Nvidia presentó el pasado martes 28 de octubre Nemotron 3.5 Transcribe, un modelo de reconocimiento de voz en pesos abiertos capaz de transcripción inteligente en 40 idiomas, con traducción simultánea para 31 lenguas, identificación de hasta ocho hablantes en audio superpuesto y capacidad de procesar grabaciones de hasta una hora. Lo que llama la atención no es solo el rendimiento, sino el posicionamiento estratégico: Nvidia quiere que un único modelo reemplace la pila tradicional de herramientas de reconocimiento de voz, reduciendo costes de despliegue y ofreciendo flexibilidad con prompts en lenguaje natural. Con 30 mil millones de parámetros totales y aproximadamente 4,3 mil millones de parámetros activos gracias a la arquitectura MoE (Mixture of Experts), Transcribe se clasifica por Nvidia como un "Speech-Augmented Language Model", un híbrido entre un sistema tradicional de reconocimiento automático de voz (ASR) y un modelo de lenguaje grande. La arquitectura combina un codificador de audio Transformer con un encoder de diarización congelado (Nemotron 3 Diarization) y el backbone Nemotron 3.5 Lightning, que utiliza una estructura híbrida Mamba-2–Transformer MoE. El resultado es un modelo que no solo reconoce palabras, sino que entiende el contexto, separa hablantes y permite ajustar el estilo de transcripción con instrucciones en lenguaje natural. En los benchmarks, el modelo alcanzó una tasa de error de palabras (WER) de 4,71% en el leaderboard open de Hugging Face para transcripción en inglés, empatando con el estado del arte entre modelos de pesos abiertos y superando a Qwen3-ASR-1.7B (4,94%). En la versión multilingüe, evaluada en siete idiomas, el WER medio fue de 4,62%, con un rendimiento destacado para el portugués (2,82%) y el hindi (5,96%). En el benchmark de audio largo, el WER de 10,98% quedó significativamente por debajo del segundo mejor modelo abierto (13,37%). Según datos independientes de Artificial Analysis, el modelo obtuvo 2,8% en el AA-WER Index, empatando con el Voxtral Small de Mistral, aunque con seis veces menos parámetros activos (4,3B frente a 24B). Un aspecto poco explorado en la cobertura periodística es la estrategia de despliegue de Nvidia: el modelo está disponible en cuatro versiones de pesos (BF16, FP8, NVFP4 y GGUF), permitiendo ejecución local en GPUs Blackwell, en portátiles DGX Spark o incluso en dispositivos edge como el Jetson AGX Thor. El uso de especulación multi-token (MTP) nativa acelera la inferencia en vLLM, reduciendo el tiempo de generación hasta en dos tercios respecto a modelos similares. Nvidia también ha publicado el conjunto de datos Granary v2, una tubería de curación de datos de voz multilingüe con más de 843 mil horas en 48 idiomas — lo que significa que los desarrolladores no solo descargan un modelo, sino que pueden reproducir y adaptar la propia tubería de curación. La decisión de abrir el modelo es coherente con la estrategia de ecosistema que Nvidia ha construido durante años. El sector de Voice AI vive una fase de intensa competencia: Mistral lanzó Voxtral 3 a principios de octubre, ElevenLabs presentó Realtime para habla instantánea en agentes de voz, y Salesforce liberó Launa-Omni. La diferencia de Transcribe es que no intenta hacer todo a la vez: se centra en transcripción inteligente (no streaming), lo que lo posiciona como la opción ideal para aplicaciones empresariales donde la precisión importa más que la latencia en tiempo real. El modelo también incluye una capacidad que muchos analistas consideran subvalorada: la adaptación por fine-tuning en dominios específicos. Nvidia demostró que es posible adaptar Transcribe a vocabulario médico, jurídico o financiero en solo 0,5 a 2,3 horas de GPU por tarea, con reducción de hasta 33% en errores de reconocimiento de nombres propios. En benchmarks médicos indios, el WER cayó de 12,17% a 11,8% tras la adaptación — una diferencia aparentemente pequeña, pero con implicaciones enormes en entornos clínicos donde la pronunciación de términos técnicos determina el diagnóstico. La limitación más evidente es que Transcribe no procesa streaming en vivo, lo que significa que no reemplaza herramientas como Whisper de OpenAI para dictado en tiempo real. Pero para transcripción de reuniones grabadas, actas clínicas, atención al cliente y análisis de llamadas telefónicas — segmentos que juntos representan miles de millones de dólares en ingresos para empresas de Voice AI — la ausencia de streaming en vivo es un compromiso aceptable ante la precisión superior y el control contextual. Lo que queda por responder es si la combinación de arquitectura eficiente con prompts controlables se convertirá en el estándar para Voice AI corporativo, o si los competidores responderán con modelos igualmente eficientes. Nvidia demostró que es posible ofrecer rendimiento de frente con un modelo de 4,3 mil millones de parámetros — y que, quizás, la próxima revolución en reconocimiento de voz no provenga de modelos cada vez más grandes, sino de modelos que entienden mejor lo que quieren los usuarios antes incluso de que comiencen a hablar.
Fuentes: TechCrunch, SiliconANGLE, NVIDIA Research
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
