Qué pasó
- Nvidia publicó el miércoles 28 de octubre de 2026 Nemotron 3.5 Transcribe, un modelo de reconocimiento de voz gratuito y de pesos abiertos que transcribe audio en hasta 40 idiomas.
- Según la empresa, el modelo traduce 31 idiomas desde y hacia el inglés, procesa grabaciones de hasta una hora y distingue hasta ocho personas que hablan en la misma conversación.
- Junto con el modelo, Nvidia liberó la versión 2 de Granary, su conjunto abierto de datos de voz, y lo presentó como base para ajustar aplicaciones a la jerga de cada industria.
- La ficha en Hugging Face lo identifica como NVIDIA-Nemotron-3.5-Transcribe-30B-A4B y ofrece variantes cuantizadas en FP8 y NVFP4.
Por qué importa
- La transcripción de reuniones y la transcripción médica son dos de los usos de la IA con más tiempo dentro de las empresas. Un modelo abierto de este tamaño permite instalarlo en servidores propios, sin enviar grabaciones a un tercero.
- Nvidia afirma que el modelo corre en un solo chip: desde el controlador robótico Jetson AGX Thor y el DGX Spark de los nuevos portátiles hasta los procesadores Blackwell de centros de datos. Si eso se cumple en la práctica, un hospital o una notaría podría transcribir en un equipo de escritorio.
- La separación de hablantes, hasta ocho, es lo que vuelve útil una transcripción de reunión: sin ella el texto queda como un bloque continuo sin autoría.
- Hay un límite declarado: Transcribe trabaja con audio grabado y no con transmisiones en vivo, así que no sirve para subtítulos simultáneos.
El dato
40 idiomas. Es la cobertura de transcripción que Nvidia declara para Nemotron 3.5 Transcribe, con traducción en 31 de ellos hacia y desde el inglés.
Contexto
El lanzamiento llega en un mes cargado para la voz. TechCrunch recuerda que Mistral publicó Voxtral 3 a comienzos de octubre, que ElevenLabs lanzó Realtime para agentes de voz instantáneos y que Salesforce presentó Launa-Omni, su propio modelo de voz.
Nvidia ya tenía modelos de voz abiertos, como Parakeet, de 1.100 millones de parámetros. Transcribe es casi treinta veces más grande y apunta a otra tarea: grabaciones largas, con varias personas y en varios idiomas. La empresa sostiene que supera a sus rivales en pruebas comparativas, entre ellas el Open ASR Leaderboard de Hugging Face, aunque esa afirmación proviene de la propia compañía y no de una evaluación independiente publicada junto al modelo.
El conjunto Granary cumple un papel distinto al del modelo. Es el material con que un equipo puede reentrenar o ajustar el sistema para que reconozca términos de una especialidad, como nombres de fármacos o vocabulario jurídico, en cada idioma. Nvidia lo combina con NeMo Speech, su conjunto de herramientas para personalizar modelos de voz.
Para el español, además de la cantidad de idiomas, importa la calidad con acentos regionales, algo que la ficha pública no detalla por país.
Qué viene
- Las variantes cuantizadas en FP8 y NVFP4 reducen la memoria necesaria y facilitan pruebas en equipos más modestos.
- Falta ver mediciones independientes de error por palabra en español de Chile, Argentina o México, que son las que decidirán su uso en la región.
Cierre
La competencia en voz abierta se acelera: Mistral lanzó Voxtral 3 y fijó precios desde US$ 0,0035 por minuto y Block presentó Dessa, un modelo entrenado solo con audio. La tendencia a correr modelos en equipos propios aparece también en el motor de inferencia que DeepSeek abrió para chips de Nvidia y en Flint, un modelo de código que funciona en un portátil.
Fuentes
- Hugging Face — NVIDIA-Nemotron-3.5-Transcribe-30B-A4B (ficha del modelo, 28 de octubre de 2026)
- TechCrunch — Voice AI in vogue, Nvidia releases new open transcription model (28 de octubre de 2026)
- Imagen de portada: Justin De La Ornellas from China Town, Hawaii, CC BY 2.0, vía Wikimedia Commons
Editado por Rodrigo Cornejo. Quiénes escriben las notas
