Nemotron 3.5 Transcribe 對比 Gemini 3.5 Transcribe：簡報上 2.8%，白板上 3.4%

Google 的Gemini 3.5 Transcribe以 2.6% 的錯誤率，在 Artificial Analysis 的非串流語音排行榜上名列第九。NVIDIA 的Nemotron 3.5 Transcribe於 2026 年 10 月 28 日以開放權重發布，以 3.4% 排名第二十。在唯一同時為兩者評分的公開指數上，兩者相差 0.4 分，而這 0.4 分幾乎是這項比較中最沒用的事實。兩者並非為同一項工作而打造：一個是託管端點，會在你看到轉錄稿之前先把它整理乾淨；另一個是你下載的檢查點，能在八位講者互相插話時仍把他們區分清楚。排名並沒有為它們各自真正設計來做的事，給予特別抬舉。

值得先點出一處落差，因為本週每篇關於這個模型的文章都會提到它。NVIDIA 的發布資料報告 2.8% AA-WER，並在開放權重系統中並列第一。於 10 月 29 日讀取的即時排行榜則顯示 3.4%，排名第二十。這兩個數字都源自同一個指標，卻不是同一次執行的量測結果——這是這組搭配的第一個實務教訓，也是下文準確度一節會這樣寫的原因。

NVIDIA 推出了什麼，以及 Google 自八月以來一直在運行什麼

Nemotron 3.5 Transcribe 不是轉導器（transducer），也不是單純的編碼器。它是一個語音增強語言模型：語音編碼器會饋入一個凍結的 Nemotron 3 Diarization 模型，而其說話者活動訊號會透過 NVIDIA 稱為 Parallel Expert Encoder 的機制注入 ASR 編碼器；解碼器則是混合 Mamba–Transformer 的專家混合（mixture-of-experts）LLM，每個 token 約有 40 億個啟用參數，總參數約 300 億。該公司自家資料在語言模型那一半同時使用 30B-A3B 與 30B-A4B 標籤，而 Hugging Face 側邊欄在計入音訊堆疊後列出 34B，因此任何單一參數數字都應視為近似值。權重依 OpenMDW-1.1 免費提供，該授權允許商業使用。

Gemini 3.5 Transcribe 自 2026 年 8 月 26 日起正式全面推出，音訊輸入每百萬個 token 收費 $2.00，文字輸出每百萬個 token 收費 $12.00；Google 換算後約為每分鐘 $0.005，亦即每音訊小時約 $0.30。它在配額內提供免費方案，另有獨立的即時串流 SKU，每分鐘約 $0.009，而且完全沒有開放權重。

那個在發布資料包與隔天早晨之間變動的數字

Artificial Analysis 的 AA-WER 建立在三個資料集上——AgentTalk 佔 50%、VoxPopuli-Cleaned 佔 25%、Earnings22-Cleaned 佔 25%——而這項指數是單一的混合分數，不是按領域分別計分。這一點很重要，因為 AgentTalk 是語音代理語音，這類語音簡短、乾淨，而且如果廠商本身在銷售語音代理，這類語音在其訓練資料組合中會佔有很高比重。一個在混合分數上勝出的模型，可能在你的檔案庫上落敗。

就目前排行榜來看，排名順序是：MAI Transcribe 2 為 2.0%，Voxtral Small Transcribe 3 為 2.1%，Gemini 3.5 Transcribe 為 2.6%，GPT Transcribe 為 3.3%，Nemotron 3.5 Transcribe 為 3.4%。NVIDIA 所宣稱的 2.8% 若成立，本會讓這款新模型與 Gemini 3.1 Pro Preview 和 Voxtral Small 並列，並明顯領先 OpenAI 的批次模型。但在 3.4% 時，它落後於所有這些系統，並與三個系統並列，其中包括一個它從未被定位為對手的 Gemini Flash-Lite 變體。對於一個前十名全部介於 1.7% 到 2.9% 之間的指數來說，0.6 個百分點的修正並不是四捨五入誤差。

誠實的解讀並不是 NVIDIA 說謊。AA 會在模型部署到新端點或以更新後的輸入重跑時重新測量，而發布時的數字幾乎肯定反映 NVIDIA 自己的提交，而非排行榜的預設主機。但這正是那種會演變成採購失誤的落差：一個團隊若根據「開放權重中排名第一」來編預算，後來卻測到 3.4%，那就等於買了一個簡報上的模型。

