Nemotron 3.5 Transcribe 对比 Gemini 3.5 Transcribe：幻灯片上为 2.8%，排行榜上为 3.4%

Google 的 Gemini 3.5 Transcribe以 2.6% 的错误率在 Artificial Analysis 的非流式语音榜单上位列第九。NVIDIA 的 Nemotron 3.5 Transcribe于 2026 年 10 月 28 日以开放权重发布，以 3.4% 位列第二十。在唯一同时给两者评分的公开指数上，它们相差 0.4 个百分点，而这 0.4 个百分点几乎是这一比较中最没用的信息。两者并非为同一项任务而构建：一个是托管端点，会在你看到转写之前先对其进行清理；另一个是你下载的检查点，能在八位说话人互相打断时仍把他们区分清楚。对它们各自实际设计要完成的任务而言，这个排名并没有为任何一方增色。

值得一开始就指出一处不一致，因为它在本周每一篇关于该模型的文章中反复出现。NVIDIA 的发布材料报告 AA-WER 为 2.8%，并在开放权重系统中并列第一。10 月 29 日查看的实时榜单则显示，其以 3.4% 位列第二十。这两个数字都可追溯到同一个指标，但它们并非对同一次运行的测量——这是这一组合带来的第一个实践教训，也是下文准确率部分如此撰写的原因。

NVIDIA 发布了什么，以及 Google 自八月以来一直在运行什么

Nemotron 3.5 Transcribe 既不是 transducer，也不是普通编码器。它是一个语音增强型语言模型：语音编码器将输入送入一个冻结的 Nemotron 3 Diarization 模型，该模型的说话人活动信号通过 NVIDIA 所称的 Parallel Expert Encoder（并行专家编码器）注入 ASR 编码器；而解码器是一个混合 Mamba–Transformer 的专家混合大语言模型，总参数量约 300 亿，每个 token 约有 40 亿参数处于激活状态。公司自己的资料对语言模型部分同时使用 30B-A3B 和 30B-A4B 两种标签，而 Hugging Face 侧边栏在计入音频栈后列出的是 34B，因此任何单一参数数字都应视为近似值。权重在 OpenMDW-1.1 下免费提供，该许可允许商业使用。

Gemini 3.5 Transcribe 自 2026 年 8 月 26 日起已正式可用（GA），价格为每百万音频输入 token 2.00 美元、每百万文本输出 token 12.00 美元；按 Google 的换算，这大约相当于每分钟 0.005 美元，即每音频小时约 0.30 美元。它在配额内提供免费额度，另有独立的实时流式 SKU，价格约为每分钟 0.009 美元，且完全不提供任何模型权重。

在发布资料包与次日清晨之间发生变化的那个数字

Artificial Analysis 的 AA-WER 基于三个数据集构建——AgentTalk 占 50%，VoxPopuli-Cleaned 占 25%，Earnings22-Cleaned 占 25%——而该指数是一个单一的综合得分，并非按领域划分的得分。这一点很重要，因为 AgentTalk 是语音智能体语音：简短、干净，并且如果厂商在销售语音智能体，这类语音在其训练数据组合中占比很高。一个在综合评分中胜出的模型，可能会在你的存档场景中落败。

就当前排行榜来看，排名顺序为：MAI Transcribe 2 以 2.0% 居首，Voxtral Small Transcribe 3 以 2.1% 紧随其后，Gemini 3.5 Transcribe 为 2.6%，GPT Transcribe 为 3.3%，Nemotron 3.5 Transcribe 为 3.4%。NVIDIA 声称的 2.8% 如果成立，本会让这款新模型与 Gemini 3.1 Pro Preview 和 Voxtral Small 持平，并明显领先于 OpenAI 的批处理模型。但在 3.4% 时，它落后于所有这些系统，并与三个系统并列，其中包括一个它从未被定位为竞争对手的 Gemini Flash-Lite 变体。在一个整个前十名跨度仅为 1.7% 到 2.9% 的指数上，0.6 个百分点的修正并不是舍入误差。

诚实的解读并不是 NVIDIA 撒谎。当一个模型在新的端点上提供服务，或在更新后的输入上重新运行时，AA 会重新测量，而发布时的数字几乎肯定反映的是 NVIDIA 自己的提交结果，而不是榜单默认主机的数据。但这恰恰是那种会演变成采购失误的差距：一个按照“开放权重中排名第一”来做预算、随后却测出 3.4% 的团队，买到的只是一个幻灯片上的模型。

