Nemotron 3.5 Transcribe เทียบกับ Granite Speech 5.0 470M TurboCTC: พารามิเตอร์มากกว่า 64 เท่า และช้ากว่า 43 เท่า

สิ่งที่ полезнее всего ใน Southeast? Wait no. วัตถุที่มีประโยชน์ที่สุดในการเปรียบเทียบนี้คือไฟล์ขนาด 279 เมกะไบต์ นั่นคือควอนไทซ์ Q4_K_M ของ Granite Speech 5.0 470M TurboCTC ซึ่งเป็นตัวรู้จำเสียงพูดแบบ encoder-only ของ IBM และจะถอดเสียงภาษาอังกฤษบน CPU ของแล็ปท็อปได้โดยไม่ต้องมี GPU ไม่ต้องมีสภาพแวดล้อม Python ที่เรียกได้ว่าใช้งานได้จริง และไม่ต้องมีสัญญาบริการ Nemotron 3.5 Transcribe ซึ่ง NVIDIA เผยแพร่เป็นน้ำหนักแบบเปิดเมื่อวันที่ 28 ตุลาคม 2026 เป็นโมเดลภาษาที่เสริมความสามารถด้านเสียงพูดขนาด 30 พันล้านพารามิเตอร์ ที่ต้องใช้ตัวเร่งความเร็วระดับศูนย์ข้อมูลและน้ำหนัก BF16 ประมาณหกสิบกิกะไบต์ โมเดลของ NVIDIA ใหญ่กว่าหกสิบสี่เท่า และเมื่อดูจากตัวเลข throughput ที่ผู้ขายแต่ละรายเผยแพร่ จะช้ากว่าประมาณสี่สิบสามเท่าต่อ GPU-วินาที นอกจากนี้ยังเป็นเพียงรุ่นเดียวในสองรุ่นนี้ที่บอกได้ว่าใครเป็นผู้พูด

ข้อเท็จจริงทั้งสองข้อนั้นไม่ใช่ข้อชี้ขาด ทั้งสองอธิบายถึงเครื่องสองเครื่องที่บังเอิญถูกวัดบนลีดเดอร์บอร์ดเดียวกัน และคำถามทั้งหมดอยู่ที่ว่าเวิร์กโหลดของคุณต้องการพื้นที่จริง ๆ หรือต้องการแค่ถ้อยคำ

โมเดล CTC แบบไม่ออโตรีเกรสซีฟ เทียบกับ LLM สำหรับเสียงพูดแบบเจเนอเรทีฟ

Granite Speech 5.0 470M TurboCTC ประกอบด้วยบล็อก Conformer สิบหกบล็อก พร้อมชั้นเอาต์พุต BPE ขนาด 16,384 รายการ ฝึกด้วยวัตถุประสงค์ CTC และถอดรหัสแบบ greedy ไม่มีแบบจำลองภาษา ไม่มีโปรเจกเตอร์ และไม่มีลูปการสร้าง เสียงเข้าไป ลำดับป้ายกำกับแบบซิงโครไนซ์กับเฟรมออกมา โดยถูกดาวน์แซมเปิลจาก 100 Hz เหลือ 12.5 Hz การออกแบบนี้คือเหตุผลที่มันเร็ว เหตุผลที่มันเล็ก และเหตุผลที่มันไม่สามารถทำสิ่งใดที่ชุดป้ายกำกับไม่ครอบคลุมได้ มันไม่มีความเข้าใจเรื่องพรอมต์ ไม่มีสไตล์เอาต์พุต ไม่มีเป้าหมายการแปล และไม่มีฟิลด์ผู้พูด

Nemotron 3.5 Transcribe เป็นสถาปัตยกรรมที่ตรงกันข้าม และความแตกต่างนี้ไม่ใช่ช่องว่างระหว่างรุ่น ตัวเข้ารหัสเสียงพูดจะป้อนข้อมูลเข้าสู่โมเดล Nemotron 3 Diarization ที่ถูกแช่แข็ง ซึ่งสัญญาณกิจกรรมของผู้พูดจะถูกฉีดเข้าสู่ตัวเข้ารหัสผ่าน Parallel Expert Encoder และตัวถอดรหัสแบบผสมผู้เชี่ยวชาญ (mixture-of-experts) แบบไฮบริด Mamba–Transformer จะสร้างข้อความถอดเสียงออกมาเป็นข้อความ โดยมีพารามิเตอร์ประมาณ 4 พันล้านจากทั้งหมด 30 พันล้านตัวที่ทำงานต่อหนึ่งโทเคน เนื่องจากเอาต์พุตถูกสร้างขึ้นแทนการจำแนกประเภท จึงสามารถสั่งการได้: รูปแบบคำต่อคำหรือรูปแบบเขียน รายการเอนทิตีที่คาดหวัง เป้าหมายการแปล เอาต์พุตที่ระบุผู้พูด หรือคำตอบแบบพูดสำหรับคำถามเกี่ยวกับเสียง

