Nemotron 3.5 Transcribe so với MAI Transcribe 2: Một giờ $100 đối đầu với GPU bạn tự sở hữu

Một nghìn giờ âm thanh khiến Microsoft tốn một trăm đô-la. Đó là toàn bộ lập luận về giá cho MAI Transcribe 2, sản phẩm đã ở chế độ xem trước công khai kể từ ngày 3 tháng 9 năm 2026 với giá 0,10 đô-la mỗi giờ âm thanh — khoảng 1,67 đô-la mỗi nghìn phút, mức giá thấp hơn mọi đối thủ được quản lý mà nó nêu tên và bằng khoảng một phần ba giá OpenAI tính cho cùng công việc. Nemotron 3.5 Transcribe, checkpoint mở của NVIDIA từ ngày 28 tháng 10 năm 2026, hoàn toàn không có giá theo phút, vì cách duy nhất để mua nó là mua phần cứng để chạy nó. Với một nghìn giờ mỗi tháng, hóa đơn của Microsoft chỉ là sai số làm tròn trong ngân sách của một phòng ban và hóa đơn của NVIDIA là một khoản mua sắm vốn.

Rồi đến phần khó xử. Trên bảng độ chính xác công khai, {{1}}MAI Transcribe 2{{/1}} đứng thứ hai thế giới với {{2}}2.0% AA-WER{{/2}}. {{3}}Nemotron 3.5 Transcribe{{/3}} đứng thứ hai mươi với {{4}}3.4%{{/4}}. Mô hình rẻ hơn cũng là mô hình chính xác hơn, với khoảng cách lớn hơn toàn bộ chênh lệch giữa hạng chín và hạng hai mươi. Nếu so sánh này chỉ nói về từ ngữ và tiền bạc, thì chỉ cần một đoạn là xong. Nhưng không phải vậy, bởi vì {{5}}Microsoft{{/5}} không công bố con số chất lượng phân tách người nói nào, còn {{6}}NVIDIA{{/6}} công bố vài con số — và chính cột trống đó là lý do bất kỳ ai vẫn sẽ chọn phương án đắt tiền.

Điều hội đồng quản trị nói, và điều hội đồng quản trị không thể nói

Artificial Analysis chấm điểm cả hai mô hình trên cùng một hỗn hợp ba bộ dữ liệu, nên mức 2,0% so với 3,4% ít nhất là một phép so sánh cùng chuẩn của cùng một chỉ số, được đo bởi cùng một đơn vị vận hành. Điều đó hiếm hơn mức đẽ có trong hạng mục này, và nó xứng đáng được xem xét nghiêm túc. MAI Transcribe 2 chỉ xếp sau một hệ thống xem trước thời gian thực ở vị trí đầu bảng; Nemotron 3.5 Transcribe ngang bằng với ba hệ thống, trong đó có một biến thể Gemini Flash-Lite ở chế độ suy luận tối thiểu.

Tài liệu công bố của chính NVIDIA báo cáo 2,8% AA-WER, mà nếu giữ nguyên thì vẫn khiến họ kém Microsoft trọn tám phần mười. Bảng trực tiếp ghi nhận 3,4%. Dù thế nào thì thứ tự cũng không thay đổi, nên khác với các cặp đối đầu khác trong loạt bài này, sự chênh lệch giữa công bố ra mắt và bảng trực tiếp không quyết định điều gì ở đây. Microsoft đơn giản là đang dẫn trước ở chỉ số mà cả hai công ty đều đồng ý dùng để đo.

0,10 đô la một giờ thực sự mua được gì

MAI Transcribe 2 là mô hình chép lời hàng loạt được xây dựng cho âm thanh dài: cuộc họp, cuộc gọi, kho lưu trữ phương tiện, bản ghi từ trung tâm liên hệ. Mô hình hỗ trợ 60 ngôn ngữ với tính năng nhận dạng ngôn ngữ tự động, tích hợp phân tách người nói, trả về mốc thời gian theo từng từ, hỗ trợ ưu tiên từ khóa cho tên riêng và thuật ngữ chuyên ngành, đồng thời cung cấp hai kiểu đầu ra — nguyên văn, giữ lại từ đệm và những câu khởi đầu rồi bỏ dở, và sạch, loại bỏ chúng. Microsoft báo cáo thông lượng khoảng 411× thời gian thực trên bảng xếp hạng tốc độ của Artificial Analysis, đứng thứ hai tổng thể, và bài đăng ra mắt của chính họ mô tả con số đó là nhanh gấp mười lần GPT Transcribe và nhanh gấp năm lần Gemini 3.5 Transcribe.

