NVIDIA publicó el miércoles 28 de octubre de 2026 el Nemotron 3.5 Transcribe, un modelo de reconocimiento de habla con pesos abiertos y arquitectura de mezclas de expertos (MoE) de 30 mil millones de parámetros — de los cuales solo 4.3 mil millones están activos por paso de inferencia. El modelo combina transcripción literal, traducción hacia y desde 31 idiomas, atribución de hablantes (hasta ocho voces distintas) y marcas temporales a nivel de palabra, todo dentro de un único checkpoint que cabe en una GPU de gama consumer como una RTX 5090.
Lo que distingue al Nemotron 3.5 Transcribe de los sistemas convencionales de reconocimiento automático de voz es su capacidad de recibir instrucciones en lenguaje natural antes de que el audio comience a reproducirse. Se puede pedir al modelo que transcriba una grabación de reunión de forma literal, que resuma los puntos clave, o que formatee la salida de manera específica — el modelo adapta la salida según el prompt sin necesitar fine-tuning. Este enfoque, que NVIDIA denomina "transcripción inteligente", transforma un problema estático de reconocimiento de habla en una interfaz flexible donde el mismo checkpoint produce distintas salidas según el contexto.
En benchmarks públicos, el modelo encabeza la Hugging Face Open ASR Leaderboard para modelos open-weight con una tasa promedio de error de palabras (WER) de 4,71% en nueve conjuntos de prueba en inglés, y 4,62% en el leaderboard multilingüe. En la plataforma independiente Artificial Analysis, que mide el AA-WER (Adjusted Word Error Rate), el modelo obtiene 2,81% — segundo entre todos los modelos open-weight, a solo 0,04 puntos del líder Voxtral Small de Mistral, que usa aproximadamente seis veces más parámetros activos (24 mil millones frente a 4,3 mil millones).
La eficiencia es la característica más impresionante. Para lograr un rendimiento comparable al de modelos mucho más grandes, NVIDIA empleó una combinación de arquitectura Mamba-Transformer con enrutamiento granular de mezclas de expertos, donde solo una fracción de los parámetros se activa para cada token. El modelo fue entrenado con Granary-v2, un dataset multilingüe de 844.000 horas de habla en 48 idiomas — casi un millón de horas — con transcripciones variadas que cubren distintos acentos, registros y dominios. La mayoría de los datos de entrenamiento son sintéticos, lo que plantea una pregunta importante sobre la generalización del modelo a situaciones del mundo real.
El lanzamiento se produce en medio de una carrera intensa en el sector de voice AI. Mistral lanzó la familia Voxtral a principios de octubre, ElevenLabs lanzó su Realtime para agentes de voz instantáneos, y Salesforce lanzó el Launa-Omni. NVIDIA posiciona el Transcribe como una alternativa más ligera y accesible, especialmente para desarrolladores que quieren ejecutar transcripción de alta calidad localmente — ya sea en un portátil con un Jetson AGX Thor, un DGX Spark, o un servidor de datacenter con GPUs Blackwell.
Pero el modelo no es perfecto. Transcribe funciona solo con audio grabado, no con streaming en vivo — una limitación significativa para aplicaciones de agentes de voz en tiempo real. Además, los benchmarks de dominio específico muestran que el WER cae a 30,8% en contenido domain-specific antes del prompting cuidadoso, bajando a 20,8% después. Esto significa que para uso médico, legal o técnico, el modelo requiere adaptación adicional y verificación humana. La propia NVIDIA recomienda que los usuarios verifiquen nombres, cambios de hablante y respuestas del modelo.
Los pesos están disponibles bajo la licencia OpenMDW-1.1, que permite uso comercial, modificación y redistribución — aunque la Open Source Initiative aún está evaluando si la licencia cumple formalmente con la definición de open source. Los pesos del modelo están disponibles en Hugging Face y ModelScope, con soporte de despliegue a través de vLLM y NVIDIA NeMo Speech. Hay un demo interactivo en Hugging Face Spaces para probar el modelo antes de implementarlo en producción.
La pregunta que queda es si el Transcribe representa el futuro de la transcripción local — un modelo capaz de correr en el portátil de cualquier persona, en decenas de idiomas, sin depender de servicios cloud de empresas como Google, Apple o Microsoft — o si las limitaciones de dominio específico y la ausencia de streaming en tiempo real serán barreras suficientes para que permanezca como herramienta de nicho, mientras los gigantes continúan dominando el mercado de voice AI con sus APIs cerradas e infraestructuras masivas.
Fuentes: NVIDIA Research, TechCrunch, The Decoder
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