Google 有賣而 NVIDIA 沒賣的東西

決定更多轉錄合約（比 WER 更具決定性）的功能，是辨識之後如何處理詞語，而 Gemini 3.5 Transcribe 正是圍繞這一點打造。其預設的逐字模式會保留填充詞、錯誤起始與重複，以供合規工作使用；其智慧模式則會在一次處理中去除不流暢之處、解決自我修正，並將口語數字與貨幣標準化。自訂詞彙可讓辨識偏向最多 1,000 個詞彙，Google 建議約 100 個精選詞彙。這兩者在 Nemotron 3.5 Transcribe 中都不存在；它可以被*提示*朝向實體清單，也可以被要求產生逐字或書面形式的輸出，但會把數字格式化和自我修正修復留給下一個讀取轉錄稿的對象。

Google 在具名地區設定的廣度上也勝出：85+ 種，具備自動偵測與句內語碼轉換，相較之下 NVIDIA 轉錄為 40 種、翻譯為 31 種。以上以具名項目計。若你的佇列中包含一種在 Google 清單上、但不在 NVIDIA 清單上的語言，那就沒有基準測試可以爭論了。

NVIDIA 販售而 Google 不販售的東西

講者歸屬則是相反的情況，而且比行銷宣傳所暗示的更為鮮明。Gemini 3.5 Transcribe 可記錄多達八位講者，但 Google 自家資料將三位以上講者的歸屬標示為實驗性功能，其部落格則偏向「最多三位」的說法。Nemotron 3.5 Transcribe 最多可標記八位講者，支援 13 種語言，並透過解碼後的 CTC 適配器，將完成的轉錄稿與音訊對齊，回傳附有講者歸屬的詞級時間戳記。

• 參數 — 總計 30B，約 4B 為活躍參數，混合式 Mamba–Transformer MoE，對比未公開的專有語音堆疊。

• 授權條款 — OpenMDW-1.1，可商業使用，權重可下載；相對於僅提供 API 且無再散布權利。

• 價格 — 沒有公開的定價；成本在於 GPU 時間，而單張 RTX PRO 6000 Blackwell 上的 NVFP4 版本據稱每秒可處理高達 2,238 秒的音訊，相較之下混合計價為每分鐘 0.005 美元。

• 語言 — 40 種已轉錄、31 種可與英文互譯、13 種具備講者標籤，對比 85+ 個支援語碼轉換的地區設定。

• 喇叭 — 8 個，已記錄並經過基準測試，對比 8 個已記錄、3 個以上標示為實驗性。

• 音訊長度 — 單次處理為 1 小時，對比同為 1 小時，而當要求語者分離或時間戳記時會降至 30 分鐘。

• 串流 — 無；僅提供錄音音訊，相對於每分鐘約 $0.009 的獨立即時 SKU。

• 後處理 — 由提示詞控制逐字或書面形式；無內建清理功能，相較之下，智慧模式會移除填充詞並修正自我更正。

只有一方公布的語者分離數據。

這裡就是比較不再接近、開始變得一面倒的地方，也是資料來源變得單薄之處。NVIDIA 在 David AI 基準測試中報告，橫跨 21 種語言的語者分離錯誤率為 18.26%，是受評估的 14 個系統中最低的；緊隨其後的是自家的 Nemotron 3 Diarization 模型，為 18.38%，其餘則介於 22.85% 與 37.55% 之間。在 VoiceArena 的 Diarization-Bench 上，它報告的串接最小排列 WER 為 32.4%，在 14 個系統中最佳，第二名為 34.2%。在英語重疊語音工作階段中，它報告漏掉 8.32% 的參考詞，而中位數約為 31%。

Google 完全沒有公布 Gemini 3.5 Transcribe 的說話者分段錯誤率。不是數字比較差——而是根本沒有。這種不對稱性是雙向的，應該明白說清楚：NVIDIA 的數字是廠商自行在其自家測試框架上回報的，而且沒有第三方數字可以核對，因為現有的獨立說話者分段評測榜單，大多是由 NVIDIA 自己提交的系統所佔據。無庸置疑的是有文件記載的上限：Gemini 最多支援八位說話者，超過三位時的歸屬判定屬實驗性質，而且一旦同時要求說話者標籤與逐字時間戳，音訊長度上限就會從一小時降到三十分鐘。如果你的素材是一場六人董事會會議，這是產品限制，而不是品質問題，任何 WER 比較都不會揭露這一點。

