NVIDIA publica Nemotron 3.5 Transcribe: pesos abiertos para audio grabado, entre detalles técnicos y verificaciones pendientes

En un otoño en el que la tecnología de voz atrae una gran atención del mercado, como muestran los lanzamientos recientes de competidores como Mistral y ElevenLabs citados por TechCrunch, NVIDIA publicó el 28 de octubre de 2026 el modelo Nemotron 3.5 Transcribe. A diferencia de Nemotron 3.5 ASR, un modelo de 0,6 mil millones de parámetros para streaming en tiempo real lanzado en junio de 2026, la nueva versión de pesos abiertos está pensada para analizar archivos de audio ya grabados. Según los canales oficiales de la empresa en Hugging Face, el sistema reúne en una sola solución transcripción, traducción, atribución de hablantes y preguntas sobre la señal de voz, con una arquitectura híbrida Mamba-2/Transformer de tipo mixture-of-experts asociada a un codificador de audio paralelo.

En cuanto a los datos técnicos, la ficha del modelo describe un tamaño total de unos 34 mil millones de parámetros (unos 4,3 mil millones activos, incluido el codificador), frente a los unos 30 mil millones totales y 4 mil millones activos que indican el nombre oficial "30B-A4B" y el blog: la diferencia depende de si se cuenta o no el codificador de audio. Distribuido con licencia OpenMDW-1.1 para usos comerciales y no comerciales, el modelo admite el italiano en la categoría de rendimiento que la empresa denomina 'Leading'. Como infraestructura se recomienda una GPU H100 de 80 GB. Junto con el modelo, NVIDIA ha puesto a disposición el conjunto de datos abierto Granary v2, con 463.062 horas de voz en 48 idiomas; los archivos de audio originales deben descargarse directamente de sus plataformas de origen, respetando la licencia de cada corpus. Entre los casos de uso citados, la adaptación del modelo al ámbito médico con el benchmark Eka Care mostró que, tras unas 14 horas-GPU de entrenamiento en una NVIDIA GB300, el WER en los clips excluidos del entrenamiento bajó del 22,44 % al 12,17 %, una reducción relativa del 45,8 % sobre 2.764 clips.

Sin embargo, el análisis de los datos publicados revela algunas discrepancias y límites de verificación. Las mediciones de rendimiento proceden de pruebas internas o realizadas con socios, sin réplica independiente, como admite el propio blog de NVIDIA. Además, hay una diferencia entre el 5,33 % de tasa de error media que el artículo declara para la clasificación inglesa Open ASR y el 4,71 % que la ficha indica como media ponderada por igual sobre nueve conjuntos de datos: probablemente son dos cálculos distintos, pero la diferencia no se explica. También el dato de velocidad (100 horas de audio transcritas en menos de tres minutos) se refiere a una versión NVFP4 aún no publicada. NVIDIA dejó claro el ámbito de uso: en el blog subraya que "Transcribe is built for recorded audio, not live streaming" y la ficha oficial reitera que el procesamiento interno por bloques no convierte el sistema en un servicio de transcripción en tiempo real; del mismo modo, las etiquetas distinguen hasta ocho hablantes por archivo, sin identificarlos.

Publicar pesos y datos abiertos ofrece recursos concretos a quien desarrolla, pero cuando la eficacia de un modelo se mide solo con las métricas de su fabricante, la transparencia técnica se queda a medio camino entre el anuncio y la verificación real.

— Olya