Nvidia amplía su apuesta por la inteligencia artificial aplicada a la voz con Nemotron 3.5 Transcribe, un nuevo modelo de código abierto y disponible de forma gratuita que convierte grabaciones de audio en texto en hasta 40 idiomas. Presentado el 28 de octubre de 2026, permite procesar archivos de hasta una hora de duración, identificar hasta ocho interlocutores y asociar sus intervenciones con marcas de tiempo a nivel de palabra. La herramienta está pensada principalmente para que desarrolladores e investigadores creen aplicaciones relacionadas con las reuniones de negocios, la transcripción médica, la traducción y el análisis de conversaciones.
Transcripciones a medida de cada usuario
Una de sus principales características es que permite adaptar el resultado a las necesidades de cada usuario. Nvidia parte de una idea: no existe una única forma correcta de transcribir una grabación, ya que el resultado depende de quién vaya a leerlo y con qué propósito. Para ello, ha desarrollado un modelo de lenguaje aumentado por voz (SALM, por sus siglas en inglés) que interpreta instrucciones en lenguaje natural y puede, por ejemplo, eliminar muletillas para obtener un texto más limpio o conservarlas si se busca una transcripción literal. También permite traducir entre el inglés y otros 31 idiomas e identificar la lengua hablada.
La personalización puede resultar especialmente útil en sectores con vocabulario técnico o terminología específica. El modelo está diseñado para adaptarse a las expresiones propias de distintas profesiones y, según Nvidia, cuando se le facilitan listas de términos o nombres propios, puede reducir hasta seis veces los errores en la identificación de entidades nombradas frente a las transcripciones tradicionales. La compañía también destaca que puede ejecutarse en un solo chip, una característica que busca facilitar su integración en distintas aplicaciones. Entre sus usuarios potenciales figuran desarrolladores que trabajan en interfaces de voz, herramientas de transcripción y traducción, procesamiento de reuniones y análisis de atención al cliente.
Precisión y nuevas herramientas para desarrolladores
En cuanto a su precisión, Nvidia asegura que Nemotron 3.5 Transcribe obtiene los mejores resultados entre los modelos de código abierto evaluados en el Open ASR Leaderboard de Hugging Face. En las pruebas citadas por la compañía, registra una tasa de error del 4,71 % en inglés y del 4,62 % en las evaluaciones multilingües. Estas cifras corresponden a condiciones concretas de evaluación y no garantizan el mismo rendimiento en cualquier idioma o entorno de grabación. Además, aunque la versión principal está concebida para trabajar con archivos de audio previamente grabados, Nvidia también identifica una variante de streaming destinada a transcribir audio a medida que se recibe.
El lanzamiento llega acompañado de Granary 2, la segunda versión del conjunto de datos de voz de código abierto de Nvidia, con el que la compañía quiere ofrecer más recursos para desarrollar y adaptar sistemas de reconocimiento de voz. Los desarrolladores también pueden combinar estos modelos con herramientas como NeMo Speech para ajustar sus aplicaciones a diferentes idiomas y sectores. La publicación de los pesos abiertos permite integrar el modelo en proyectos propios, aunque las empresas interesadas deberán revisar las condiciones de licencia y los requisitos técnicos antes de incorporarlo a sus productos. La compañía no ha detallado en su anuncio todas las condiciones de despliegue ni las garantías de rendimiento que ofrece cada adaptación.
La voz, otro frente de la IA
Nemotron 3.5 se suma a la oferta de modelos de voz de Nvidia, que incluye también Parakeet, una alternativa más pequeña, de 1.100 millones de parámetros. La compañía sitúa este lanzamiento en un mercado cada vez más competitivo, en el que también se mueven propuestas como Voxtral 3, de Mistral; Realtime, de ElevenLabs, orientado a agentes de voz; y Launa-Omni, de Salesforce.
La carrera ya no consiste únicamente en convertir palabras habladas en texto, sino en identificar quién interviene, traducir conversaciones y organizar la información para que pueda utilizarse después. En ese escenario, Nvidia busca que sus herramientas permitan transformar grabaciones de reuniones, entrevistas o conversaciones profesionales en documentos más precisos y adaptados a cada contexto.
