Nemotron 3.5 Transcribe กับ MAI Transcribe 2: ชั่วโมงละ 100 ดอลลาร์ เทียบกับ GPU ที่คุณเป็นเจ้าของเอง

เสียงหนึ่งพันชั่วโมงทำให้ไมโครซอฟต์มีค่าใช้จ่ายหนึ่งร้อยดอลลาร์ นั่นคือข้อโต้แย้งด้านราคาทั้งหมดสำหรับMAI Transcribe 2 ซึ่งเปิดให้ทดลองใช้แบบสาธารณะตั้งแต่ 3 กันยายน 2026 ในราคา 0.10 ดอลลาร์ต่อชั่วโมงเสียง — ประมาณ 1.67 ดอลลาร์ต่อหนึ่งพันนาที อัตราที่ต่ำกว่าคู่แข่งแบบ managed ทุกรายที่ระบุชื่อ และประมาณหนึ่งในสามของราคาที่ OpenAI เรียกเก็บสำหรับงานเดียวกัน Nemotron 3.5 Transcribe ซึ่งเป็นเช็กพอยต์แบบเปิดของ NVIDIA จากวันที่ 28 ตุลาคม 2026 ไม่มีราคาต่อ分鐘เลย เพราะวิธีเดียวที่จะซื้อมันคือการซื้อฮาร์ดแวร์ที่ใช้รันมัน เมื่อใช้งานหนึ่งพันชั่วโมงต่อเดือน บิลของไมโครซอฟต์เป็นเพียงเศษเสี้ยวที่แทบไม่มีนัยสำคัญต่องบประมาณของแผนก และของ NVIDIA คือรายจ่ายลงทุน

ส่วนที่น่าอึดอัดก็คือ บนกระดานความแม่นยำสาธารณะ MAI Transcribe 2 อยู่อันดับสองของโลกที่ 2.0% AA-WER ส่วน Nemotron 3.5 Transcribe อยู่อันดับที่ยี่สิบที่ 3.4% โมเดลที่ถูกกว่ายังเป็นโมเดลที่แม่นยำกว่าด้วยส่วนต่างที่ใหญ่กว่าช่องว่างทั้งหมดระหว่างอันดับเก้ากับอันดับยี่สิบ ถ้าการเปรียบเทียบนี้เป็นเพียงเรื่องของคำและเงิน มันคงจบในย่อหน้าเดียว แต่ไม่ใช่เช่นนั้น เพราะ Microsoft ไม่เผยแพร่ตัวเลขคุณภาพการแยกผู้พูดเลย ขณะที่ NVIDIA เผยแพร่หลายตัว — และคอลัมน์ที่ว่างเปล่านั้นคือเหตุผลที่ใครก็ยังเลือกตัวเลือกที่แพงกว่า

สิ่งที่บอร์ดพูด และสิ่งที่บอร์ดพูดไม่ได้

Artificial Analysis ให้คะแนนทั้งสองโมเดลบนชุดข้อมูลผสมสามชุดเดียวกัน ดังนั้น 2.0% เทียบกับ 3.4% จึงเป็นการเปรียบเทียบแบบเทียบต่อเทียบของดัชนีเดียวกันเป็นอย่างน้อย โดยวัดโดยผู้ดำเนินการเดียวกัน สิ่งนี้หายากกว่าที่ควรจะเป็นในหมวดนี้ และสมควรได้รับการพิจารณาอย่างจริงจัง MAI Transcribe 2 เป็นรองเพียงระบบพรีวิวแบบเรียลไทม์ที่อยู่บนสุดของตาราง ส่วน Nemotron 3.5 Transcribe เสมอกับสามระบบ ซึ่งหนึ่งในนั้นคือตัวแปร Gemini Flash-Lite ในโหมดการให้เหตุผลขั้นต่ำ

สื่อเปิดตัวของ NVIDIA เองรายงานว่าได้ 2.8% AA-WER ซึ่งหากตัวเลขนี้คงอยู่ ก็ยังทำให้ตามหลัง Microsoft อยู่เต็มแปดในสิบ (0.8 จุดเปอร์เซ็นต์) กระดานคะแนนสดระบุไว้ที่ 3.4% ไม่ว่าจะทางไหน ลำดับก็ไม่เปลี่ยน ดังนั้น ต่างจากการจับคู่อื่น ๆ ในชุดนี้ ความคลาดเคลื่อนระหว่างข้อมูลเปิดตัวกับกระดานคะแนนจึงไม่ได้ชี้ขาดอะไรในที่นี้ Microsoft เป็นเพียงฝ่ายที่นำหน้าอยู่ในตัวชี้วัดที่ทั้งสองบริษัทตกลงกันว่าจะใช้วัดเท่านั้น

