Un modelo para transcribir audio grabado
NVIDIA presentó Nemotron 3.5 Transcribe como un modelo de reconocimiento de voz para convertir audio grabado en texto. La compañía lo describe como un modelo de pesos abiertos dirigido a desarrolladores que crean herramientas de transcripción, traducción y procesamiento de conversaciones. La información disponible sitúa su uso en tareas como reuniones y dictado, pero no demuestra que sea adecuado para cualquier entorno profesional ni que alcance el mismo rendimiento en todos los idiomas.
NVIDIA afirma que el modelo admite transcripción en hasta 40 idiomas y traducción de 31 idiomas hacia y desde el inglés. Son capacidades distintas: que un idioma esté incluido en la transcripción no significa necesariamente que esté disponible para todas las funciones. La cobertura de idiomas y tareas puede variar, por lo que una aplicación multilingüe requiere pruebas con sus propios audios y con las funciones concretas que se quieran habilitar.
Hablantes, marcas de tiempo e instrucciones
Entre las funciones atribuidas al modelo figuran la identificación de hasta ocho hablantes y la generación de marcas de tiempo por palabra. La identificación de hablantes, también llamada diarización, separa las intervenciones de distintas voces dentro de una grabación; no equivale a reconocer la identidad real de quienes hablan. Una etiqueta de hablante puede ayudar a ordenar una conversación, pero no prueba quién es esa persona.
También se describe el uso de instrucciones para orientar la tarea, por ejemplo, elegir entre una transcripción literal o una versión más limpia, indicar términos especializados o solicitar una traducción. Esto permite ajustar la salida a distintos propósitos, aunque no garantiza que el modelo interprete correctamente cada instrucción ni que conserve todos los matices del audio. En nombres propios, jerga y fragmentos con voces superpuestas, conviene contrastar el texto con la grabación.
Tamaño del modelo y parámetros activos
Las cifras publicadas sobre el tamaño requieren distinguir entre parámetros totales y parámetros activos. En una arquitectura de mezcla de expertos, no todos los componentes se activan necesariamente para cada paso de inferencia. La cobertura técnica consultada atribuye a NVIDIA unos 30.000 millones de parámetros totales y alrededor de 4.000 millones activos; otra descripción de la arquitectura incluye el codificador de audio y presenta cifras superiores, de 34.000 millones totales y 4.300 millones activos. Esas cantidades describen componentes o alcances distintos y no deben confundirse con el tamaño de una variante de streaming.
La información disponible no confirma mediante documentación primaria aportada qué configuración de hardware necesita Nemotron 3.5 Transcribe ni cuáles son sus requisitos de memoria para cada precisión numérica o forma de despliegue. El tamaño de los parámetros, por sí solo, tampoco basta para calcular la memoria de ejecución o la velocidad: influyen la cuantización, el formato de los pesos, el tamaño de los lotes y el hardware utilizado.
Cómo leer las cifras de tamaño
Las cifras describen medidas diferentes; ninguna de ellas, aislada, determina el rendimiento práctico o los recursos necesarios.
| Medida | Qué representa | Qué no permite concluir por sí sola |
|---|---|---|
| Parámetros totales | El tamaño agregado de los componentes incluidos en la descripción. | La memoria exacta necesaria durante la inferencia. |
| Parámetros activos | La parte que se activa para una operación o token según la arquitectura descrita. | La velocidad real en un hardware concreto. |
| Parámetros de una variante | El tamaño atribuido a una versión o componente específico. | Que esa versión tenga las mismas funciones que el modelo completo. |
Qué muestran las cifras de error
La tasa de error de palabras, o WER, compara una transcripción con una referencia y contabiliza sustituciones, omisiones e inserciones. Una cifra menor indica menos errores bajo las condiciones de esa evaluación, pero no es una medida universal de calidad: el resultado depende del conjunto de audios, los idiomas, el ruido, el tipo de habla y las reglas de preparación de los datos.
Las cifras disponibles proceden de comparaciones y evaluaciones atribuidas a NVIDIA o de tablas secundarias consultadas en octubre de 2026. Una fuente secundaria recoge un promedio de 5,33 % en el Open ASR Leaderboard para audio de prueba en inglés; otra publica 4,71 % para un resultado en inglés y 4,62 % en una evaluación multilingüe, atribuidos a distintas pruebas. Sin acceso a la documentación primaria que precise los conjuntos, las versiones y el método de cálculo, no es apropiado tratar esos valores como una única puntuación ni compararlos directamente. Tampoco acreditan un resultado equivalente para un idioma, acento o dominio que no esté representado en cada prueba.