谷歌卖而英伟达不卖的东西

在决定转录合同方面比 WER 影响更大的功能，是识别之后对文字的处理，而 Gemini 3.5 Transcribe 正是围绕这一功能构建的。其默认的逐字模式会保留填充词、错误开头和重复内容，以满足合规工作需求；其智能模式则会在一次处理中去除不流畅表达、处理自我更正，并规范口语中的数字和货币表达。自定义词汇表可使识别偏向最多 1,000 个术语，Google 建议精选约 100 个。这两项功能在 Nemotron 3.5 Transcribe 中都不存在；它可以被*提示*偏向某个实体列表，也可以被要求输出逐字形式或书面形式，但会把数字格式化和自我纠正修复留给后续读取转录稿的任何环节。

Google 在具名语言/地区的覆盖广度上也胜出：支持 85+ 种，并具备自动检测和句内语码切换；相比之下，NVIDIA 用于转写支持 40 种、用于翻译支持 31 种。按具名语言/地区数量计算。如果你的队列中包含一种在 Google 列表上、但不在 NVIDIA 列表上的语言，那就没有什么基准测试可争论的了。

NVIDIA 售卖而 Google 不会售卖的东西

说话人归属则是相反的情况，而且比营销宣传所暗示的更为尖锐。Gemini 3.5 Transcribe 最多可记录八位说话人，但 Google 自己的材料将三位及以上说话人的归属标注为实验性功能，其博客也更倾向于“最多三位”的说法。Nemotron 3.5 Transcribe 可标注最多八位说话人，支持 13 种语言，并通过一个解码后 CTC 适配器将最终转写文本与音频对齐，返回带有说话人归属的词级时间戳。

• 参数——总计 30B、约 4B 激活，混合 Mamba–Transformer MoE 对比未公开的专有语音技术栈。

• 许可证 — OpenMDW-1.1，允许商业使用；权重可下载，而仅 API 访问则无再分发权。

• 价格——未公布标价；成本为 GPU 时间，而单张 RTX PRO 6000 Blackwell 上的 NVFP4 构建版本据称每秒最多可处理 {{1}}2,238 秒音频，混合计费则为每分钟 $0.005{{/1}}。

语言 — 40 种支持转录，31 种支持与英语互译，13 种支持说话人标签，而 85+ 个区域设置支持语码转换。

• 扬声器 — 8 个，已记录并已基准测试，对比 8 个已记录、3 个以上标记为实验性。

• 音频长度——单遍处理为 1 小时，对比 1 小时；当要求说话人分离或时间戳时，降至 30 分钟。

• 流式传输 — 无；仅录制音频，而单独的实时 SKU 价格约为每分钟 0.009 美元。

• 后处理 — 由提示词控制逐字形式或书面形式；无内置清理，对比可去除填充词并修正自我纠正的智能模式。

只有一方公布说话人分离（diarization）数据。

这正是比较不再接近、而是开始变得悬殊的地方，也是资料来源开始变得单薄的地方。NVIDIA 在 David AI 基准上报告，跨 21 种语言的说话人分离错误率为 18.26%，在所评估的 14 个系统中最低；紧随其后的是其自家的 Nemotron 3 Diarization 模型，为 18.38%，其余系统则介于 22.85% 与 37.55% 之间。在 VoiceArena 的 Diarization-Bench 上，它报告拼接最小排列词错误率（WER）为 32.4%，在 14 个系统中最佳，第二名则为 34.2%。在重叠语音的英语会话中，它报告漏掉了 8.32% 的参考词，而中位数约为 31%。

谷歌根本没有公布 Gemini 3.5 Transcribe 的说话人分离错误率。不是更差——而是根本没有。这种不对称是双向的，应当直说：NVIDIA 的数据是厂商在 NVIDIA 自己的测试框架上报告的，而且没有第三方数据可用于核验，因为现有的独立说话人分离排行榜大多由 NVIDIA 自己提交的系统占据。无可置疑的是有据可查的上限：Gemini 最多支持八位说话人，超过三位时说话人归属仍属实验性；一旦你同时要求说话人标签和词级时间戳，最大音频时长就会从一小时降至三十分钟。如果你的素材是六人董事会会议，那这是产品限制，而不是质量问题，任何 WER 比较都不会暴露这一点。