Danh sách tính năng, trên giấy tờ, là một tập hợp bao trùm những gì hầu hết các đội cần và gần như khớp với NVIDIA. Cả hai đều làm được việc phân tách người nói, cả hai đều làm được việc định thời từng từ, cả hai đều làm được việc thiên lệch theo từ khóa, cả hai đều cho ra đầu ra nguyên văn và đầu ra đã làm sạch, cả hai đều giới hạn ở khoảng một giờ âm thanh, cả hai đều chỉ chạy theo lô trong SKU đang được so sánh. Những khác biệt nằm ở các rìa: 60 ngôn ngữ so với 40, tám người nói so với một con số không được nêu rõ, và một mức giá dễ giải thích với đội tài chính hơn ba bậc độ lớn.

• Giá — 0,10 USD mỗi giờ âm thanh, ưu đãi có thời hạn đến hết năm 2026, so với không có giá niêm yết; chi phí là thời gian sử dụng bộ tăng tốc.

• Độ chính xác — AA-WER 2,0%, hạng 2 so với 3,4%, hạng 20 (3,4% trên bảng trực tiếp; hồ sơ của NVIDIA tuyên bố 2,8%).

• Thông lượng — khoảng 411× thời gian thực so với tối đa 2,238 giây âm thanh mỗi giây trên một RTX PRO 6000 Blackwell với NVFP4 và một mô hình draft, được đo trên các clip 30 giây ở mức đồng thời cao.

• Ngôn ngữ — 60 có nhận dạng tự động so với 40 được phiên âm, 31 được dịch.

• Giấy phép — độc quyền, chỉ API so với OpenMDW-1.1 với trọng số có thể tải xuống.

• Người nói — tách giọng nói được tích hợp, không có DER được công bố so với tối đa 8, có gán nhãn, trong 13 ngôn ngữ, 18,26% DER trên 21 ngôn ngữ trên benchmark David AI.

• Tinh chỉnh — không được cung cấp so với thích nghi trên một GPU trong 0,5–2,3 giờ GPU mỗi tác vụ.

{{1}}Vị trí dữ liệu{{/1}} — âm thanh rời khỏi mạng của bạn so với khả năng tự lưu trữ, bao gồm cả ngoại tuyến.

Cột mà Microsoft để trống

Microsoft đóng gói sẵn tính năng phân tách người nói và không công bố tỷ lệ lỗi phân tách người nói. Không phải một con số yếu — mà hoàn toàn không có. NVIDIA công bố bốn kết quả phân tách người nói riêng biệt: DER 18,26% trên 21 ngôn ngữ trong benchmark David AI, thấp nhất trong 14 hệ thống; WER min-permutation ghép nối 32,4% trên Diarization-Bench của VoiceArena, tốt nhất trong 14; 8,32% số từ tham chiếu bị bỏ sót trên lời nói tiếng Anh chồng lấn, so với mức trung vị gần 31%; và gán nhãn người nói ở 13 ngôn ngữ, so với con số không được Microsoft nêu rõ.

Tất cả những con số đó đều do nhà cung cấp báo cáo trên hệ thống kiểm thử của chính nhà cung cấp, và cách đọc trung thực là chúng là lời tuyên bố về năng lực chứ không phải bằng chứng về chất lượng. Nhưng sự bất đối xứng này mang thông tin hữu ích. Một công ty có số liệu về phân tách người nói sẽ công bố số liệu đó, vì phân tách người nói là phần khó làm đúng nhất trong một bản ghi lời nói và là phần khách hàng hay phàn nàn. Một công ty gói kèm tính năng phân tách người nói mà không có số liệu đang cho bạn biết rằng họ không coi đó là điểm bán hàng. Điều đó có thể nghĩa là tính năng này đủ tốt và không có gì nổi bật. Cũng có thể nghĩa là nó yếu. Không có gì trong tài liệu ra mắt của Microsoft phân biệt được hai trường hợp này, và chưa có bảng đánh giá độc lập nào đo tỷ lệ lỗi phân tách người nói ở mức chi tiết này.