สิ่งที่ $0.10 ต่อชั่วโมงซื้อได้จริง

MAI Transcribe 2 เป็นโมเดลถอดเสียงแบบแบตช์ที่สร้างขึ้นสำหรับเสียงแบบยาวต่อเนื่อง เช่น การประชุม สายสนทนา คลังสื่อ และบันทึกจากศูนย์ติดต่อลูกค้า รองรับ 60 ภาษาพร้อมการระบุภาษาอัตโนมัติ มีการแยกผู้พูดมาให้ในชุด ส่งคืนการประทับเวลาระดับคำ รองรับการให้น้ำหนักคำสำคัญสำหรับชื่อและคำเฉพาะทาง และมีรูปแบบผลลัพธ์สองแบบ — แบบตามคำพูด ซึ่งเก็บคำเติมเสียงและการเริ่มพูดผิดไว้ และแบบสะอาด ซึ่งตัดสิ่งเหล่านั้นออก Microsoft รายงานอัตราการประมวลผลราว 411 เท่าของเวลาจริงบนกระดานความเร็วของ Artificial Analysis เป็นอันดับสองโดยรวม และโพสต์เปิดตัวของบริษัทเองระบุว่าเร็วกว่า GPT Transcribe สิบเท่าและเร็วกว่า Gemini 3.5 Transcribe ห้าเท่า

รายการคุณสมบัติ หากดูตามเอกสารแล้ว ถือเป็นซูเปอร์เซ็ตของสิ่งที่ทีมส่วนใหญ่ต้องการ และใกล้เคียงกับของ NVIDIA มาก ทั้งคู่รองรับการแยกผู้พูด การจับเวลาแต่ละคำ การให้น้ำหนักคำสำคัญ เอาต์พุตแบบคำต่อคำและแบบสะอาด ทั้งคู่จำกัดเสียงไว้ที่ประมาณหนึ่งชั่วโมง และทั้งคู่เป็นแบบประมวลผลเป็นชุดเท่านั้นใน SKU ที่นำมาเปรียบเทียบ ความแตกต่างอยู่ที่รายละเอียดปลีกย่อย: 60 ภาษากับ 40 ภาษา แปดผู้พูดกับจำนวนที่ไม่ระบุ และราคาที่อธิบายให้ทีมการเงินเข้าใจได้ง่ายกว่าถึงสามลำดับขนาด

• ราคา — $0.10 ต่อชั่วโมงเสียง เฉพาะช่วงเวลาจำกัดถึงสิ้นปี 2026 เทียบกับไม่มีอัตราตามรายการ; ค่าใช้จ่ายคือเวลาใช้งานตัวเร่ง

• ความแม่นยำ — 2.0% AA-WER อันดับ 2 เทียบกับ 3.4% อันดับ 20 (3.4% บนกระดานคะแนนสด; เอกสารของ NVIDIA อ้างว่า 2.8%)

• อัตราการประมวลผล — ประมาณ 411 เท่าของเวลาจริง เทียบกับสูงถึง 2,238 วินาทีของเสียงต่อวินาที บน RTX PRO 6000 Blackwell หนึ่งตัว พร้อม NVFP4 และโมเดลแบบร่าง โดยวัดจากคลิปเสียงความยาว 30 วินาทีภายใต้การประมวลผลพร้อมกันในระดับสูง

• ภาษา — 60 ภาษาที่ระบุโดยอัตโนมัติ เทียบกับ 40 ภาษาที่ถอดเสียง และ 31 ภาษาที่แปลแล้ว

• สัญญาอนุญาต — เป็นกรรมสิทธิ์เฉพาะ ใช้ผ่าน API เท่านั้น เทียบกับ OpenMDW-1.1 ที่มีน้ำหนักโมเดลให้ดาวน์โหลดได้

• ผู้พูด — มี diarization มาพร้อมแล้ว, ไม่มี DER ที่เผยแพร่ เทียบกับสูงสุด 8, ระบุผู้พูดได้, ใน 13 ภาษา, DER 18.26% ใน 21 ภาษา บน David AI benchmark

• Fine-tuning — ไม่มีให้บริการ เทียบกับการปรับให้เข้ากับ GPU เดี่ยวโดยใช้เวลา 0.5–2.3 GPU-hour ต่องาน