一小时音频在每一项上实际花费多少

按每月一千小时来算——这对联络中心或媒体档案库来说是合理的负载。Gemini 3.5 Transcribe 按每分钟 0.005 美元计，一千小时就是 300 美元。Nemotron 3.5 Transcribe 没有标价，因为根本没有可标的东西：你买的是 GPU。一台运行 NVFP4 检查点的 RTX PRO 6000 Blackwell 就是 NVIDIA 所演示的配置，而那个吞吐量说法——每秒最多可处理 2,238 秒音频——还附带一个条件，Hugging Face 的帖子写了，标题却略去不提：它是在高并发下用 30 秒短片段测出来的。时长较长、说话人重叠的会议达不到这个数字。

因此，这个临界点是一个利用率问题，而不是价格问题。一张价格大致相当于几个月托管转写费用的单卡，只有在你让它持续满负荷运转时才能回本；而在小规模队列上面对每月 300 美元的 API 调用费用，它永远也无法收回成本。选择本地检查点的理由，并不是在低使用量下获得更便宜的分钟数。真正的理由是：分钟数根本不再是一项单独列支的开支，音频永远不会离开你的网络，而微调只需在一块 GPU 上花一个下午——NVIDIA 报告称每个任务需要 0.5 至 2.3 GPU 小时，并且一项医疗语音适配在 3,619 个音频片段上将词错误率从 30.8% 降至 11.8%，留出说话人（held-out speakers）的表现从 22.44% 提升至 12.17%。

NVIDIA 自己的研究页面是唯一同时出现吞吐量和微调相关说法的地方，值得与上面的数字对照阅读：“每秒 2,238 秒”这一数字假设使用 NVFP4 检查点和 DFlash2 草稿模型，并运行在 Blackwell 硬件上；而“0.5 至 2.3 GPU 小时”的微调说法则假设使用单张 GPU，且任务规模小到足以在单张 GPU 上完成。这两者都不是可以不加这些限定条件就直接抄进容量规划的头条结论。

无论你最终站在哪一边，转写文本都不是流程的终点。它还要被摘要、分类、检索和路由，而正是这后半段流程，才体现出单一端点的重要性：OrcaRouter 凭借一个密钥就能调用 200 多个文本与多模态模型，各供应商的标价以 0% 加价原样传递，自动故障转移，以及一套路由 DSL，可以把会议纪要发给一个摘要模型、把合规审查发给另一个，而无需再接入一次。今天这个目录里既没有 Gemini 3.5 Transcribe，也没有 Nemotron 3.5 Transcribe——无论你从哪里采购，语音转文字仍然是一份单独的合约——所以这个论点比听起来要更狭窄：按转写能力挑选转写器，让它上面的那一层保持可移植。

哪一个适合你的技术栈？

如果你的问题出在文本上——不流畅的访谈音频、充斥着“不，等等，我是说”这类话的呼叫中心语音、需要按名称核对的区域设置列表，以及今天下午就能置于密钥之后的托管端点——那就选择 Gemini 3.5 Transcribe。它是当前公共排行榜上更准确的模型，领先幅度虽小但确实存在；它能在转写过程中实时修正转录文本；每小时费用为 30 美分，并且提供免费套餐可供测试对比。

如果问题出在“房间”本身，就选择 Nemotron 3.5 Transcribe。超过三位说话人、语音重叠、支持十三种语言的说话人标签、在一小时长的文件中依然可靠的词级时间戳，以及禁止将录音发送给第三方的音频政策——在这些条件下，开放检查点不是一种妥协，而是唯一能满足要求的选项。它也是两者中唯一可以微调的一个；对于带口音或特定领域的音频，这一点价值超过 0.4 个百分点。

什么会改变这一结论：一次独立的说话人分离重跑，让 Gemini 达到接近 NVIDIA 18.26% DER 的水平；或者一次 AA 重新测量，把 Nemotron 定在 2.8% 到 3.4% 之间。在其中一项落地之前，准确性方面的论点只是厂商的说法，而功能方面的论点才是你能在一个下午用自己最差的那段录音亲自验证的。