Un benchmark sirve para orientar una comparación bajo condiciones definidas. No sustituye la evaluación con grabaciones de uso real, sobre todo si hay ruido, vocabulario especializado, audio telefónico o varias voces simultáneas. Por eso, una cifra destacada no garantiza que el modelo supere a otra alternativa en una aplicación concreta.
Una comparación útil para un caso de uso
Para que una evaluación local sea interpretable, compara modelos bajo condiciones consistentes y conserva los resultados por tipo de audio, no solo como un promedio general.
- 01Elige grabaciones representativas de los idiomas, micrófonos, niveles de ruido y vocabulario que utilizará la aplicación.
- 02Usa las mismas grabaciones y el mismo texto de referencia para cada modelo; documenta cualquier normalización aplicada.
- 03Calcula WER por idioma o categoría y revisa por separado nombres propios, asignación de hablantes y marcas de tiempo.
- 04Compara además latencia y recursos utilizados en el hardware de destino, sin asumir que una puntuación de precisión determina esos resultados.
Acceso, licencia y límites prácticos
Las fuentes secundarias describen el modelo como de pesos abiertos y mencionan una licencia concreta, pero la documentación primaria correspondiente no forma parte de las fuentes verificadas aquí. Por ello, no se puede confirmar con este material la licencia aplicable, los artefactos disponibles para descarga ni las condiciones de uso comercial. Antes de integrarlo en un producto, quienes lo despliegan deben revisar la ficha oficial vigente, sus términos y los requisitos del entorno previsto.
El acceso a los pesos, si está disponible bajo las condiciones esperadas, no elimina la necesidad de revisar privacidad, seguridad y calidad. En una aplicación médica o empresarial, una transcripción puede contener información sensible y errores relevantes. Las etiquetas de hablante no identifican personas y las respuestas generadas sobre el contenido de una grabación pueden apartarse de lo que realmente se dijo; cualquier uso que afecte decisiones importantes requiere controles y revisión adecuados.
La propuesta de NVIDIA se sitúa en un campo más amplio de sistemas de voz, que incluye reconocimiento automático del habla y generación de voz. La página institucional de la compañía explica esos componentes generales, pero no constituye una evaluación específica de Nemotron 3.5 Transcribe. Para elegir una herramienta, importa distinguir entre transcripción de audio, traducción, diarización y procesamiento en tiempo real: son funciones relacionadas, pero no intercambiables.
Comprobaciones antes de integrar un modelo
La evaluación debe cubrir tanto la tarea técnica como las condiciones de despliegue.
| Aspecto | Qué comprobar |
|---|---|
| Cobertura | Que el idioma y la función concreta estén disponibles en la versión que se pretende utilizar. |
| Calidad | Errores de palabras, nombres propios, vocabulario especializado y asignación de hablantes en audios propios. |
| Operación | Compatibilidad con el hardware, latencia, memoria y volumen de procesamiento esperados. |
| Condiciones de uso | Licencia vigente, procedencia de los pesos y obligaciones aplicables al producto. |
| Riesgo y privacidad | Tratamiento de grabaciones sensibles, revisión humana y consecuencias de errores en el contexto de uso. |
Lo que puede concluirse por ahora
Nemotron 3.5 Transcribe se presenta como una opción para transcribir audio grabado en varios idiomas y reunir funciones como traducción, marcas de tiempo e identificación de hablantes. La combinación puede ser útil para desarrolladores que quieran explorar una canalización de voz con varias tareas, pero las prestaciones anunciadas no bastan para anticipar su precisión en una implementación concreta.
Las cifras públicas disponibles describen evaluaciones específicas y no aportan, por sí solas, una comparación completa y reproducible en todos los idiomas y escenarios. Tampoco está confirmado en las fuentes verificadas aquí el detalle primario de la licencia, los pesos descargables o el hardware necesario. Una decisión razonable separa lo que el modelo declara hacer de lo que una prueba local demuestra que hace con los datos y restricciones reales de cada aplicación.
Qué sigue abierto
- Las fuentes verificadas no incluyen documentación primaria específica del modelo que permita confirmar la licencia vigente y las condiciones de uso de los pesos.
- No queda establecido con evidencia primaria qué idiomas y tareas fueron validados en cada evaluación, ni cómo se comporta la diarización con voces solapadas.
- Los porcentajes de WER citados corresponden a pruebas descritas de forma diferente; las fuentes disponibles no permiten armonizar conjuntos, versiones y métodos para compararlos directamente.
- No queda confirmado el hardware mínimo, el consumo de memoria ni el rendimiento de inferencia para configuraciones concretas.
Continúa explorando
Fuentes consultadas
Correcciones y transparencia
Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.
Proponer una corrección