• ความเป็นท้องถิ่นของข้อมูล — เสียงออกจากเครือข่ายของคุณ เทียบกับการที่สามารถโฮสต์เองได้ รวมถึงแบบออฟไลน์

คอลัมน์ที่ Microsoft ปล่อยว่างไว้

Microsoft รวม diarization ไว้ในผลิตภัณฑ์และไม่เผยแพร่ diarization error rate ไม่ใช่ค่าที่อ่อนแอ — ไม่มีเลย NVIDIA เผยแพร่ผลลัพธ์ diarization แยกกันสี่รายการ: DER 18.26% ใน 21 ภาษา บน David AI benchmark ซึ่งต่ำที่สุดใน 14 ระบบ; WER แบบ concatenated min-permutation 32.4% บน Diarization-Bench ของ VoiceArena ซึ่งดีที่สุดใน 14 ระบบ; คำอ้างอิงถูกตัดออก 8.32% ในเสียงพูดภาษาอังกฤษที่มีการพูดทับซ้อน เทียบกับค่ามัธยฐานที่ใกล้ 31%; และการระบุผู้พูดใน 13 ภาษา เทียบกับจำนวนที่ Microsoft ไม่ได้ระบุ

ทั้งหมดนั้นเป็นข้อมูลที่ผู้ขายรายงานเองบนชุดทดสอบของผู้ขายเอง และการตีความอย่างตรงไปตรงมาคือ ข้อมูลเหล่านี้เป็นการกล่าวอ้างถึงความสามารถมากกว่าจะเป็นการพิสูจน์คุณภาพ แต่ความไม่สมดุลนี้ให้ข้อมูลที่เป็นประโยชน์ บริษัทที่มีตัวเลขเรื่องการแยกผู้พูด (diarization) ก็เผยแพร่ตัวเลขนั้น เพราะการแยกผู้พูดเป็นส่วนที่ยากที่สุดของการถอดเสียงให้ถูกต้อง และเป็นส่วนที่ลูกค้าร้องเรียน บริษัทที่รวมการแยกผู้พูดไว้โดยไม่ให้ตัวเลขก็กำลังบอกคุณว่าบริษัทไม่ถือว่านั่นเป็นจุดขาย นั่นอาจหมายความว่าฟีเจอร์นั้นเพียงพอและไม่น่าสังเกต หรืออาจหมายความว่ามันอ่อนแอ ไม่มีสิ่งใดในเอกสารเปิดตัวของ Microsoft ที่แยกความแตกต่างระหว่างสองกรณีนี้ และยังไม่มีคณะกรรมการอิสระใดที่วัดอัตราความผิดพลาดของการแยกผู้พูดในระดับละเอียดเช่นนี้

สำหรับการโทรขายแบบสองคน เรื่องนี้ไม่สำคัญ — ไม่ว่าโมเดลไหนก็ติดป้ายเสียงสองเสียงได้ถูกต้อง สำหรับการประชุมคณะกรรมการหกคนที่มีเสียงพูดสอดกัน ความแตกต่างระหว่าง DER 18% กับตัวเลขที่ไม่รู้จัก คือความแตกต่างระหว่างบันทึกนาทีต่อนาทีที่ใช้งานได้ กับเอกสารที่ไม่มีใครเชื่อถือ นั่นคือภาระงานที่ราคาของเช็กพอยต์แบบเปิดไม่ดูไร้เหตุผลอีกต่อไป

ทำไมผู้คนถึงซื้ออันที่แพง

เหตุผลสี่ประการ โดยเรียงลำดับจากมากไปน้อยตามความถี่ที่เหตุผลเหล่านี้ปรากฏจริงในการตัดสินใจด้านการจัดซื้อ

ข้อแรกคือการเก็บข้อมูลไว้ในท้องถิ่น MAI Transcribe 2 เป็น API เสียงจะออกจากเครือข่ายของคุณ ไปอยู่ในเทนแนนต์ของผู้ให้บริการ และอยู่ภายใต้ข้อกำหนดการเก็บรักษาของผู้ให้บริการรายนั้น Nemotron 3.5 Transcribe ทำงานบนฮาร์ดแวร์ที่คุณควบคุม รวมถึงแบบออฟไลน์เต็มรูปแบบ ซึ่งสำหรับการบันทึกทางคลินิก กระบวนการทางกฎหมาย การสอบสวนด้าน HR และสิ่งใดก็ตามที่อยู่ภายใต้ระบอบการกำหนดถิ่นที่อยู่ของข้อมูล สิ่งนี้ไม่ใช่ทางเลือก แต่เป็นข้อกำหนด ไม่มีราคาต่อชั่วโมงใดจะแข่งขันกับข้อจำกัดด้านการปฏิบัติตามข้อกำหนดได้