• พารามิเตอร์ — รวมประมาณ 30B, active ประมาณ 4B ต่อโทเคน เทียบกับ 470M แบบ encoder-only

• การถอดรหัส — การสร้างแบบออโตรีเกรสซีฟบนโมเดล MoE ขนาด 30B เทียบกับ CTC แบบ greedy ที่ไม่ออโตรีเกรสซีฟ

• สัญญาอนุญาต — OpenMDW-1.1 เทียบกับ Apache-2.0 (แบบที่ผ่อนปรนกว่าของทั้งสอง; ไลเซนส์ -nc ที่แยกต่างหากของ IBM คือ CC-BY-NC-SA-4.0)

• พื้นที่จัดเก็บ — ประมาณ 60GB ในบิลด์ BF16, NVFP4 และ GGUF ที่มีให้เลือก เทียบกับ 279MB ที่ Q4_K_M ในพอร์ต GGUF ของชุมชน

• ภาษา — ถอดเสียง 40 ภาษา แปล 31 ภาษา เทียบกับ 7 ภาษา (อังกฤษ ฝรั่งเศส เยอรมัน สเปน โปรตุเกส อิตาลี ญี่ปุ่น) หลังการอัปเดตหลายภาษาเมื่อวันที่ 21 ตุลาคม 2026

• ผู้พูด — สูงสุด 8 คน ระบุตัวผู้พูดได้ ใน 13 ภาษา เทียบกับไม่มีเลย; การแยกเสียงผู้พูด (diarization) ต้องใช้โมเดลแยกต่างหาก

• การประทับเวลา — ระดับคำผ่านอะแดปเตอร์ CTC หลังการถอดรหัส เทียบกับไม่ใช้เลย; ตำแหน่งพีคของ CTC ไม่ใช่ขอบเขตคำ

• สตรีมมิ่ง — ไม่มี, เฉพาะเสียงที่บันทึกไว้ vs ไม่มี

ช่องว่างด้านความแม่นยำเล็กกว่าช่องว่างด้านขนาด และค่าเฉลี่ยไม่ตรงกัน

IBM รายงานอัตราคำผิดพลาดเฉลี่ย (word error rate) 5.51% จากชุดทดสอบภาษาอังกฤษสาธารณะเก้าชุด สำหรับการเปิดตัว TurboCTC แบบหลายภาษา ซึ่งดีขึ้นจาก 5.78% ในการเปิดตัวเดือนสิงหาคม NVIDIA รายงาน WER ภาษาอังกฤษเฉลี่ย 5.33% บน Hugging Face Open ASR Leaderboard และ 4.71% จากชุดทดสอบสาธารณะเก้าชุดบนหน้าการวิจัยของตนเอง ตัวเลขทั้งสองเป็นตัวเลขที่ผู้ผลิตรายงานเอง และค่าเฉลี่ยทั้งสองไม่ได้มาจากส่วนผสมเดียวกัน: ชุดเก้าชุดของ IBM กับรายการบนกระดานผู้นำแบบแปดชุดของ NVIDIA แตกต่างกันทั้งองค์ประกอบและการปรับมาตรฐาน และตัวเลขเก้าชุดแยกต่างหากบนหน้าการวิจัยก็แตกต่างจากรายการบนกระดานผู้นำของตนเองอีกครั้ง อย่านำตัวเลขเหล่านี้มาลบกันแล้วเรียกความแตกต่างว่าเป็นช่องว่างด้านคุณภาพ ข้อความที่ป้องกันได้นั้นแคบกว่า — บนกระดานผู้นำภาษาอังกฤษสาธารณะแบบคำพูดสั้น ทั้งสองอยู่ห่างกันเพียงประมาณสองในสิบของจุด ซึ่งเป็นผลลัพธ์ที่น่าทึ่งสำหรับโมเดลที่เล็กกว่า 64 เท่า และเป็นคำเตือนว่าค่าเฉลี่ยบนกระดานผู้นำมีสัดส่วนเพียงใดที่เป็นคำพูดอ่านออกเสียงที่สะอาดในลักษณะแบบ LibriSpeech

