Por Redacción Pangea IA · 28 de octubre de 2026
NVIDIA ha lanzado Nemotron 3.5 Transcribe, un modelo de voz con pesos abiertos capaz de transcribir grabaciones en 40 idiomas, separar interlocutores, traducir audio y responder preguntas sobre su contenido. La novedad apunta a un problema muy concreto para empresas y profesionales: convertir reuniones, entrevistas, llamadas o dictados en información estructurada sin depender obligatoriamente de una API externa.
El modelo está disponible desde el 28 de octubre en Hugging Face, ModelScope y el ecosistema NeMo Speech. La compañía publica variantes BF16, FP8 y NVFP4, además de herramientas de ajuste. La propuesta es técnicamente ambiciosa, pero conviene separar lo que ya puede probarse de las cifras de rendimiento comunicadas por su fabricante.
Qué es Nemotron 3.5 Transcribe
Nemotron 3.5 Transcribe es un modelo de lenguaje aumentado con audio. Combina un codificador de voz, un sistema de diarización —la tarea de distinguir quién habla en cada momento— y un modelo de lenguaje de mezcla de expertos. Tiene 34.000 millones de parámetros en total, aunque activa aproximadamente 4.300 millones durante cada paso de procesamiento.
No es una simple actualización del Nemotron 3.5 multimodal que NVIDIA presentó para ordenadores. Transcribe es un lanzamiento especializado en audio grabado: admite archivos de hasta una hora, transcribe 40 idiomas, traduce 31 de ellos hacia o desde el inglés y puede atribuir intervenciones a distintos hablantes en 13 idiomas. El soporte exacto cambia según la tarea, por lo que «40 idiomas» no significa que todas las funciones estén disponibles en todos ellos.
El modelo puede etiquetar hasta ocho interlocutores y devolver marcas temporales por palabra. También acepta instrucciones en lenguaje natural. Un equipo podría pedir una transcripción literal, otra limpia de muletillas o una versión que respete nombres de productos, medicamentos y abreviaturas internas. Esa capacidad de adaptar la salida mediante un prompt reduce la necesidad de encadenar varios modelos y reglas de posprocesado.
Por qué puede ser útil para empresas y autónomos
La ventaja práctica no está solo en pasar voz a texto. En una reunión comercial, el mismo archivo podría convertirse en una transcripción con hablantes, una traducción al inglés y un resumen de decisiones. En atención al cliente, ayudaría a analizar llamadas y localizar términos propios del negocio. En sanidad o asesoría jurídica, podría adaptarse a vocabulario especializado, aunque esos usos exigen revisión humana y controles de privacidad.
Como los pesos están disponibles, una organización puede decidir dónde procesa el audio. Para conversaciones sensibles, ejecutar el modelo en infraestructura propia puede reducir la exposición frente a enviar grabaciones a un servicio externo. Es un enfoque complementario al de herramientas cerradas y dispositivos como PLAUD Note para resumir reuniones: aquí el atractivo principal es el control técnico, no una experiencia lista para usar por cualquier persona.
Un modelo abierto no equivale a una aplicación terminada
Nemotron 3.5 Transcribe está dirigido sobre todo a desarrolladores y equipos de datos. La tarjeta del modelo toma como referencia una GPU H100 de 80 GB para la versión BF16, mientras que NVIDIA también menciona formatos optimizados para hardware Blackwell, RTX 5090, DGX Spark y Jetson AGX Thor. Descargar los pesos no elimina el trabajo de integración, el coste del equipo ni la necesidad de diseñar controles de acceso y conservación de grabaciones.
Qué dicen las pruebas y qué falta por demostrar
NVIDIA afirma que el modelo encabeza las clasificaciones abiertas de reconocimiento automático del habla en inglés y en varios idiomas. Su informe sitúa el error medio de palabras en el 4,71 % para nueve conjuntos públicos en inglés y en el 4,62 % para siete lenguas del apartado multilingüe. También comunica resultados destacados al separar voces que se solapan.
Las cifras son verificables en la documentación y en los tableros citados, pero siguen siendo resultados de laboratorio seleccionados por el propio desarrollador. TechCrunch y The Next Web confirman el lanzamiento, las funciones y la disponibilidad, no una auditoría completa del rendimiento en empresas. Nombres propios, acentos, cambios de interlocutor y respuestas sobre el contenido deben comprobarse contra la grabación original.
Hay además una limitación relevante: el lanzamiento procesa audio grabado, no conversaciones en directo. Para agentes de voz que deben reaccionar mientras una persona habla, siguen siendo más apropiados modelos de baja latencia como Eleven Realtime Mini y Max. Transcribe compite en precisión, control y adaptación posterior, no en conversación instantánea.
Cómo puede probarse
Los pesos y la tarjeta técnica están publicados en Hugging Face bajo la licencia OpenMDW-1.1 para usos comerciales y no comerciales. NVIDIA ofrece recetas de ajuste mediante NeMo Speech y distintas precisiones para equilibrar memoria, velocidad y fidelidad. La versión anunciada también puede identificar idioma, generar marcas temporales y responder preguntas sobre un audio, aunque esta última capacidad se ha entrenado en inglés.
Para una prueba empresarial sensata, el primer paso no debería ser transcribir todo el archivo histórico. Conviene escoger un conjunto pequeño y representativo de llamadas o reuniones, definir qué errores son críticos —nombres, importes, compromisos o cambios de hablante— y compararlo con una transcripción revisada por una persona. Después puede medirse el ahorro de tiempo y decidir si compensa mantener la infraestructura.
Una pieza útil, con límites claros
Nemotron 3.5 Transcribe convierte varias tareas de audio en un único modelo y permite mantener el procesamiento bajo control propio. Esa combinación puede interesar a empresas con muchas reuniones, llamadas multilingües o vocabulario especializado. Su valor real dependerá menos del puesto en una clasificación que de la precisión con voces españolas, ruido, solapamientos y terminología de cada organización.
La novedad es concreta y ya puede probarse, pero no es una grabadora de consumo ni una solución automática sin supervisión. Para los equipos que puedan integrarla, abre una alternativa a las API cerradas; para el resto, funciona por ahora como tecnología de base sobre la que deberán construirse productos más accesibles.
Fuentes
- NVIDIA Research: Nemotron 3.5 Transcribe, 28 de octubre de 2026.
- Hugging Face: Nemotron 3.5 Transcribe y Granary v2, 28 de octubre de 2026.
- Tarjeta del modelo en Hugging Face, consultada el 28 de octubre de 2026.
- TechCrunch: NVIDIA publica un modelo abierto de transcripción, 28 de octubre de 2026.
- The Next Web: transcripción abierta en 40 idiomas, 28 de octubre de 2026.
Deja una respuesta