AitopkitNvidia lanzó el miércoles 28 de octubre de 2026 Nemotron 3.5 Transcribe, un modelo de voz gratuito y de pesos abiertos que transcribe audio en hasta 40 idiomas. Junto a él, la compañía publicó la versión 2 de Granary, su conjunto de datos de voz de código abierto.
Las especificaciones principales apuntan directamente a los desarrolladores que crean apps de transcripción de reuniones y de medicina, dos de los usos laborales más consolidados de la IA. Según Nvidia, el modelo puede traducir 31 idiomas hacia y desde el inglés, procesar grabaciones de hasta una hora y distinguir hasta ocho hablantes en una misma grabación. También afirma superar a sus rivales en pruebas comparativas, incluido el Open ASR Leaderboard de Hugging Face, aunque se trata de resultados publicados por la propia Nvidia, y las pruebas independientes con audio real y ruidoso serán el verdadero veredicto.
La cobertura se organiza por niveles. Diecinueve variantes, entre ellas inglés (EE. UU. y Reino Unido), español, francés, alemán, árabe, hindi, japonés y coreano, están calificadas como listas para transcribir desde el primer momento; otras 13 variantes tienen cobertura de nivel producción, y 8 más están listas para adaptación, es decir, necesitan un ajuste fino con datos del sector para alcanzar su máxima precisión. Esa amplitud permite que un solo modelo sustituya a todo un conjunto de despliegues monolingües, algo muy relevante para herramientas globales de reuniones y software de centros de llamadas.
Con 30.000 millones de parámetros, Nvidia afirma que Transcribe puede ejecutarse en un solo chip, desde el controlador de robótica Jetson AGX Thor y el chip DGX Spark que impulsa los nuevos portátiles, hasta los chips Blackwell para centros de datos. Se suma a la creciente línea de voz de pesos abiertos de Nvidia, incluido el modelo Parakeet, mucho más pequeño (1.100 millones de parámetros), y llega en un mes muy activo para la voz con IA: Mistral lanzó Voxtral 3 a principios de octubre, ElevenLabs presentó Realtime para voz instantánea en agentes de voz y Salesforce publicó Launa-Omni.
Una limitación a tener en cuenta: Transcribe trabaja con audio grabado, no con transmisiones en vivo, así que los casos de uso de subtitulado en tiempo real necesitarán otra herramienta por ahora. Los desarrolladores pueden combinar el modelo con el conjunto de datos Granary actualizado y herramientas como el modelo NeMo Speech de Nvidia para adaptar apps a la jerga de cada sector en cada idioma, el tipo de ajuste que decide si una herramienta de transcripción es realmente útil en un hospital o en una sala de juntas.