Nvidia presenta Nemotron 3.5 Transcribe: un modelo abierto de transcripción para audio multilingüe

Image: TechCrunch · Source

Nvidia lanza Nemotron 3.5 Transcribe, un modelo gratuito y con pesos abiertos de reconocimiento de voz a texto que soporta hasta 40 idiomas y puede distinguir múltiples hablantes, optimizado para transcribir audio grabado en entornos empresariales y médicos.

El 28 de octubre de 2026, Nvidia anunció Nemotron 3.5 Transcribe, un nuevo modelo gratuito y con pesos abiertos de reconocimiento de voz a texto capaz de transcribir grabaciones en hasta 40 idiomas. Junto con el modelo, Nvidia lanzó la versión 2 de Granary, un conjunto de datos de voz de código abierto actualizado, destinado a mejorar la calidad de las transcripciones a través de muestras de voz diversas.

Nemotron 3.5 puede diferenciar hasta ocho hablantes dentro de una misma grabación y traducir 31 idiomas hacia y desde el inglés. Soporta grabaciones de hasta una hora de duración, dirigido principalmente a desarrolladores enfocados en crear aplicaciones de transcripción para reuniones de negocios y contextos médicos, dos sectores donde las tecnologías de reconocimiento de voz impulsadas por IA se han vuelto cada vez más valiosas.

Una ventaja clave de Nemotron 3.5 es su capacidad para superar a competidores en múltiples pruebas de referencia, incluyendo el Open ASR Leaderboard de Hugging Face. Nvidia enfatiza la flexibilidad del modelo para personalización a través de su kit de herramientas NeMo Speech, que permite que las aplicaciones reconozcan jerga especializada propia de diferentes industrias e idiomas.

Nemotron 3.5 es destacable por su eficiencia, con 30 mil millones de parámetros pero funcionando en un solo chip. Es compatible con una gama de hardware de Nvidia, incluyendo el controlador robótico Jetson AGX Thor, el chip DGX Spark que se encuentra en nuevas laptops y los procesadores para centros de datos Blackwell.

Sin embargo, Nemotron 3.5 está diseñado exclusivamente para audio grabado y no soporta transmisiones de audio en vivo, dejando los casos de uso de transcripción en tiempo real a otros proveedores como ElevenLabs. La iniciativa de Nvidia se une a una oleada más amplia de lanzamientos recientes de tecnología de voz con IA, contemporánea con productos como Voxtral 3 de Mistral, los agentes de voz en tiempo real de ElevenLabs y el modelo de voz Launa-Omni de Salesforce.

En conjunto, el lanzamiento de Nvidia representa un avance significativo en tecnología accesible de transcripción de voz multilingüe, orientada a aplicaciones offline y de audio grabado en entornos profesionales, apoyando una mayor innovación en herramientas de voz impulsadas por IA.