ข้อที่สองคือความถาวร อัตรา $0.10 ของ Microsoft เป็นข้อเสนอจำกัดเวลาอย่างชัดเจนที่ใช้ได้ถึงสิ้นปี 2026 และไม่มีการเปิดเผยราคามาตรฐานที่ใดเลยในเอกสารเปิดตัว ทีมที่สร้างผลิตภัณฑ์โดยอิงตัวเลขดังกล่าวกำลังสร้างบนอัตราโปรโมชันที่ไม่ทราบวันหมดอายุ Open weights ไม่มีจุดล้มเหลวแบบนั้น: checkpoint ที่คุณดาวน์โหลดยังคงใช้งานได้โดยมีค่าใช้จ่ายเพียงค่าไฟฟ้า ไม่ว่าผู้จำหน่ายจะทำอะไรต่อไป

ข้อที่สามคือการปรับให้เข้ากับงานเฉพาะ (adaptation) NVIDIA รายงานว่าการไฟน์ทูนบน GPU เดียวใช้เวลา 0.5 ถึง 2.3 GPU-hours ต่องาน และกรณีศึกษาเสียงทางการแพทย์ที่การปรับให้เข้ากับงานเฉพาะลดอัตราคำผิด (word error rate) จาก 30.8% เหลือ 11.8% จากคลิป 3,619 คลิป โดยผู้พูดที่ถูกกันไว้ทดสอบดีขึ้นจาก 22.44% เป็น 12.17% Microsoft ไม่มีเส้นทางการไฟน์ทูนเลย สำหรับเสียงที่มีสำเนียง มีเสียงรบกวน หรือเต็มไปด้วยศัพท์เฉพาะ — ซึ่งเป็นเสียงประเภทที่ค่าเฉลี่ย 2.0% กลายเป็นความจริงที่ 25% — ความสามารถในการปรับให้เข้ากับงานมีค่ามากกว่าสองคะแนนในอันดับกระดานผู้นำ ชุดภาษาอังกฤษที่ผ่านการตรวจทานโดยมนุษย์ของ Perit เล่าเรื่องเดียวกันจากอีกทิศทาง: ชุดนี้ทำให้ MAI Transcribe 2 และ GPT Transcribe มีคะแนนต่างกันไม่เกินหนึ่งในร้อยของจุด ณ ระดับ 1.76% ซึ่งเป็นเครื่องเตือนใจว่ากระดานเหล่านี้กระจุกตัวแน่นบนเสียงสะอาดและกระจายออกบนอย่างอื่นทั้งหมด

ข้อที่สี่คือ MAI Transcribe 2 อยู่ในช่วงพรีวิวสาธารณะ พรีวิวหมายถึงไม่มีการรับประกันเวลาทำงาน ไม่มีระยะเวลาแจ้งล่วงหน้าก่อนเลิกใช้ และชุดฟีเจอร์ที่อาจเปลี่ยนแปลงได้ระหว่างที่คุณใช้งาน Nemotron 3.5 Transcribe เพิ่งมีอายุได้หนึ่งวันและมีปัญหาความพร้อมของตัวเอง — เครื่องมือ GGUF ของมันยังถูกระบุว่าเร็ว ๆ นี้ และบิลด์โลคัลแบบควอนไทซ์ยังไม่ถูกจัดส่ง — แต่ checkpoint หนึ่งจะไม่ถูกถอดออกจากสถานะพรีวิว

การป้องกันความเสี่ยงที่ไม่มีค่าใช้จ่าย

ทีมส่วนใหญ่ไม่จำเป็นต้องเลือก ใช้ API ราคาถูกกับคิวส่วนใหญ่ แล้วส่งไฟล์ที่ไม่สามารถออกนอกองค์กรได้ หรือการประชุมที่ต้องระบุผู้พูดให้ถูกต้องไปยังจุดตรวจสอบ แนวทางแบบผสมนี้ถูกกว่ากลยุทธ์แบบใดแบบหนึ่งล้วน ๆ และล้มเหลวได้อย่างนุ่มนวล: หากอัตราโปรโมชันของ Microsoft หมดอายุด้วยตัวเลขที่ไม่น่าสนใจ เส้นทางที่โฮสต์เองก็ถูกเตรียมไว้แล้ว; หากคำกล่าวอ้างเรื่องการแยกผู้พูดของโมเดลเปิดไม่ผ่านกับเสียงของคุณ API ก็เชื่อมต่อไว้แล้ว

