Por Canuto  

Nvidia presentó Nemotron 3.5 Transcribe, un modelo de pesos abiertos que procesa audio en hasta 40 idiomas y distingue hasta ocho hablantes. Su variante de streaming permite transcribir audio mientras se recibe, y la herramienta apunta a aplicaciones de reuniones y transcripción médica.
***

  • Nemotron 3.5 Transcribe admite audios de hasta una hora, transcribe en 40 idiomas y puede traducir 31 idiomas hacia y desde el inglés.
  • La versión de streaming identificada en la tarjeta del modelo de Nvidia tiene 600 millones de parámetros, no 30.000 millones.
  • La compañía también actualizó Granary, su conjunto de datos de voz, mientras otros actores lanzan productos de IA centrados en voz.

 

Una apuesta por la transcripción multilingüe

Nvidia presentó el miércoles 28 de octubre de 2026 Nemotron 3.5 Transcribe, un modelo de pesos abiertos que convierte audio en texto y admite hasta 40 idiomas. La compañía también anunció Granary, versión 2 de su conjunto de datos de voz de código abierto, con el que busca ofrecer a desarrolladores más herramientas para construir y adaptar productos de reconocimiento de voz.

La propuesta se dirige a aplicaciones de reuniones de negocios y transcripción médica, dos usos de IA que ya tienen presencia en el entorno laboral. En esos escenarios, pasar conversaciones habladas a texto puede facilitar el registro y la consulta de lo dicho, pero la utilidad concreta depende de que el sistema reconozca correctamente las palabras y las voces en cada grabación.

Nvidia afirma que Nemotron 3.5 puede transcribir en 40 idiomas y traducir 31 de ellos hacia y desde el inglés. También asegura que el sistema puede procesar grabaciones de hasta una hora y distinguir hasta ocho hablantes, funciones relevantes para audios extensos en los que intervienen varias personas.

La compañía sostiene que el modelo supera a rivales en evaluaciones comparativas, entre ellas el Open ASR Leaderboard de Hugging Face. Esa afirmación corresponde a Nvidia y no equivale, por sí sola, a una garantía de desempeño idéntico en cada idioma, entorno de grabación o aplicación; los resultados de un benchmark reflejan las condiciones y métricas específicas con que se comparan los sistemas.

Personalización y límites de uso

A diferencia de una herramienta limitada a procesar grabaciones una vez finalizadas, Nemotron 3.5 ASR también cuenta con una versión de streaming, diseñada para transcribir audio mientras se recibe. La tarjeta del modelo de Nvidia en Hugging Face describe esta variante como un sistema de reconocimiento de voz multilingüe en streaming.

Nvidia plantea que desarrolladores pueden combinar el modelo con Granary actualizado y herramientas como NeMo Speech para adaptar aplicaciones a la jerga de cada industria y a cada idioma. La personalización apunta a un problema práctico del reconocimiento automático: un sistema general puede necesitar ajustes para interpretar vocabulario especializado, aunque la compañía no detalló en el anuncio cuánto trabajo requiere ese proceso ni qué resultados garantiza.

La disponibilidad de pesos abiertos permite que quienes desarrollan aplicaciones trabajen con el modelo y lo integren en sus proyectos, en lugar de limitarse a una herramienta cerrada de transcripción. Sin embargo, el anuncio no especifica condiciones de licencia ni detalla otros requisitos de despliegue, por lo que los equipos interesados deberán revisar los términos asociados antes de incorporarlo a un producto.

La tarjeta de Nvidia en Hugging Face identifica la variante de streaming como un modelo de 600 millones de parámetros. Esa cifra difiere de los 30.000 millones mencionados en algunas descripciones del anuncio, que no corresponden a la versión de transcripción identificada en la tarjeta del modelo.

El lugar de Nemotron en la oferta de Nvidia

Nemotron 3.5 se incorpora a la oferta de modelos de voz de pesos abiertos de Nvidia, que también incluye Parakeet. La compañía describe a Parakeet como un modelo mucho más pequeño, con 1.100 millones de parámetros, y destaca su capacidad; esa diferencia de escala muestra que Nvidia presenta opciones de voz con tamaños distintos, aunque el anuncio no establece cuál conviene para cada caso de uso.

La presentación ocurre en un periodo de actividad intensa en herramientas de voz con IA. A principios de octubre, Mistral lanzó Voxtral 3; ElevenLabs presentó Realtime, orientado a voz instantánea en agentes de voz; y Salesforce lanzó Launa-Omni, otro modelo de voz.

TechCrunch informó sobre el anuncio y los usos que Nvidia destaca para el modelo. En conjunto, Nemotron 3.5, Granary 2 y las herramientas NeMo Speech forman una oferta para desarrolladores que buscan crear sistemas de transcripción y adaptarlos a distintos idiomas y sectores, incluida la transcripción en streaming.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados