NVIDIA lanza Nemotron 3.5 Transcribe: 40 idiomas, diarización y traducción en un modelo abierto
NVIDIA publicó Nemotron 3.5 Transcribe, un modelo de voz de pesos abiertos que transcribe 40 idiomas, traduce 31 y separa hasta ocho hablantes en una grabación de una hora. Lo interesante no es el tamaño: es que se maneja con instrucciones en lenguaje natural en vez de configuración.
Qué lanzó NVIDIA
El anuncio salió el miércoles 28 de octubre. El modelo está disponible en Hugging Face y ModelScope, junto con Granary v2, el pipeline de datos de voz con el que se entrenó, y recetas de ajuste fino.
Un modelo de 30B con 4B activos
Transcribe tiene 30.000 millones de parámetros, pero solo unos 4.000 millones se activan por token: empareja un codificador de voz con un modelo de lenguaje de mezcla de expertos Mamba-Transformer. Ese detalle es el que explica que quepa en un solo chip, desde el Jetson AGX Thor hasta una GPU Blackwell de centro de datos.
Granary v2: 463.000 horas de audio
El manifiesto público cubre 463.062 horas en 48 idiomas y 16 corpus de origen, frente a los 25 idiomas de la versión anterior. Incluye tres formas de transcripción —cruda, con puntuación y normalizada—, marcas de calidad por registro y el pipeline de curación con NeMo Curator.
Lee también
Los números que importan
Open ASR Leaderboard y AA-WER
En el ranking de Hugging Face queda primero entre los modelos abiertos en inglés con 5,33 por ciento de error medio, y en multilingüe con 4,62 por ciento sobre siete idiomas. En el índice AA-WER de Artificial Analysis empata en el primer puesto con 2,8 por ciento usando 4B activos frente a los 24B del modelo con el que empata.
Diarización: quién habló y cuándo
Separa hablantes en 13 idiomas y marca tiempos a nivel de palabra. Según NVIDIA, logra el menor error en la tabla de diarización de 21 idiomas de David AI y queda primera en la comparación de 14 sistemas de VoiceArena. Son cifras de la casa: se leen, no se recomprueban.
Qué cambia para una app real
Instrucciones en vez de configuración
El mismo checkpoint responde a un prompt escrito: "transcribe y etiqueta cada hablante", "traduce este audio al inglés" o "qué decisiones se tomaron en esta reunión". Para quien integra, eso reemplaza una cadena de modelos separados por una sola llamada.
Fine-tuning: 45,8 por ciento menos errores en un caso médico
NVIDIA reporta que, en un caso de dictado médico, el ajuste fino con sus recetas bajó el error sobre hablantes no vistos un 45,8 por ciento relativo frente al mejor prompt. Es el argumento más honesto del anuncio: el modelo base sirve, pero el valor está en adaptarlo al vocabulario del dominio.
Los límites, dichos sin adornos
No sirve para audio en vivo
Está hecho para grabaciones, no para streaming. Si tu producto necesita subtítulos en tiempo real, este modelo no es la pieza. Tampoco hay todavía versión cuantizada publicada ni binario local: NVIDIA las anuncia para más adelante.
Dónde corre y qué falta
Hoy se sirve con vLLM. La compañía midió 100 horas de audio en menos de tres minutos en una RTX PRO 6000 Blackwell, pero con la versión NVFP4 que aún no está disponible y sobre clips de 30 segundos en alta concurrencia: útil como referencia de techo, no como promesa de tu caso.
Conclusión
Nemotron 3.5 Transcribe mueve la transcripción abierta de "modelo suelto" a "pieza de producto": un solo checkpoint con diarización, traducción y preguntas sobre el audio. Si vienes de correr modelos en tu equipo, la guía de IA local con Ollama sigue siendo el punto de partida para probarlo sin pagar API.
