El modelo, gratuito y de pesos abiertos, procesa grabaciones de hasta una hora, distingue hasta ocho hablantes y traduce 31 idiomas desde y hacia el inglés.
Nvidia publicó el 28 de octubre Nemotron 3.5 Transcribe, un modelo de reconocimiento de voz de pesos abiertos que transcribe en 40 idiomas, entre ellos español y portugués. El anuncio, firmado por el equipo de voz de la empresa en el blog de Hugging Face, incluye también la segunda versión de Granary, su conjunto de datos abierto de voz.
El modelo está disponible en Hugging Face bajo la licencia OpenMDW-1.1, que según la ficha técnica permite uso comercial y no comercial. Nvidia lo orienta a desarrolladores de aplicaciones de transcripción de reuniones y dictado médico.
Qué hace
A diferencia de un transcriptor convencional, el modelo recibe instrucciones en lenguaje natural: transcribir, traducir, etiquetar hablantes o responder preguntas sobre el contenido de una grabación, como qué decisiones se tomaron en una reunión. Según Nvidia, procesa audios de hasta una hora, distingue hasta ocho hablantes y entrega marcas de tiempo por palabra. La traducción cubre 31 idiomas hacia y desde el inglés, y la identificación de hablantes funciona en 13 idiomas.
Los usuarios pueden incluir términos de su sector en la instrucción o adaptar el modelo con la herramienta NeMo Speech. Nvidia muestra un caso con la empresa india Eka Care, en el que el ajuste redujo la tasa de error en dictado médico de 22,44% a 12,17%. La propia empresa advierte que buena parte del audio usado para ese ajuste era sintético, que un modelo médico especializado siguió siendo mejor con nombres de fármacos y diagnósticos, y que el rendimiento en inglés general empeoró levemente.
Tamaño y hardware
Nvidia lo describe como un modelo de mezcla de expertos con 30.000 millones de parámetros totales y unos 4.000 millones activos por token. La ficha técnica eleva la cifra a 34.000 millones totales y 4.300 millones activos al incluir el codificador de audio.
Funciona en una sola GPU de Nvidia, desde el módulo Jetson AGX Thor y el equipo DGX Spark hasta los chips Blackwell de centro de datos. Según la empresa, una GPU RTX PRO 6000 Blackwell procesó 100 horas de audio en menos de tres minutos, en clips de 30 segundos y con alta concurrencia.
Resultados y límites
En el Open ASR Leaderboard de Hugging Face, Nvidia reporta una tasa de error promedio de 5,33% en inglés, la más baja entre los modelos de pesos abiertos. Según The Decoder, que cita a Artificial Analysis, el modelo registra 2,81% de error frente a 2,77% de Voxtral Small, de Mistral, con cerca de una sexta parte de los parámetros activos. Otras comparaciones con servicios comerciales provienen de Nvidia y no tienen verificación independiente.
La principal limitación es que solo trabaja con audio grabado: no sirve para transcripción en vivo. La ficha técnica agrega que la comprensión de audio y las respuestas a preguntas se evaluaron solo en inglés, que el soporte varía por idioma y tarea, que algunos idiomas pueden requerir ajuste adicional y que las etiquetas de hablante distinguen voces dentro de una grabación, pero no identifican a las personas. Nvidia recomienda revisar nombres, cambios de hablante y respuestas frente a la grabación original.
Granary v2
El conjunto de datos Granary v2 reúne 463.062 horas de audio en 48 idiomas, a partir de 16 corpus, frente a 25 idiomas de la primera versión. Nvidia aclara que no coincide por completo con los datos con que entrenó el modelo y que el audio original debe descargarse por separado, bajo la licencia de cada corpus.
El lanzamiento llega en un mes activo para la IA de voz. TechCrunch recuerda que Mistral presentó Voxtral 3 a comienzos de octubre, que ElevenLabs lanzó Realtime para agentes de voz instantáneos y que Salesforce presentó su modelo Launa-Omni. Según The Decoder, mientras Mistral se enfoca en agentes de voz en tiempo real, Nvidia prioriza combinar transcripción, traducción e identificación de hablantes en un solo modelo para audio grabado.
Fuentes
- Nvidia en Hugging Face: NVIDIA Nemotron 3.5 Transcribe and Granary v2 (28 de octubre de 2026)
- Hugging Face: ficha técnica de Nemotron 3.5 Transcribe
- Hugging Face: conjunto de datos Granary v2
- Hugging Face: Open ASR Leaderboard
- TechCrunch: Voice AI in vogue: Nvidia releases new open transcription model (28 de octubre de 2026)
- The Decoder: Nvidia’s open Nemotron 3.5 Transcribe combines transcription, translation, and speaker recognition (28 de octubre de 2026)
Ilustración generada por IA.
📬 Newsletter gratuito