อัตราคำผิดพลาดระดับคำยังบดบังสิ่งที่แยกทั้งสองออกจากกันจริง ๆ Granite เป็นตัวจำแนกประเภท: มันส่งลำดับป้ายกำกับที่เป็นไปได้มากที่สุดออกมา และในจุดที่ข้อมูลเสียงกำกวม มันก็ส่งสิ่งที่เป็นไปได้ออกมา Nemotron สร้างข้อความโดยมีโมเดลภาษาอยู่เบื้องหลัง ซึ่งเป็นเหตุผลว่าทำไมข้อกล่าวอ้างเรื่องการพรอมต์ตามบริบทของมัน — การลดลงหกเท่าของข้อผิดพลาดเกี่ยวกับเอนทิตีที่มีชื่อบน ContextASR-Bench เมื่อมีรายการเอนทิตีอยู่ในพรอมต์ — จึงเป็นไปได้ ในทรานสคริปต์ของสายการขายที่เต็มไปด้วยรหัสผลิตภัณฑ์ โมเดลเล็กไม่มีกลไกสำหรับไบแอสดังกล่าว แต่โมเดลใหญ่มี

ปริมาณงาน: 19,870 RTFx เทียบกับ 462

รายการบนกระดานผู้นำ Hugging Face ของ Nemotron 3.5 Transcribe มีค่า RTFx อยู่ที่ 462.09 — หมายความว่าโมเดลประมวลผลเสียงได้ประมาณ 462 วินาทีต่อหนึ่งวินาทีของการคำนวณบนแฮร์เนสของกระดานผู้นำนั้น การอัปเดตเดือนตุลาคมของ IBM รายงานค่า RTFx ที่ 19,870 สำหรับ TurboCTC บน H200 เครื่องเดียว เพิ่มขึ้นจากประมาณ 12,600 ตอนเปิดตัว หลังจากปรับแต่งด้วยการนำกราฟกลับมาใช้ซ้ำแบบบล็อกเดียว นั่นคือความแตกต่างถึงสี่สิบสามเท่า และต่างจากตัวเลข WER ตรงที่อย่างน้อยก็วัดบนตัวเร่งความเร็วที่แข่งขันกันได้สองตัว แทนที่จะเป็นส่วนผสมการทดสอบที่ต่างกันสองชุด

พาดหัวข่าวของ NVIDIA เองเป็นตัวเลขอีกแบบหนึ่ง: สูงถึง 2,238 วินาทีของเสียงต่อวินาทีบน RTX PRO 6000 Blackwell หนึ่งเครื่อง โดยใช้เช็กพอยต์ NVFP4 และโมเดลร่าง DFlash2 ซึ่งสูงกว่าตัวเลข 462 บนลีดเดอร์บอร์ด เพราะเป็นการวัดที่แตกต่างกัน — คลิป 30 วินาทีที่ระดับการทำงานพร้อมกันสูง ดังที่โพสต์ Hugging Face ของ NVIDIA เองระบุไว้ โดยเปิดใช้การถอดรหัสแบบคาดการณ์ล่วงหน้า และใช้การควอนไทซ์ที่ยังถูกอธิบายว่าเป็นสิ่งที่จะมีในอนาคต เมื่ออ่านทั้งสองอย่างประกอบกัน ข้อสรุปที่ตรงไปตรงมาคือ Throughput ของ Nemotron ขึ้นอยู่กับการกำหนดค่า โดยอาจต่างกันถึงหนึ่งลำดับขนาด ขณะที่ของ TurboCTC เป็นคุณสมบัติของสถาปัตยกรรมของมัน โมเดลที่ไม่มีลูป autoregressive ไม่สามารถช้าในแบบที่ MoE 30B ทำได้

