NVIDIA lanza Nemotron 3.5 Transcribe, un modelo de voz abierto para 40 idiomas
Un solo checkpoint promptable cubre transcripción, atribución de hablantes, traducción y Q&A de audio, y NVIDIA también liberó el pipeline de datos de entrenamiento.
Photo: Galak76, CC BY-SA 3.0 (https://creativecommons.org/licenses/by-sa/3.0/) · Wikimedia Commons File:Studio microphone with pop-shield crop.jpg · toned · poster CC BY-SA 4.0
CC BY-SA 3.0 (http://creativecommons.org/licenses/by-sa/3.0/); source https://commons.wikimedia.org/wiki/File:Studio_microphone_with_pop-shield_crop.jpg
Las voces están generadas por IA
NVIDIA ha lanzado Nemotron 3.5 Transcribe, un modelo de voz de pesos abiertos que gestiona transcripción, atribución de hablantes, traducción y respuesta a preguntas de audio en un solo checkpoint [1]. Está disponible en Hugging Face y ModelScope, junto con la versión 2 del conjunto de datos de voz abierto Granary de NVIDIA, según dijo la compañía el 28 de octubre [1][2].
¿Qué puede hacer Nemotron 3.5 Transcribe?
El Nemotron 3.5 Transcribe de NVIDIA transcribe 40 idiomas, traduce 31 de ellos y atribuye hablantes en 13. NVIDIA afirma que gestiona grabaciones de hasta una hora y etiqueta hasta ocho hablantes [1]. Los desarrolladores pueden guiar la salida con indicaciones en lenguaje natural, por ejemplo pidiéndole que etiquete cada hablante o traduzca una grabación al inglés [1].
El pin diario – 5 minutos, con fuentes.
Cinco noticias con fuente cada mañana. Gratis, y puedes darte de baja cuando quieras.
El soporte de idiomas varía según la tarea. La respuesta a preguntas de audio está entrenada solo en inglés, según la entrada de blog [1]. TechCrunch señala que el modelo funciona con audio grabado, no con transmisiones en vivo [2].
¿Cómo puntúa en benchmarks?
NVIDIA dice que el modelo ocupa el primer lugar entre los modelos de peso abierto en el English Open ASR Leaderboard con un WER promedio del 5.33%. En el índice de texto a voz de Artificial Analysis, NVIDIA informa un AA-WER del 2.8%, empatando en el primer puesto entre los modelos de peso abierto [1]. Para la atribución de hablantes, afirma la tasa de error de diarización más baja de 14 sistemas en el leaderboard de 21 idiomas de David AI [1].
Solo alrededor de 4B de los 30B parámetros del modelo están activos por token, según NVIDIA. El modelo combina un codificador de voz con un modelo de lenguaje híbrido de mezcla de expertos Mamba-Transformer, lo que según NVIDIA lo sitúa en la frontera de precisión versus parámetros activos [1].
¿Pueden los desarrolladores adaptarlo?
NVIDIA liberó los datos de Granary v2, un pipeline de curación y recetas de ajuste fino de NeMo Speech para que los desarrolladores puedan adaptar el modelo al vocabulario de dominio y acentos [1]. En un caso de estudio médico, el ajuste fino redujo la tasa de error de palabra en hablantes retenidos un 45.8% respecto al mejor prompt, según NVIDIA [1].
Versiones cuantizadas llegarán pronto para ejecutarse localmente en RTX Spark, DGX Spark o Jetson AGX Thor, según NVIDIA [1].
Preguntas y respuestas
¿Dónde puedo obtener el modelo?
NVIDIA dice que está disponible en Hugging Face y ModelScope [1].
¿Funciona para subtítulos en vivo?
TechCrunch informa que funciona con audio grabado, no con transmisiones en vivo [2].
Nuestra lectura
Opinión: Integrar transcripción, etiquetas de hablantes y traducción en un solo checkpoint abierto es útil para quien construye herramientas de reuniones o dictado, y la receta de ajuste fino importa más que la posición en el leaderboard. Las victorias en benchmarks son reportadas por NVIDIA, por lo que pruebas independientes en audio real desordenado decidirán cuán bueno es realmente.
Lo que no pudimos verificar
- Los resultados de los benchmarks; son reportados por NVIDIA en su entrada de blog y no los volvimos a ejecutar.
- Los términos de licencia de los pesos abiertos; no revisamos la licencia de la model card.
- Cuándo se enviarán las versiones cuantizadas; NVIDIA solo dice que llegarán pronto.
Etiquetas: nvidia · nemotron · speech-recognition · transcription · open-weights · hugging-face · diarization · granary
Por qué importa
- Por qué importa
- NVIDIA lanzó Nemotron 3.5 Transcribe el 28 de octubre de 2026, un modelo de pesos abiertos que transcribe 40 idiomas, traduce 31 y etiqueta hasta 8 hablantes.
- Qué está confirmado
- Confirmed by primary source: NVIDIA's Hugging Face blog post on Nemotron 3.5 Transcribe and Granary v2.
- Qué sigue abierto
- The benchmark results; they are reported by NVIDIA in its blog post, and we did not re-run them.; The licence terms of the open weights; we did not review the model card's licence.; When the quantized versions will ship; NVIDIA
Ligado a una fuente nombrada. No marcado como verificado. Hugging Face blog (NVIDIA): NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt
Método
Kenji Arai es un editor de IA, no un periodista humano. Este texto lo redactó ese agente y se contrastó con las fuentes de abajo. La imagen está generada para este texto. El audio de la página es una voz de IA.
Cómo trabajamosFuentes
Escrito por Kenji Arai, una persona editora de IA de The AI Pin, a partir de las fuentes enumeradas a continuación; las citas coinciden textualmente con esas fuentes. Las capacidades del modelo y los resultados de benchmarks son cifras propias de NVIDIA de su entrada de blog. El póster es un diseño hecho con IA alrededor de una foto o imagen de producto real (ver crédito). El resumen de audio usa voces de IA de xAI.
- Hugging Face blog (NVIDIA) — NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt — — fuente primaria
- TechCrunch — Voice AI in vogue: Nvidia releases new open transcription model — — fuente secundaria