สิ่งที่ทำให้การป้องกันความเสี่ยงนั้นได้ผลในทางปฏิบัติคือการแยกสองครึ่งของไปป์ไลน์ออกจากกันได้ การรู้จำเสียงพูดเป็นสัญญาหนึ่ง ส่วนตัวสรุป ตัวจำแนกประเภท และเราเตอร์ที่ใช้ทรานสคริปต์เหล่านั้นเป็นอีกสัญญาหนึ่ง OrcaRouter ครอบคลุมครึ่งหลังด้วยโมเดลข้อความและมัลติโหมดมากกว่า 200 รายการภายใต้คีย์เดียว โดยราคาตามรายการของผู้ให้บริการถูกส่งผ่านโดยมีมาร์กอัป 0% — ดังนั้นการลดราคาจากผู้ขายจึงส่งผลถึงบิลของคุณในวันเดียวกัน แทนที่จะเป็นตอนต่อสัญญาครั้งถัดไป — พร้อมกับการสลับไปยังระบบสำรองอัตโนมัติและ DSL สำหรับการกำหนดเส้นทางที่สามารถส่งคลาสทรานสคริปต์ที่แตกต่างกันไปยังโมเดลที่แตกต่างกันได้ ทั้ง MAI Transcribe 2 และ Nemotron 3.5 Transcribe ต่างก็ไม่อยู่ในแคตตาล็อกนั้น และเราไม่ได้ให้บริการแปลงเสียงเป็นข้อความเลย สัญญาการถอดเสียงจึงยังคงอยู่ที่เดิมที่คุณลงนาม ประเด็นมีเพียงว่าโมเดลที่อยู่ปลายน้ำจากสัญญานั้นไม่ควรถูกเชื่อมติดกับผู้ขายรายเดียวกัน

คำตัดสิน แยกตามปริมาณ

ภายใต้ปริมาณเสียงประมาณไม่กี่ร้อยชั่วโมงต่อเดือน โดยไม่มีข้อจำกัดด้านถิ่นที่อยู่ของข้อมูล และไม่มีความต้องการระบุผู้พูดนอกเหนือจากการโทรแบบสองฝ่าย MAI Transcribe 2 เป็นตัวเลือกที่น่าซื้อกว่าในทุกแกนที่ปรากฏในสเปรดชีต: ถูกกว่า แม่นยำกว่าบนดัชนีที่ใช้ร่วมกัน เร็วกว่า และพร้อมใช้งานได้ตั้งแต่วันนี้โดยไม่ต้องจัดเตรียมโครงสร้างพื้นฐาน ราคาโปรโมชันเป็นความเสี่ยงจริงและควรจำลองที่สองหรือสามเท่าของอัตราปัจจุบัน แต่ก็ไม่ได้ลบช่องว่างถึงสามลำดับขนาด

เมื่อปริมาณสูงเกินกว่านั้น หรือเมื่อมีข้อจำกัดข้อใดข้อหนึ่งจากสี่ข้อข้างต้นกำกับอยู่ การคำนวณต้นทุนจะพลิกกลับ — ไม่ใช่เพราะโมเดลเปิดมีต้นทุนต่อชั่วโมงถูกกว่า แต่เพราะชั่วโมงการใช้งานจะไม่สามารถซื้อได้เลยอีกต่อไป ข้อโต้แย้งของ Nemotron 3.5 Transcribe ตั้งอยู่บนผู้พูด ภาษา ความเป็นท้องถิ่น การปรับตัว และความถาวร โดยเรียงตามลำดับดังกล่าวโดยประมาณ ส่วนข้อโต้แย้งด้านความแม่นยำนั้นตั้งอยู่บนคำกล่าวอ้างของผู้จำหน่ายที่ลีดเดอร์บอร์ดสาธารณะยังไม่สนับสนุนในปัจจุบัน และใครก็ตามที่พูดซ้ำว่า “อันดับหนึ่งในกลุ่มโมเดลน้ำหนักเปิด” ราวกับว่าสิ่งนั้นยุติการเปรียบเทียบแล้ว ก็กำลังอ้างสไลด์มากกว่าผลการวัด