Nemotron 3.5 Transcribe so với Gemini 3.5 Transcribe: 2,8% trên Slide, 3,4% trên Board

của GoogleGemini 3.5 Transcribe đứng ở vị trí thứ chín trên bảng xếp hạng giọng nói không truyền luồng của Artificial Analysis với tỷ lệ lỗi 2,6%. NVIDIANemotron 3.5 Transcribe, được phát hành dưới dạng trọng số mở vào ngày 28 tháng 10 năm 2026, đứng ở vị trí thứ hai mươi với 3,4%. Chúng cách nhau bốn phần mười điểm trên chỉ số công khai duy nhất đánh giá cả hai, và bốn phần mười đó gần như là dữ kiện ít hữu ích nhất trong so sánh này. Hai mô hình không được xây dựng cho cùng một công việc: một là endpoint được quản lý, làm sạch bản ghi trước khi bạn nhìn thấy nó; mô hình kia là một checkpoint bạn tải xuống, phân tách đúng tám người nói ngay cả khi họ nói chồng lên nhau. Bảng xếp hạng không phản ánh đúng thế mạnh của cả hai ở điều mà chúng thực sự được thiết kế để làm.

Đáng lưu ý ngay từ đầu một điểm mâu thuẫn, vì nó lặp lại trong mọi bài viết về mô hình này trong tuần này. Tài liệu ra mắt của NVIDIA báo cáo 2.8% AA-WER và đồng hạng nhất trong số các hệ thống trọng số mở. Bảng trực tiếp, được đọc vào ngày 29 tháng 10, ghi 3.4% ở hạng hai mươi. Cả hai con số đều bắt nguồn từ cùng một chỉ số, và chúng không phải là các phép đo của cùng một lần chạy — đây là bài học thực tiễn đầu tiên của cặp so sánh này, và là lý do phần độ chính xác bên dưới được viết theo cách như vậy.

Những gì NVIDIA đã tung ra, và những gì Google đã vận hành từ tháng 8

Nemotron 3.5 Transcribe không phải là transducer và cũng không phải là một bộ mã hóa đơn thuần. Đây là một mô hình ngôn ngữ tăng cường giọng nói: một bộ mã hóa giọng nói cấp đầu vào cho mô hình Nemotron 3 Diarization đã đóng băng, tín hiệu hoạt động của người nói từ mô hình này được đưa vào bộ mã hóa ASR thông qua cái mà NVIDIA gọi là Parallel Expert Encoder, và bộ giải mã là một LLM hỗn hợp chuyên gia Mamba–Transformer lai với khoảng 4 tỷ tham số hoạt động trên mỗi token trong tổng số khoảng 30 tỷ tham số. Tài liệu của chính công ty sử dụng cả nhãn 30B-A3B và 30B-A4B cho phần mô hình ngôn ngữ, và thanh bên Hugging Face liệt kê 34B khi tính cả ngăn xếp âm thanh, vì vậy hãy coi mọi con số tham số đơn lẻ là gần đúng. Các trọng số được cung cấp miễn phí theo OpenMDW-1.1, giấy phép cho phép sử dụng thương mại.

Gemini 3.5 Transcribe đã được cung cấp rộng rãi (generally available) kể từ ngày 26 tháng 8 năm 2026 với mức giá 2,00 USD mỗi triệu token đầu vào âm thanh và 12,00 USD mỗi triệu token đầu ra văn bản, mà Google quy đổi tương đương khoảng 0,005 USD mỗi phút, hay khoảng 0,30 USD mỗi giờ âm thanh. Nó có một gói miễn phí nằm trong hạn mức, một SKU phát trực tiếp riêng với giá khoảng 0,009 USD mỗi phút, và hoàn toàn không công bố trọng số mô hình nào.

Con số đã thay đổi giữa gói ra mắt và buổi sáng hôm sau

AA-WER của Artificial Analysis được xây dựng trên ba bộ dữ liệu — AgentTalk chiếm 50%, VoxPopuli-Cleaned 25%, Earnings22-Cleaned 25% — và chỉ số này là một điểm số tổng hợp duy nhất, không phải điểm số theo từng lĩnh vực. Điều đó quan trọng vì AgentTalk là lời nói của voice agent, vốn ngắn, sạch và có tỷ trọng lớn trong hỗn hợp huấn luyện của nhà cung cấp nếu nhà cung cấp đó đang bán voice agent. Một mô hình giành chiến thắng trong phép trộn tổng hợp vẫn có thể thất bại với kho lưu trữ của bạn.

Hãy đọc bảng xếp hạng ở trạng thái hiện tại, và thứ tự xếp hạng là: MAI Transcribe 2 ở mức 2,0%, Voxtral Small Transcribe 3 ở mức 2,1%, Gemini 3.5 Transcribe ở mức 2,6%, GPT Transcribe ở mức 3,3%, Nemotron 3.5 Transcribe ở mức 3,4%. Tuyên bố 2,8% của NVIDIA, nếu vẫn giữ nguyên, sẽ đưa mô hình mới lên ngang bằng với Gemini 3.1 Pro Preview và Voxtral Small, và vượt thoải mái mô hình batch của OpenAI. Ở mức 3,4%, nó đứng sau tất cả các mô hình đó và hòa với ba hệ thống, bao gồm một biến thể Gemini Flash-Lite mà nó chưa từng được đặt so với. Một lần điều chỉnh 0,6 điểm không phải là sai số làm tròn trên một chỉ số mà toàn bộ top mười trải từ 1,7% đến 2,9%.

Cách hiểu trung thực không phải là NVIDIA đã nói dối. AA đo lại khi một mô hình được phục vụ trên một endpoint mới hoặc được chạy lại trên dữ liệu đầu vào đã cập nhật, và con số công bố gần như chắc chắn phản ánh bài nộp của chính NVIDIA chứ không phải host mặc định của bảng xếp hạng. Nhưng đó chính là kiểu khoảng cách dễ biến thành sai lầm trong mua sắm: một nhóm lập ngân sách dựa trên "đứng đầu trong các trọng số mở" rồi sau đó đo được 3.4% thì đã mua một mô hình trên một slide thuyết trình.

Những gì Google bán mà NVIDIA không bán

Tính năng quyết định nhiều hợp đồng phiên âm hơn cả WER chính là điều gì xảy ra với các từ sau khi nhận dạng, và Gemini 3.5 Transcribe được xây dựng xoay quanh yếu tố đó. Chế độ nguyên văn mặc định của nó giữ lại các từ đệm, khởi đầu sai và lặp lại phục vụ công việc tuân thủ; chế độ thông minh của nó loại bỏ các yếu tố ngập ngừng, xử lý tự sửa lỗi và chuẩn hóa số và tiền tệ được nói trong một lượt duy nhất. Từ vựng tùy chỉnh thiên hướng nhận dạng về tối đa 1.000 thuật ngữ, với Google khuyến nghị khoảng 100 thuật ngữ được chọn lựa kỹ. Không tính năng nào trong số đó tồn tại trong Nemotron 3.5 Transcribe, vốn có thể *được gợi ý* hướng tới một danh sách thực thể và có thể được yêu cầu tạo đầu ra nguyên văn hoặc dạng viết, nhưng lại để việc định dạng số và sửa lỗi tự sửa cho bất kỳ thứ gì đọc bản ghi tiếp theo.

Google cũng thắng về độ rộng của các locale có tên: 85+, với tính năng tự động phát hiện và chuyển mã trong câu, so với 40 của NVIDIA cho phiên âm và 31 cho dịch. Số beat có tên được tính. Nếu hàng đợi của bạn có một ngôn ngữ nằm trong danh sách của Google mà không có trong danh sách của NVIDIA, thì không có điểm chuẩn nào để tranh luận.

NVIDIA bán gì mà Google không bán

Gán người nói là trường hợp ngược lại, và nó rõ ràng hơn những gì tiếp thị gợi ý. Gemini 3.5 Transcribe ghi nhận tối đa tám người nói, nhưng tài liệu của chính Google đánh dấu việc gán người nói cho ba người nói trở lên là thử nghiệm, và blog của họ nhấn mạnh “tối đa ba”. Nemotron 3.5 Transcribe gắn nhãn tối đa tám người nói, thực hiện việc này bằng 13 ngôn ngữ, và trả về dấu thời gian ở cấp độ từ có gán người nói thông qua bộ điều hợp CTC hậu giải mã, bộ này căn chỉnh bản chép lời hoàn chỉnh với âm thanh.

• Tham số — tổng 30B với khoảng 4B tham số hoạt động, MoE lai Mamba–Transformer so với một ngăn xếp xử lý giọng nói độc quyền chưa được công bố.

• Giấy phép — OpenMDW-1.1, sử dụng cho mục đích thương mại, trọng số có thể tải xuống so với chỉ dùng qua API và không có quyền phân phối lại.

• Giá — không có mức giá niêm yết công khai; chi phí là thời gian GPU, và một bản dựng NVFP4 trên một GPU RTX PRO 6000 Blackwell được cho là có thể xử lý tới 2.238 giây âm thanh mỗi giây, so với mức $0,005 mỗi phút tính gộp.

• Ngôn ngữ — 40 ngôn ngữ được chép lời, 31 ngôn ngữ được dịch sang hoặc từ tiếng Anh, 13 ngôn ngữ có nhãn người nói so với hơn 85 vùng ngôn ngữ có chuyển đổi ngôn ngữ.

• Loa — 8, có tài liệu và kiểm chuẩn so với 8 có tài liệu, 3+ được đánh dấu là thử nghiệm.

• Độ dài âm thanh — 1 giờ trong một lần xử lý so với 1 giờ, giảm xuống còn 30 phút khi yêu cầu phân tách người nói hoặc mốc thời gian.

• Phát trực tuyến — không có; chỉ có âm thanh đã ghi so với một SKU trực tiếp riêng với giá khoảng $0,009 mỗi phút.

• Hậu xử lý — dạng nguyên văn hoặc dạng viết do lời nhắc điều khiển; không có cơ chế dọn dẹp tích hợp, khác với chế độ thông minh loại bỏ từ đệm và sửa các chỗ tự sửa lời.

Số liệu phân đoạn người nói mà chỉ một bên công bố

Đây là điểm mà phép so sánh không còn sát nhau nữa mà bắt đầu chênh lệch hẳn, và cũng là chỗ các nguồn dẫn trở nên thưa thớt. NVIDIA báo cáo tỷ lệ lỗi phân tách người nói là 18,26% trên 21 ngôn ngữ trong bộ chuẩn David AI, mức thấp nhất trong 14 hệ thống được đánh giá, với mục kế tiếp chính là mô hình Nemotron 3 Diarization của chính họ ở 18,38% và mọi thứ còn lại nằm trong khoảng từ 22,85% đến 37,55%. Trên Diarization-Bench của VoiceArena, họ báo cáo WER ghép nối với hoán vị tối thiểu là 32,4%, tốt nhất trong 14 hệ thống, với hệ đứng thứ hai ở 34,2%. Trên các phiên tiếng Anh có giọng nói chồng lấn, họ báo cáo bỏ sót 8,32% số từ tham chiếu so với mức trung vị khoảng 31%.

Google không công bố bất kỳ tỷ lệ lỗi phân tách người nói nào cho Gemini 3.5 Transcribe. Không phải một con số tệ hơn — mà là không có con số nào. Sự bất đối xứng đó là con dao hai lưỡi và cần được nói rõ: số liệu của NVIDIA do nhà cung cấp tự báo cáo trên bộ khung thử nghiệm của NVIDIA, và không có con số của bên thứ ba để đối chiếu vì các bảng đánh giá phân tách người nói độc lập hiện có chủ yếu được lấp đầy bởi các hệ thống do chính NVIDIA đăng ký. Điều không còn nghi ngờ là giới hạn đã được ghi nhận: Gemini giới hạn ở tám người nói, với tính năng gán người nói ở mức trên ba người vẫn là thử nghiệm, và giảm độ dài âm thanh tối đa từ một giờ xuống ba mươi phút ngay khi bạn yêu cầu đồng thời nhãn người nói và thời gian của từng từ. Nếu tư liệu của bạn là một cuộc họp hội đồng quản trị sáu người, đó là giới hạn của sản phẩm chứ không phải vấn đề chất lượng, và không có so sánh WER nào có thể làm lộ ra điều đó.

Chi phí thực tế của một giờ âm thanh trên mỗi cái là bao nhiêu

{{1}}Hãy tính với một nghìn giờ mỗi tháng, mức tải thực tế cho một trung tâm liên hệ hoặc một kho lưu trữ truyền thông.{{/1}} {{2}}Gemini 3.5 Transcribe với giá $0.005 mỗi phút là $300 cho một nghìn giờ.{{/2}} {{3}}Nemotron 3.5 Transcribe không có giá niêm yết vì không có gì để niêm yết: bạn mua GPU.{{/3}} {{4}}Một RTX PRO 6000 Blackwell chạy checkpoint NVFP4 là cấu hình mà NVIDIA trình diễn, và tuyên bố về thông lượng — lên tới 2,238 giây âm thanh mỗi giây — đi kèm một điều kiện mà bài đăng trên Hugging Face nêu rõ còn các tiêu đề bỏ qua: nó được đo trên các clip 30 giây ở mức đồng thời cao.{{/4}} {{5}}Các cuộc họp dài với những người nói chồng chéo sẽ không đạt tới con số đó.{{/5}}