สิ่งที่พารามิเตอร์ 470 ล้านตัวมอบให้คุณได้ แต่พารามิเตอร์ 30,000 ล้านตัวทำไม่ได้

คำตอบแรกคือรูปแบบการติดตั้งใช้งาน GGUF ขนาด 279MB ทำงานบน CPU บนอุปกรณ์ Edge ระดับใกล้เคียงสมาร์ทโฟน ภายในแอปพลิเคชันเดสก์ท็อป หรือบนบอร์ดระดับ Raspberry Pi หากคุณมีความอดทน ปัจจุบันมีพอร์ต GGUF จากชุมชนและตระกูลรันไทม์ C++ ที่ปฏิบัติต่อโมเดลเป็นเอนจินระดับเฟิร์สคลาส Nemotron 3.5 Transcribe ทำงานภายใต้ vLLM ร่วมกับปลั๊กอิน NeMo Speech หรือ SGLang-Omni บนตัวเร่งความเร็ว 80GB ใน BF16 หรือการ์ด Blackwell ใน NVFP4 สิ่งเหล่านี้ไม่ใช่สองจุดบนสเปกตรัมเดียวกัน แต่เป็นหมวดหมู่การจัดซื้อจัดหาที่แตกต่างกัน

ข้อที่สองคือขั้นต่ำของความหน่วง โมเดล CTC คืนข้อความถอดเสียงได้ในการประมวลผลไปข้างหน้าหนึ่งครั้ง ส่วนโมเดลแบบสร้างคืนผลทีละโทเคน และความหน่วงตามเวลาจริงของมันกับไฟล์สั้น ๆ ถูกกำหนดโดยลูปถอดรหัสมากกว่าตัวเสียง สำหรับการจัดเก็บเป็นแบตช์นั้นไม่เกี่ยวกัน แต่สำหรับทุกอย่างที่เป็นแบบโต้ตอบ — กล่องพิมพ์ตามคำพูด ตัวตรวจสอบคุณภาพการโทร หรือเครื่องมือคำบรรยายที่ต้องตามการเลื่อนไทม์ไลน์ให้ทัน — โมเดลเล็กเป็นเพียงตัวเดียวในสองตัวที่ทำงานเสร็จก่อนผู้ใช้จะรู้ตัว

ข้อที่สามคือความชัดเจนด้านสัญญาอนุญาต Apache-2.0 เป็นสัญญาอนุญาตที่แผนกกฎหมายอนุมัติแล้ว ส่วน OpenMDW-1.1 นั้นใหม่พอที่บางแผนกจะต้องการให้ตรวจสอบ หากอุปสรรคของคุณคือแบบฟอร์มจัดซื้อจัดจ้างไม่ใช่ benchmark โมเดลของ IBM ก็ผ่านขั้นตอนนั้นได้เร็วกว่า

พารามิเตอร์ 30 พันล้านตัวให้อะไรคุณที่ 470 ล้านตัวทำไม่ได้

ผู้พูดก่อน และเป็นประเด็นชี้ขาด TurboCTC ไม่มีการแทนข้อมูลผู้พูดเลยแม้แต่น้อย หากต้องการทรานสคริปต์ที่ระบุผู้พูด คุณต้องมีโมเดลไดอะไรเซชันวางไว้ข้างหน้า ขั้นตอนการรวมผล และงบข้อผิดพลาดสำหรับการรวม ซึ่งเป็นแบบคาสเคดมาตรฐาน Nemotron 3.5 Transcribe ฝังโมเดลไดอะไรเซชันแบบ frozen เข้าไปในเอนโคเดอร์ และส่งป้ายกำกับผู้พูดออกมาโดยตรง สูงสุดแปดคน ใน 13 ภาษา พร้อมการกำหนดเวลาคำศัพท์ตามผู้พูดจากอะแดปเตอร์ CTC หลังการถอดรหัส อัตราความผิดพลาดของไดอะไรเซชันที่ NVIDIA รายงานคือ 18.26% across 21 languages บน David AI benchmark ดีที่สุดใน 14 ระบบ โดยคู่แข่งที่ใกล้ที่สุดคือโมเดล Nemotron 3 Diarization ของ NVIDIA เองที่ 18.38% นั่นเป็นตัวเลขจากผู้ขายบนชุดทดสอบของผู้ขาย และยังไม่มีการทำซ้ำโดยอิสระ การเปรียบเทียบแบบคาสเคดที่พวกเขาสื่อเป็นนัย — หนึ่งโมเดลเทียบกับสามโมเดล — ไม่ใช่ข้อกล่าวอ้างจาก benchmark เลย แต่เป็นคำอธิบายของการติดตั้งใช้งาน

ภาษาและการแปลเป็นอันดับสอง TurboCTC รองรับเจ็ดภาษาหลังการอัปเดตในเดือนตุลาคม ส่วน Nemotron รองรับสี่สิบภาษาสำหรับการถอดเสียง และสามสิบเอ็ดภาษาสำหรับการแปลเป็นหรือจากภาษาอังกฤษ หากคิวของคุณเป็นแบบยุโรปและใช้ภาษาเดียว เจ็ดภาษาก็เพียงพอ หากไม่ใช่ การเปรียบเทียบก็จบเพียงเท่านี้