Đối với một cuộc gọi bán hàng hai người, điều này không quan trọng — mô hình nào cũng sẽ gán nhãn hai giọng nói một cách chính xác. Đối với một cuộc họp hội đồng quản trị sáu người có nói chồng tiếng, sự khác biệt giữa 18% DER và một con số chưa biết chính là sự khác biệt giữa một bản ghi theo từng phút có thể dùng được và một tài liệu không ai tin tưởng. Đó chính là khối lượng công việc mà ở đó mức giá của open checkpoint không còn trông vô lý nữa.

Tại sao lại có người mua cái đắt tiền

Bốn lý do, theo thứ tự giảm dần về tần suất chúng thực sự xuất hiện trong các quyết định mua sắm.

Đầu tiên là tính cục bộ của dữ liệu. MAI Transcribe 2 là một API. Âm thanh rời khỏi mạng của bạn, đi vào môi trường thuê bao của một nhà cung cấp và chịu sự điều chỉnh bởi các điều khoản lưu giữ của nhà cung cấp đó. Nemotron 3.5 Transcribe chạy trên phần cứng do bạn kiểm soát, kể cả hoàn toàn ngoại tuyến, điều mà đối với bản ghi lâm sàng, tố tụng pháp lý, điều tra nhân sự và bất kỳ thứ gì thuộc một chế độ cư trú dữ liệu thì không phải là sở thích mà là yêu cầu. Không có mức giá theo giờ nào có thể cạnh tranh với một ràng buộc tuân thủ.

Điều thứ hai là tính lâu dài. Mức giá $0.10 của Microsoft rõ ràng là ưu đãi có thời hạn kéo dài đến cuối năm 2026, và không có mức giá tiêu chuẩn nào được công bố ở bất kỳ đâu trong tài liệu ra mắt. Một nhóm đang xây dựng sản phẩm dựa trên con số đó đang xây dựng trên một mức giá khuyến mại có ngày hết hạn không rõ. Trọng số mở không có kiểu thất bại đó: checkpoint bạn đã tải xuống vẫn hoạt động với chi phí chỉ là tiền điện, bất kể nhà cung cấp làm gì tiếp theo.

Điều thứ ba là khả năng thích ứng. NVIDIA báo cáo việc tinh chỉnh trên một GPU duy nhất chỉ tốn 0,5 đến 2,3 giờ GPU mỗi tác vụ, và một nghiên cứu điển hình về giọng nói y tế, trong đó việc thích ứng đã đưa tỷ lệ lỗi từ từ 30,8% xuống 11,8% trên 3.619 clip, với những người nói trong tập giữ riêng cải thiện từ 22,44% xuống 12,17%. Microsoft không cung cấp lộ trình tinh chỉnh nào cả. Đối với âm thanh có giọng địa phương, nhiễu hoặc dày đặc thuật ngữ chuyên môn — chính loại âm thanh mà ở đó mức trung bình 2,0% biến thành thực tế 25% — khả năng thích ứng đáng giá hơn hai điểm vị trí trên bảng xếp hạng. Bộ tiếng Anh được con người rà soát của Perit kể cùng một câu chuyện từ hướng ngược lại: bộ này đặt MAI Transcribe 2 và GPT Transcribe cách nhau chưa tới một phần trăm điểm ở mức 1,76%, một lời nhắc rằng các bảng xếp hạng này bám rất sát nhau trên âm thanh sạch và tản rộng trên mọi thứ khác.