每一項上一小時音訊的實際成本是多少

以每月一千小時來運行——這對客服中心或媒體檔案庫來說是相當實際的負載。Gemini 3.5 Transcribe 每分鐘 $0.005，一千小時就是 $300。Nemotron 3.5 Transcribe 沒有定價，因為根本沒有什麼好列：你要買的是 GPU。一台運行 NVFP4 檢查點的 RTX PRO 6000 Blackwell 是 NVIDIA 展示的配置，而吞吐量宣稱——每秒最高可處理 2,238 秒音訊——附帶一個 Hugging Face 文章有提到、但新聞標題省略掉的條件：這是在高併發情況下以 30 秒短音檔測得的。有重疊發言者的長時間會議達不到那個數字。

因此，交叉點是使用率問題，不是價格問題。單張卡的成本大致等同幾個月的託管轉錄服務，只有讓它持續滿載才能回本；而面對小量佇列每月 300 美元的 API 呼叫，它永遠無法回本。採用檢查點的理由，並不是低用量時每分鐘更便宜，而是分鐘數從此完全不再是一項支出項目、音訊永不離開你的網路，而且微調只需單張 GPU 一個下午——NVIDIA 報告每項任務需 0.5 到 2.3 GPU 小時，並提到一項醫療語音調適在 3,619 段音訊上將字詞錯誤率從 30.8% 降至 11.8%，留出集的說話者則從 22.44% 改善至 12.17%。

NVIDIA 自家的研究頁面是吞吐量與微調說法唯一同時出現的地方，值得與上述數字並讀：每秒 2,238 秒這個數字假設在 Blackwell 硬體上使用 NVFP4 檢查點與 DFlash2 草稿模型，而 0.5 到 2.3 GPU 小時的微調說法則假設使用單一 GPU，且任務小到足以容納於單一 GPU。若缺少這些限定條件，兩者都不是可以直接抄進容量規劃的頭條數字。

無論你最後站在哪一邊，逐字稿都不是整條流程的終點。它會被摘要、分類、搜尋與路由，而下游這一半正是單一端點發揮作用的地方：OrcaRouter 用同一把金鑰提供 200 多種文字與多模態模型，供應商牌價以 0% 加價原樣傳遞，自動容錯切換，以及一套路由 DSL，能將會議紀錄送到某個摘要器、將合規審查送到另一個，而不必再進行第二次整合。Gemini 3.5 Transcribe 與 Nemotron 3.5 Transcribe 目前都不在該目錄中——不論你在哪裡購買，語音轉文字仍是一份獨立的合約——所以這裡的重點比聽起來更狹隘：依轉錄表現選擇轉錄器，並讓它上方的層保持可移植。

哪一個屬於你的技術棧？

如果你的問題出在文字本身——不流暢的面試音訊、充滿「不要，等等，我是說」的客服通話、需要按名稱逐一核對的地區設定清單，以及今天下午就能放在金鑰後面的受管端點——那就選擇 Gemini 3.5 Transcribe。它是目前公開排行榜上更準確的模型，領先幅度雖小但確實存在；它會在傳輸過程中即時修正轉錄稿，而且每小時只要三十美分，還提供免費方案可供測試。

如果你的問題出在「房間」本身，就選擇 Nemotron 3.5 Transcribe。超過三位講者、語音重疊、十三種語言的講者標籤、在長達一小時的檔案中仍可靠的逐字時間戳，以及禁止將錄音傳送給第三方的音訊政策——在這些情況下，開放檢查點不是妥協，而是唯一能滿足需求的選項。它也是兩者之中唯一可微調的模型；對於帶口音或特定領域的音訊，這比零點四個百分點更有價值。

什麼會改變這個判斷：一次獨立的 diarization 重跑，讓 Gemini 的表現接近 NVIDIA 的 18.26% DER；或是一次 AA 重新量測，把 Nemotron 確定在 2.8% 到 3.4% 之間。在這些結果出現之前，準確度這個論點是廠商說的，而功能這個論點，是你可以在一個下午用自己最糟的錄音親自驗證的。