมื่อเทียบกับคู่แข่งในปี 2026 ภาพจากแหล่งอิสระเป็นมิตรกับ GPT Transcribe มากกว่าที่บอร์ด AA บ่งชี้: บนชุดภาษาอังกฤษที่ Perit ตรวจทานโดยมนุษย์ ให้ผล 1.76% WER อยู่ในอันดับที่ 6 จาก 22 โดย 61.3% ของคลิปถอดความได้สมบูรณ์แบบ นั่นเป็นชุดทดสอบที่แตกต่างจากของ Artificial Analysis และตัวเลขไม่สามารถเปรียบเทียบข้ามสองบอร์ดได้ — แต่ทิศทางสอดคล้องกัน และทำให้โมเดลของ OpenAI อยู่เหนือ endpoint Parakeet แบบโฮสต์บนชุดเดียวกัน

จุดที่ฟีเจอร์ที่ขาดหายไปสร้างปัญหาจริง ๆ

หากเอาต์พุตของคุณเป็นข้อความล้วนสำหรับดัชนีค้นหา ช่องว่างของ GPT Transcribe ก็ไม่ทำให้คุณเสียหายอะไร ทันทีที่คุณต้องการมากกว่านั้น งานก็ทวีคูณ การจับเวลาคำหมายถึงการประมวลผลรอบสองผ่าน whisper-1 หรือ forced aligner ซึ่งนำปัญหาความล้มเหลวแบบเดิมที่การจัดแนวมีไว้เพื่อแก้กลับมา: ทรานสคริปต์ที่ขอบเขตคลาดเคลื่อนซึ่งอ่านได้ราบรื่นแต่ทำให้ซับไทเทิลพัง ป้ายกำกับผู้พูดหมายถึงโมเดลที่สามซึ่งเชื่อมต่อกันที่ขอบเขตของเซกเมนต์ พร้อมอัตราความผิดพลาดของตัวเองที่ต้องดีบัก และการประมวลผลรอบสองทั้งสองแบบนั้นไม่รู้จักกัน ดังนั้นการสนทนาของผู้พูดสองคนจึงกลายเป็นสามโมเดลบวกอีกขั้นตอนการรวม

การทำงานแบบแคสเคดไม่ใช่การตำหนิวิศวกรรมของ OpenAI แต่เป็นลักษณะของผลิตภัณฑ์นี้เอง: ตัวถอดเสียงความแม่นยำสูงที่มีเอาต์พุตจำกัดอย่างตั้งใจ ทั้ง Microsoft และ Google ต่างเปิดตัวการแยกแบบเดียวกัน — การแยกผู้พูดเป็น SKU แยกหรือโหมดแยกที่มีข้อจำกัดของตัวเอง การเดิมพันของ NVIDIA ตรงกันข้าม และวิธีพูดอย่างตรงไปตรงมาคือ Nemotron 3.5 Transcribe ใช้คอมพิวต์มากขึ้นเพื่อหลีกเลี่ยงไปป์ไลน์

สิ่งที่การประมวลผลนั้นให้มาได้รับการบันทึกไว้ แต่เป็นข้อมูลที่ผู้ขายรายงานเอง: อัตราความผิดพลาดในการแยกผู้พูด 18.26% across 21 ภาษา บน David AI benchmark ดีที่สุดในบรรดา 14 ระบบ; ค่า WER แบบ concatenated min-permutation 32.4% บน VoiceArena ก็ดีที่สุดในบรรดา 14 เช่นกัน; มีคำอ้างอิงถูกตัดทิ้ง 8.32% ในเสียงพูดภาษาอังกฤษที่มีการทับซ้อน เทียบกับค่ามัธยฐานที่ใกล้ 31% ไม่มีตัวเลขการแยกผู้พูดของ OpenAI ให้เทียบกับสิ่งเหล่านี้ เพราะ OpenAI ไม่ได้เผยแพร่ตัวเลขดังกล่าวสำหรับโมเดลนี้

สองวิธีหยุดจ่ายตามนาที

GPT Transcribe คิดค่าบริการ $0.0045 ต่อนาที ซึ่งเท่ากับ $4.50 ต่อหนึ่งพันนาที และประมาณ $270 ต่อหนึ่งพันชั่วโมงเสียง Nemotron 3.5 Transcribe ไม่คิดค่าบริการต่อนาที แต่ต้องใช้ GPU แทน การตั้งค่าสาธิตของ NVIDIA คือ RTX PRO 6000 Blackwell หนึ่งตัวที่รัน checkpoint NVFP4 พร้อมโมเดลร่าง DFlash2 และตัวเลข-throughput ที่เป็นจุดขาย — เสียง 100 ชั่วโมงในเวลาไม่ถึงสามนาที — ถูกวัดจากคลิป 30 วินาทีที่ทำงานพร้อมกันในจำนวนสูง ไม่ใช่จากการประชุมยาวหนึ่งชั่วโมง ควรอ่านเป็นเพดานสำหรับงานที่จัดแบตช์ได้ดี

