NVIDIA abre Transcribe, su modelo de voz que transcribe 40 idiomas y distingue quién habla
NVIDIA ha publicado Nemotron 3.5 Transcribe, un modelo de voz por pesos abiertos que transcribe 40 idiomas, traduce 31 al inglés y etiqueta hasta ocho hablantes en grabaciones de una hora. Junto al modelo llegan los datos y recetas de ajuste Granary v2, con 463.062 horas de audio en 48 idiomas.
Cuatro tareas de audio en un solo modelo
Transcribe reúne en un único checkpoint la transcripción, la atribución de hablantes, la traducción y las preguntas sobre el audio. Se guía con instrucciones en lenguaje natural —«traduce esto al inglés», «¿qué decisiones se tomaron en la reunión?»— y adapta el formato de salida al vocabulario de cada dominio.
NVIDIA declara el primer puesto entre modelos abiertos en la Open ASR Leaderboard de Hugging Face para inglés (5,33% de tasa de error de palabra) y el menor error al asignar quién habló en el benchmark multilingüe de David AI (18,26% en 21 idiomas).
El modelo tiene 30.000 millones de parámetros en total pero solo unos 4.000 millones activos por token, porque combina un codificador de voz con un lenguaje híbrido Mamba-Transformer de mezcla de expertos. Está pensado para audio grabado, no para retransmisión en directo; las versiones cuantizadas para ejecutarlo en local aún no están publicadas.
Los datos abiertos detrás y la prueba médica
Granary v2, construido con NeMo Curator, libera el proceso de curación y los manifiestos del audio usado en el entrenamiento: 463.062 horas en 48 idiomas y 16 corpus, frente a los 25 idiomas de la versión anterior. Las cifras describen el conjunto publicado, no la mezcla completa de entrenamiento del modelo.
El caso de ajuste médico es el dato más concreto que ofrece NVIDIA. En el benchmark abierto de voz médica india de Eka Care, el ajuste con las recetas de NeMo Speech baja la tasa de error de palabra en hablantes retenidos del 22,44% del mejor prompt al 12,17%, un 45,8% menos de errores, por delante de un modelo médico abierto especializado (13,79%). El estudio es de NVIDIA y se evaluó con el sistema de corrección de Eka Care; no hay todavía contraste independiente.
Qué cambió
Qué sabemos · qué no
Confirmado
- El modelo está disponible desde el 28 de octubre en Hugging Face y ModelScope, con soporte inicial de vLLM y SGLang-Omni y endpoints de pago en Baseten, DeepInfra y Simplismart.
- Según NVIDIA, lidera entre modelos abiertos la Open ASR Leaderboard de Hugging Face en inglés con 5,33% de WER medio, y empata el primer puesto abierto en la liga de Artificial Analysis con 2,8% AA-WER.
- En el benchmark médico de Eka Care, el ajuste redujo el WER en hablantes retenidos del 22,44% al 12,17%, con el pipeline de corrección de Eka Care.
Todavía no
- Los resultados de ligas y del caso médico proceden de la nota de NVIDIA; no hay todavía réplica independiente de sus benchmarks.
- No se publica el precio de los endpoints de pago ni el tamaño exacto en memoria de las versiones cuantizadas, anunciadas como próximas.
- La nota no detalla en qué idiomas concretos funciona cada tarea (matriz de tarea e idioma queda en la tarjeta del modelo) ni la tasa de error en español.
- 463.062 horas describen el manifiesto publicado de Granary v2, no la mezcla completa de entrenamiento ni sus pesos de muestreo.
La misma claridad, en tu correo.
IA HOY, gratis de lunes a viernes, con fuentes y contexto.
Para ir al grano técnico
Qué vigilamos ahora
La llegada de las versiones cuantizadas y del soporte local (NeMo-Speech.cpp) dirá si rinde fuera del centro de datos, y si laboratorios independientes publican evaluaciones frente a las APIs cerradas.
Fuentes
Naturaleza de la afirmación principal: Anuncio de la empresa. Información respaldada por fuentes, con aspectos pendientes de contraste.
- Hugging Face Blog (NVIDIA) · nivel 1 · primaria · consultada 29 oct 2026
- Hugging Face — ficha del modelo NVIDIA Nemotron 3.5 Transcribe · nivel 1 · primaria · consultada 29 oct 2026
Más sobre
IA HOY · de lunes a viernes
La misma claridad,
cada día, en tu correo.
Una noticia principal, una selección breve y el contexto o las dudas que conviene seguir. Con fuentes y sin rellenar cupos.
Para seguir leyendo
Modelos ·
Mistral abre los pesos de Mistral Large 4, su modelo de un billón de parámetros
Modelos ·
NVIDIA publica cuatro Cosmos 3 de pesos abiertos para simular mundos interactivos
Modelos ·
Tether lanza BotPsy, un agente de 0,8B parámetros con pesos abiertos para el móvil
Modelos ·
NVIDIA y Elith publican 9 millones de personas sintéticas para probar IA financiera en Japón