Nvidia presentó el 28 de octubre de 2026 Nemotron 3.5 Transcribe, un modelo de código abierto y gratuito que transcribe audio en hasta 40 idiomas. Puede procesar grabaciones de hasta una hora, identificar hasta ocho interlocutores y añadir marcas de tiempo a cada palabra.
La herramienta está dirigida principalmente a desarrolladores e investigadores que trabajan en aplicaciones para reuniones, transcripción médica, traducción y análisis de conversaciones. Además, Nvidia plantea que el texto pueda adaptarse al uso previsto y a las necesidades de quien lo leerá.
Transcripciones adaptables y vocabulario especializado
El modelo de lenguaje aumentado por voz (SALM) interpreta instrucciones en lenguaje natural. Por ejemplo, puede eliminar muletillas para producir un texto más limpio o conservarlas cuando se busca una transcripción literal. También identifica la lengua hablada y permite traducir entre inglés y otros 31 idiomas.
Según Nvidia, el modelo puede adaptarse a expresiones profesionales y reducir hasta seis veces los errores al identificar entidades nombradas cuando se le proporcionan listas de términos o nombres propios, frente a transcripciones tradicionales. Asimismo, puede ejecutarse en un solo chip y está pensado para aplicaciones de voz, traducción, reuniones y atención al cliente.
Resultados y herramientas para desarrolladores
Nvidia afirma que Nemotron 3.5 Transcribe obtuvo los mejores resultados entre los modelos de código abierto evaluados en el Open ASR Leaderboard de Hugging Face. En las pruebas citadas por la empresa, registró una tasa de error del 4,71 % en inglés y del 4,62 % en las evaluaciones multilingües; esas cifras corresponden a condiciones concretas y no garantizan el mismo rendimiento en cualquier idioma o entorno.
La versión principal procesa archivos de audio grabados. Nvidia también señala que existe una variante de streaming, destinada a transcribir audio conforme se recibe. El lanzamiento incluye Granary 2, la segunda versión de su conjunto de datos de voz de código abierto, y los desarrolladores pueden combinar los modelos con herramientas como NeMo Speech.
Modelos abiertos y competencia en voz
La publicación de los pesos abiertos permite integrar el modelo en proyectos propios. Sin embargo, las empresas interesadas deberán revisar las condiciones de licencia y los requisitos técnicos; Nvidia no detalló en su anuncio todas las condiciones de despliegue ni las garantías de rendimiento de cada adaptación.
Nemotron 3.5 se suma a la oferta de modelos de voz de Nvidia, que incluye Parakeet, una alternativa de 1.100 millones de parámetros. En el mismo mercado compiten propuestas como Voxtral 3, de Mistral; Realtime, de ElevenLabs, orientado a agentes de voz, y Launa-Omni, de Salesforce.
Además de convertir voz en texto, estas herramientas buscan identificar interlocutores, traducir conversaciones y organizar la información para su uso posterior. Nvidia presenta sus modelos como recursos para transformar grabaciones de reuniones, entrevistas y conversaciones profesionales en documentos adaptados a distintos contextos.