สิ่งนี้ทำให้จุดตัดสินใจขึ้นอยู่กับอัตราการใช้งานมากกว่าราคาตั้ง การ์ดจอที่คุณมีอยู่แล้วและใช้งานให้คุ้มจะชนะค่าใช้จ่าย 270 ดอลลาร์ต่อพันชั่วโมงได้อย่างสบาย แต่การ์ดจอที่คุณต้องซื้อมาเพื่อรองรับคิวงานเดือนละสี่สิบชั่วโมงนั้นไม่เป็นเช่นนั้น และประสิทธิภาพด้านพารามิเตอร์จะดีแค่ไหนก็ไม่เปลี่ยนการคำนวณนั้น

มีทางเลือกที่สามที่กรอบคิดแบบสองทางเลือกปิดบังไว้ และมันคือทางเลือกที่ทีมส่วนใหญ่เลือกจริง ๆ: ใช้ managed API กับงานส่วนใหญ่ และส่งไฟล์ที่ยาก ๆ — การประชุมหกคน บทสัมภาษณ์ทางคลินิกที่มีสำเนียง หรือเสียงที่คุณไม่ได้รับอนุญาตให้อัปโหลด — ไปยังเช็กพอยต์ที่โฮสต์เอง วิธีนี้จะได้ผลก็ต่อเมื่อผลลัพธ์ทั้งสองออกมาในรูปร่างเดียวกัน ซึ่งเป็นเหตุผลที่สนับสนุนการกำหนดมาตรฐานสคีมาของทรานสคริปต์ให้มีฟิลด์ผู้พูดและฟิลด์เวลา แม้ว่าผู้ให้บริการรายปัจจุบันของคุณจะไม่กรอกข้อมูลเหล่านี้ก็ตาม กำหนดมาตรฐานสคีมาก่อน แล้วโมเดลจะสลับเปลี่ยนได้ในภายหลัง

ในชั้นที่อยู่เหนือทรานสคริปต์ หน้าที่ของ OrcaRouter คือทำให้ความสามารถในการสลับนั้นไม่หยุดอยู่แค่ขอบเขตของโมเดล ตัวสรุป ตัวจำแนกประเภท และตัวตรวจสอบการปฏิบัติตามข้อกำหนดที่อ่านทรานสคริปต์เหล่านี้ ล้วนอยู่เบื้องหลังคีย์เดียวที่ครอบคลุมโมเดลกว่า 200 โมเดล โดยราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยมีมาร์กอัป 0% การ failover อัตโนมัติเมื่อต้นทางขัดข้อง และมี DSL สำหรับการกำหนดเส้นทางที่ส่งแต่ละเวิร์กโหลดไปยังโมเดลที่แตกต่างกันโดยไม่ต้องเชื่อมต่อเพิ่มเติม GPT Transcribe และ Nemotron 3.5 Transcribe ต่างอยู่นอกแคตตาล็อกนั้น — เราไม่ได้ให้บริการทั้งสองตัว — ดังนั้นการเรียกใช้บริการเสียงจึงยังคงอยู่ที่ผู้ให้บริการที่คุณซื้อ และมีเพียงครึ่งปลายน้ำเท่านั้นที่กลายเป็นส่วนที่พอร์ตได้

ฉบับย่อ แยกตามสถานการณ์

ถ้าคุณต้องการเพียงข้อความถอดเสียงและไม่มีอย่างอื่น และต้องการได้ภายในสัปดาห์หน้าโดยไม่ต้องจัดเตรียมอะไรเลย GPT Transcribe คือตัวเลือกที่มีความเสี่ยงต่ำกว่า: อยู่อันดับที่หกในชุด Perit ที่เป็นอิสระ มีช่องทางเชื่อมต่อที่คุณน่าจะมีอยู่แล้ว และมีราคาที่ไม่ต้องลงทุนซื้อสินทรัพย์ถาวร ถ้าข้อความถอดเสียงของคุณถูกนำไปใช้ป้อนคำบรรยาย การวิเคราะห์การประชุม การค้นหาที่ระบุผู้พูด หรือคลังเก็บข้อมูลด้านการปฏิบัติตามข้อกำหนด โมเดลเสริมที่คุณจะต้องมาติดตั้งเพิ่มกับ GPT Transcribe จะใช้เวลาด้านวิศวกรรมมากกว่าที่ checkpoint จะใช้ชั่วโมง GPU เสียอีก และ Nemotron 3.5 Transcribe ทำงานนั้นได้ในครั้งเดียว

ข้อควรระวังที่ควรใช้กับทั้งสองกรณี: นี่คือโมเดลที่เพิ่งมีอายุได้หนึ่งวัน benchmark หลักที่ใช้พาดหัวเป็นของผู้ขายเอง และบอร์ดอิสระยังไม่ได้ให้คะแนน checkpoint ขนาด 30,000 ล้านพารามิเตอร์เลยแม้แต่ครั้งเดียว อย่าสับสนกับ nvidia/nemotron-3.5-asr-streaming-0.6b ซึ่งเป็นโมเดลสตรีมมิงขนาด 600M จากเดือนมิถุนายนที่ปรากฏบนบอร์ดอิสระและทำได้แย่กว่าอย่างเห็นได้ชัด (WER 3.35% อันดับ 21 จาก 22 บน Perit) ทั้งสองมีเพียงชื่อตระกูลร่วมกันและไม่มีอย่างอื่นที่เหมือนกัน