อันดับที่สามคือการปรับแต่งละเอียด (fine-tuning) NVIDIA รายงานว่าการปรับให้เข้ากับงานบน GPU เดียวใช้เวลา 0.5 ถึง 2.3 GPU-hour ต่อหนึ่งงาน และตัวอย่างเสียงทางการแพทย์ที่การ fine-tune ลดอัตราความผิดพลาดระดับคำจาก 30.8% เหลือ 11.8% บน 3,619 คลิป โดยผู้พูดที่แยกไว้สำหรับทดสอบมีอัตราความผิดพลาดดีขึ้นจาก 22.44% เป็น 12.17% TurboCTC ของ IBM ก็สามารถ fine-tune ได้เช่นกัน — มันเป็น Apache-2.0 — แต่คุณจะเป็นการ fine-tune หัว CTC บนโมเดลที่เล็กกว่ามาก และขีดจำกัดสูงสุดของประโยชน์ที่บริบทเพิ่มเติมจะมอบให้ได้นั้นต่ำกว่า เพราะไม่มีโมเดลภาษาไว้ช่วยโน้มน้าว

โมเดลต้นทุนที่ใช้ตัดสินใจเรื่องนี้

เศรษฐศาสตร์ของ TurboCTC แทบจะน่าเบื่อไปเลย H200 หนึ่งตัวที่ให้บริการ 19,870 RTFx สามารถรองรับคิวขนาดใหญ่มากจนอิ่มตัว ส่วนบิลด์แบบควอนไทซ์ขนาด 279MB บน CPU ทั่วไปมีต้นทุนแทบเป็นศูนย์ต่อชั่วโมงเสียง และค่าไฟฟ้าคือรายการต้นทุนหลัก ไม่มีมาตรวัดคิดรายนาทีอยู่ที่ใดในสแต็กทั้งหมด

เศรษฐศาสตร์ของ Nemotron มีรูปแบบเดียวกันแต่ต่างสเกล: ไม่มีการคิดค่าบริการรายนาที แต่ใช้ accelerator ที่ใหญ่กว่ามากและมีเพดานปริมาณงานที่เล็กกว่ามาก การ์ด Blackwell หนึ่งใบที่ประมวลผลเสียงได้ 2,238 วินาทีต่อวินาทีรองรับเสียง 100 ชั่วโมงได้ในเวลาไม่ถึงสามนาทีเมื่อทำงานพร้อมกันสูง และใช้เวลาน้อยลงอย่างมากสำหรับการประชุมยาวหนึ่งชั่วโมงที่มีช่วงเวลาทับซ้อนกัน

• คิวงาน 20 ชั่วโมงต่อเดือน — TurboCTC บน CPU แทบไม่มีค่าใช้จ่าย; Nemotron ต้องใช้ตัวเร่งความเร็วแบบเช่าหรือเป็นเจ้าของ ซึ่งจะปล่อยว่างเกือบทั้งเดือน

• การจัดเก็บคลังข้อมูล 2,000 ชั่วโมงต่อเดือนโดยไม่มีข้อกำหนดด้านผู้พูด — TurboCTC บน GPU หนึ่งตัว หรือชุด CPU ขนาดเล็ก เป็นการกำหนดค่าที่ถูกกว่าและเร็วกว่าอย่างมาก

• คลังเก็บถาวรการประชุมหกคนขนาด 2,000 ชั่วโมงต่อเดือน — TurboCTC บวกตัวแยกผู้พูดบวกชั้นรวมผล วัดเทียบกับ Nemotron บนการ์ดเดียว นี่เป็นเพียงการตั้งค่าเดียวที่ราคาของโมเดลขนาดใหญ่สมเหตุสมผล และแม้ในกรณีนี้ ระบบแบบคาสเกดก็ยังถูกกว่าในด้านฮาร์ดแวร์

• กรณีใดก็ตามที่อยู่ภายใต้ข้อจำกัดด้านการรักษาความลับซึ่งห้ามอัปโหลดเสียง — ทั้งสองตัวเลือกสามารถโฮสต์เองได้ ดังนั้นไม่ว่าจะเลือกทางใดก็เป็นไปตามข้อจำกัด และการตัดสินใจจะกลับไปขึ้นอยู่กับผู้พูดและภาษา

