Nvidia lanza Nemotron 3.5 Transcribe, un modelo de voz de pesos abiertos, y el conjunto de datos Granary v2

Nvidia suma un modelo de transcripción de gran tamaño a su familia abierta Nemotron. Nemotron 3.5 Transcribe, publicado el 28 de octubre de 2026, es un modelo de voz que se guía con instrucciones y cuyos pesos están en Hugging Face con el nombre NVIDIA-Nemotron-3.5-Transcribe-30B-A4B. Llega junto a Granary v2, la segunda versión del conjunto de datos de voz abierto de la compañía. No debe confundirse con Nemotron 3.5 ASR, un modelo pequeño de transcripción en tiempo real que Nvidia publicó en junio.

Qué hace el modelo

Transcribe combina un codificador de audio con un modelo de lenguaje híbrido Mamba–Transformer de mezcla de expertos. La entrada de Nvidia en Hugging Face le atribuye unos 30.000 millones de parámetros, de los que alrededor de 4.000 millones están activos por token; algunos medios hablan de 34.000 millones al sumar los componentes de audio. Transcribe 40 idiomas, traduce 31 desde o hacia el inglés y puede atribuir el habla a un máximo de ocho personas, en 13 idiomas para esa función. Las grabaciones pueden durar hasta una hora. El resultado se ajusta con indicaciones en lenguaje natural, por ejemplo pidiendo una transcripción literal o una lista de nombres de productos que deben reconocerse, y el modelo responde preguntas sobre una grabación en inglés.

Según Nvidia, cabe en una sola GPU, desde una placa Jetson AGX Thor o un DGX Spark hasta los chips Blackwell de centros de datos. Unite.AI informa de que los pesos usan la licencia OpenMDW-1.1, que permite el uso comercial. La empresa afirma que ocupa el primer lugar entre los modelos de pesos abiertos del Open ASR Leaderboard de Hugging Face en inglés, con una tasa media de error por palabra del 5,33 %.

Granary v2

El manifiesto público del conjunto de datos cubre 463.062 horas de voz en 48 idiomas, procedentes de 16 corpus; la primera versión abarcaba 25 idiomas. Granary v2 no incluye audio: ofrece transcripciones en tres formatos, etiquetas de tareas y metadatos de calidad, y cada usuario descarga las grabaciones del corpus original bajo su propia licencia. Nvidia aclara que estas cifras describen la publicación, no toda la mezcla de entrenamiento del modelo.

Advertencias

Transcribe está pensado para archivos grabados, no para emisiones en directo. Las cifras de rendimiento proceden de Nvidia, y Unite.AI señala que la clasificación deja fuera los servicios disponibles solo por API. Un caso de estudio médico muestra el coste de adaptar el modelo: el ajuste fino con voz de médicos redujo los errores un 45,8 % en ese ámbito, mientras que la precisión en inglés general bajó ligeramente. La propia Nvidia aconseja comprobar nombres y cambios de hablante con el audio original.