Do đó, điểm giao thoa là một câu hỏi về mức độ tận dụng, chứ không phải câu hỏi về giá. Một card duy nhất có giá tương đương vài tháng dịch vụ phiên âm trọn gói chỉ tự hoàn vốn nếu bạn giữ nó luôn bận rộn, và nó không bao giờ hoàn vốn khi so với 300 đô la mỗi tháng cho các lệnh gọi API trên một hàng đợi nhỏ. Lý do ủng hộ checkpoint không phải là số phút rẻ hơn ở khối lượng thấp. Mà là số phút không còn là một khoản mục chi phí nữa, âm thanh không bao giờ rời khỏi mạng của bạn, và việc tinh chỉnh chỉ tốn một buổi chiều trên một GPU — NVIDIA báo cáo 0,5 đến 2,3 giờ GPU cho mỗi tác vụ, và một ca thích ứng giọng nói y khoa đã đưa tỷ lệ lỗi từ 30,8% xuống 11,8% trên 3.619 clip, với những người nói thuộc tập giữ riêng cải thiện từ 22,44% xuống 12,17%.

Trang nghiên cứu của chính NVIDIA là nơi duy nhất mà các tuyên bố về thông lượng và tinh chỉnh xuất hiện cùng nhau, và đáng để đọc bên cạnh những con số ở trên: con số 2.238 giây mỗi giây giả định checkpoint NVFP4 và mô hình nháp DFlash2 trên phần cứng Blackwell, còn tuyên bố tinh chỉnh 0,5 đến 2,3 giờ GPU giả định một GPU duy nhất và một tác vụ đủ nhỏ để vừa trong một GPU. Không cái nào trong hai là tiêu đề mà bạn có thể sao chép thẳng vào kế hoạch dung lượng nếu thiếu những điều kiện đi kèm đó.

Dù bạn chọn bên nào, bản ghi lời nói không phải là điểm cuối của quy trình. Nó được tóm tắt, phân loại, tìm kiếm và định tuyến, và chính nửa hạ nguồn đó là nơi một điểm cuối duy nhất trở nên quan trọng: OrcaRouter cung cấp hơn 200 mô hình văn bản và đa phương thức chỉ qua một khóa duy nhất, với giá niêm yết của nhà cung cấp được chuyển thẳng qua với mức chênh lệch 0%, chuyển đổi dự phòng tự động và một DSL định tuyến có thể gửi biên bản cuộc họp đến một công cụ tóm tắt và nội dung đánh giá tuân thủ đến một công cụ khác mà không cần tích hợp thứ hai. Cả Gemini 3.5 Transcribe lẫn Nemotron 3.5 Transcribe đều chưa có trong danh mục đó ở thời điểm hiện tại — chuyển giọng nói thành văn bản vẫn là một hợp đồng riêng bất kể bạn mua ở đâu — nên ý chính hẹp hơn vẻ ngoài của nó: hãy chọn công cụ chuyển lời nói thành văn bản dựa trên năng lực phiên âm, và để lớp bên trên nó giữ được tính khả chuyển.

Cái nào phù hợp với stack của bạn?

Chọn Gemini 3.5 Transcribe nếu vấn đề của bạn là văn bản: âm thanh phỏng vấn ngắt quãng, lời nói ở tổng đài đầy những câu "khoan đã, ý tôi là", một danh sách locale bạn cần kiểm tra theo tên, và một endpoint được quản lý mà bạn có thể đặt sau một khóa ngay chiều nay. Đây là mô hình chính xác hơn trên bảng công khai hiện nay với khoảng cách nhỏ nhưng có thật, nó sửa bản ghi trong lúc đang xử lý, và tốn ba mươi xu một giờ với một gói miễn phí để thử.

Hãy chọn Nemotron 3.5 Transcribe nếu vấn đề của bạn nằm ở căn phòng. Hơn ba người nói, lời nói chồng chéo, nhãn người nói bằng mười ba ngôn ngữ, thời gian của từng từ vẫn giữ được trong một tệp dài cả tiếng đồng hồ, và một chính sách âm thanh cấm gửi bản ghi âm cho bên thứ ba — đó là những điều kiện mà checkpoint mở không phải là một sự thỏa hiệp mà là lựa chọn duy nhất đáp ứng yêu cầu. Đây cũng là lựa chọn duy nhất trong hai lựa chọn mà bạn có thể tinh chỉnh, điều mà với âm thanh có giọng vùng miền hoặc đặc thù chuyên ngành thì đáng giá hơn bốn phần mười điểm.

Điều gì sẽ thay đổi phán quyết này: một lần chạy lại diarization độc lập đưa Gemini vào bất cứ đâu gần mức 18,26% DER của NVIDIA, hay một lần đo lại AA xác lập Nemotron trong khoảng 2,8% đến 3,4%. Cho đến khi một trong những điều đó xảy ra, lập luận về độ chính xác là của nhà cung cấp, còn lập luận về tính năng là thứ bạn có thể tự kiểm chứng trong một buổi chiều bằng chính bản ghi tệ nhất của mình.