ครึ่งหนึ่งที่เป็นการประมวลผลหลังของไปป์ไลน์คือจุดที่เลเยอร์การกำหนดเส้นทางคุ้มค่ากับการลงทุน ไม่ว่าคุณจะเลือกตัวรู้จำเสียงตัวใดก็ตามOrcaRouter นำโมเดลข้อความและมัลติโหมดกว่า 200 โมเดลมารวมไว้หลังคีย์เดียว โดยส่งผ่านราคาตามรายการของผู้ให้บริการในอัตรากำไร 0% การสลับไปใช้ระบบสำรองอัตโนมัติ และ DSL สำหรับการกำหนดเส้นทางที่สามารถส่งบทถอดเสียงประเภทหนึ่งไปยังตัวสรุปราคาถูก และอีกประเภทหนึ่งไปยังโมเดลที่แข็งแกร่งกว่า โดยไม่ต้องมีการเชื่อมต่อเพิ่มเติม ทั้ง Nemotron 3.5 Transcribe และ Granite Speech 5.0 470M TurboCTC ไม่ได้ให้บริการในแคตตาล็อกนั้น — เราไม่ได้โฮสต์บริการถอดเสียงเป็นข้อความ — ดังนั้นการเลือกเครื่องมือด้านเสียงจึงยังคงเป็นสัญญาแยกต่างหาก และมีเพียงเลเยอร์เหนือขึ้นไปเท่านั้นที่พอร์ตได้

เลือกจากลักษณะของงาน ไม่ใช่จากกระดานผู้นำ

หากงานคือ "เปลี่ยนออดิโอภาษาอังกฤษที่สะอาดและส่วนใหญ่เป็นภาษาอังกฤษจำนวนมากให้เป็นข้อความอย่างประหยัดและรวดเร็วที่สุดเท่าที่เป็นไปได้" Granite Speech 5.0 470M TurboCTC ชนะ และการเปรียบเทียบก็ไม่ใกล้เคียงเลย — มันเป็นโมเดลขนาด 279MB ที่ได้รับสัญญาอนุญาต Apache ซึ่งเร็วกว่าระบบ 30B มากกว่าสี่สิบเท่า และแทบไม่เสียอะไรเลยเมื่อเทียบกับค่าเฉลี่ยภาษาอังกฤษสาธารณะ ลำดับขั้นแบบ cascade ที่คุณสร้างขึ้นสำหรับผู้พูดคือต้นทุนของประสิทธิภาพนั้น และหากคุณไม่เคยจำเป็นต้องใช้ผู้พูด คุณก็ไม่ต้องจ่ายต้นทุนนั้น

ถ้างานคือ “การผลิตบทถอดความที่มีโครงสร้าง ระบุผู้พูด และระบุเวลา จำนวนหนึ่งชุด จากไฟล์บันทึกเสียงที่ยากลำบากในหนึ่งในสี่สิบภาษา” Nemotron 3.5 Transcribe ก็เป็นเพียงหนึ่งเดียวในสองตัวเลือกที่พยายามทำสิ่งนี้ และตัวเลขการแยกผู้พูด (diarization) ของผู้ขาย — ซึ่งยังไม่ได้รับการทำซ้ำโดยอิสระ — บ่งชี้ว่ามันทำได้ดีกว่าระบบแบบคาสเคดที่มันเข้าแทนที่ ต้นทุนด้านปริมาณงานนั้นมีจริง ต้นทุนด้านฮาร์ดแวร์ก็มีจริง และสำหรับภาระงานที่เน้นการประชุมเป็นหลัก ทั้งสองอย่างก็ไม่ถึงขั้นเป็นอุปสรรค

ข้อผิดพลาดที่ต้องหลีกเลี่ยงคือการมองว่านี่เป็นการแข่งขันระหว่างรุ่น โมเดล CTC ขนาด 470M ไม่ใช่เวอร์ชันล้าสมัยของ speech LLM ขนาด 30B; มันเป็นเครื่องมือคนละแบบที่บังเอิญได้คะแนนใกล้เคียงกันบน benchmark ที่สร้างขึ้นจากเสียงอ่านที่ชัดเจนเป็นส่วนใหญ่ การออกรุ่นถัดไปจะไม่ทำให้มันล้าสมัย ไฟล์บันทึกเสียงที่แย่ที่สุดของคุณเองจะบอกคุณว่าคุณต้องการตัวไหน