Điều thứ tư là {{1}}MAI Transcribe 2{{/1}} đang ở bản xem trước công khai. Bản xem trước có nghĩa là không cam kết thời gian hoạt động, không có thời hạn thông báo ngừng hỗ trợ, và bộ tính năng có thể thay đổi ngay dưới chân bạn. {{2}}Nemotron 3.5 Transcribe{{/2}} mới ra mắt được một ngày và có vấn đề riêng về độ chín muồi — công cụ {{3}}GGUF{{/3}} của nó vẫn được mô tả là sắp ra mắt, còn các bản dựng cục bộ đã lượng tử hóa thì chưa được phát hành — nhưng một checkpoint không bị rút khỏi trạng thái xem trước.

Biện pháp phòng hộ không tốn kém

Hầu hết các nhóm không cần phải chọn. Hãy chạy API rẻ trên phần lớn hàng đợi và chuyển những tệp không thể rời khỏi nội bộ, hoặc những cuộc họp mà việc gán người nói phải chính xác, đến điểm kiểm soát. Phương án kết hợp đó rẻ hơn cả hai chiến lược thuần túy và nó thất bại một cách êm ái: nếu mức giá khuyến mãi của Microsoft hết hạn với một con số không hấp dẫn, con đường tự triển khai đã được chuẩn bị sẵn; nếu tuyên bố phân tách người nói của mô hình mở không trụ được với âm thanh của bạn, API đã được tích hợp sẵn.

Điều khiến biện pháp phòng vệ đó hiệu quả trên thực tế là việc giữ cho hai nửa của quy trình có thể tách rời nhau. Nhận dạng giọng nói là một hợp đồng; còn bộ tóm tắt, bộ phân loại và bộ định tuyến sử dụng các bản ghi lời nói lại là một hợp đồng khác. OrcaRouter bao phủ nửa thứ hai với hơn 200 mô hình văn bản và đa phương thức sau một khóa, giá niêm yết của nhà cung cấp được chuyển nguyên với mức markup 0% — vì vậy khi nhà cung cấp giảm giá, mức giảm sẽ đến hóa đơn của bạn ngay trong cùng ngày thay vì vào lần gia hạn hợp đồng tiếp theo — cộng với tự động chuyển đổi dự phòng và một DSL định tuyến có thể hướng các lớp bản ghi khác nhau đến các mô hình khác nhau. Cả MAI Transcribe 2 lẫn Nemotron 3.5 Transcribe đều không có trong danh mục đó, và chúng tôi hoàn toàn không cung cấp dịch vụ chuyển giọng nói thành văn bản, nên hợp đồng phiên âm vẫn ở nguyên nơi bạn đã ký. Điểm mấu chốt chỉ là mô hình ở hạ nguồn của nó không nên bị gắn chặt với cùng một nhà cung cấp.

Phán quyết, theo khối lượng

Dưới khoảng vài trăm giờ âm thanh mỗi tháng, không có ràng buộc về nơi lưu trú dữ liệu và không có yêu cầu quy kết người nói nào ngoài các cuộc gọi hai bên, MAI Transcribe 2 là lựa chọn mua tốt hơn trên mọi trục xuất hiện trong bảng tính: rẻ hơn, chính xác hơn trên chỉ số dùng chung, nhanh hơn và có sẵn ngay hôm nay mà không cần cấp phát. Giá khuyến mãi là một rủi ro thực sự và đáng được mô hình hóa ở mức hai hoặc ba lần giá hiện tại, nhưng nó không xóa bỏ khoảng cách ba bậc độ lớn.

Trên mức khối lượng đó, hoặc khi gắn kèm bất kỳ ràng buộc nào trong bốn ràng buộc nêu trên, phép tính đảo ngược — không phải vì mô hình mở rẻ hơn theo giờ, mà vì số giờ ấy không còn mua được nữa. Luận điểm của Nemotron 3.5 Transcribe dựa trên người nói, ngôn ngữ, tính cục bộ, khả năng thích ứng và tính thường trực, đại khái theo đúng thứ tự đó. Luận điểm về độ chính xác của nó dựa trên một tuyên bố của nhà cung cấp mà bảng xếp hạng công khai hiện chưa ủng hộ, và bất cứ ai lặp lại “đứng đầu trong số các trọng số mở” như thể điều đó đã định đoạt cuộc so sánh thì chỉ đang trích dẫn một trang trình chiếu chứ không phải một phép đo.