Nvidia lanza Nemotron 3.5: transcripción en 40 idiomas

Nvidia libera Nemotron 3.5 Transcribe y mueve el piso del mercado de voz

El miércoles Nvidia liberó Nemotron 3.5 Transcribe, un modelo de reconocimiento automático de voz (ASR, la tecnología que convierte audio en texto) de pesos abiertos y gratuito que transcribe audio en hasta 40 idiomas y traduce 31 idiomas desde y hacia el inglés. Con 30.000 millones de parámetros, la compañía asegura que el modelo puede correr en un solo chip.

Para una startup que construye sobre voz, el titular no es el benchmark: es que un modelo de esa escala quede disponible sin costo de licencia y ejecutable en infraestructura propia. Eso cambia la ecuación de cualquier producto que hoy paga por minuto de audio a una API de terceros.

Junto al modelo, Nvidia publicó la versión 2 de Granary, su dataset abierto de voz. Una pieza entrega el motor; la otra, el material para ajustarlo a un dominio específico.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Qué puede hacer realmente Nemotron 3.5 Transcribe?

Según las afirmaciones de Nvidia, el modelo cubre:

Transcripción en hasta 40 idiomas, con soporte de traducción entre 31 idiomas y el inglés.
Grabaciones de hasta una hora de duración, un formato que encaja con reuniones y consultas médicas completas.
Hasta ocho hablantes distintos en una misma grabación, la función conocida en la industria como diarización.
Benchmarks públicos, entre ellos el Open ASR Leaderboard de Hugging Face, donde la compañía dice superar a sus rivales.

El posicionamiento es deliberado: Nvidia apunta a dos nichos donde la IA ya tiene terreno ganado en el trabajo diario, las reuniones de negocios y la transcripción médica. En ambos casos el volumen de audio es alto, el contenido es sensible y la precisión importa más que la latencia.

Ahí entra el resto del stack. Con NeMo Speech y el dataset Granary v2, los equipos pueden ajustar el modelo para reconocer la jerga propia de una industria en cada idioma: terminología clínica, vocabulario legal, nombres de productos internos. Es la diferencia entre un transcript genérico y uno que sirve para llenar un formulario o alimentar un historial clínico.

El modelo se suma a la familia de voz de pesos abiertos de Nvidia, que ya incluía a Parakeet, una versión ultraligera de 1.100 millones de parámetros.

El límite que debes conocer antes de escribir código

Hay una restricción que define para qué sirve y para qué no: Transcribe trabaja con audio grabado, no con transmisiones en vivo. Si tu producto necesita subtítulos en tiempo real, un asistente telefónico que responde mientras el usuario habla, o cualquier flujo conversacional, este modelo no lo resuelve.

Eso deja fuera los casos de uso donde más ruido hay hoy, pero abre una zona mucho menos disputada: post-procesamiento de reuniones, documentación clínica, revisión de llamadas grabadas, generación de actas y transcripción de archivos históricos. Ahí el criterio de compra es la precisión y el costo, no los milisegundos de respuesta.

Un mes de competencia feroz en modelos de voz

El lanzamiento no llega a un mercado vacío. En apenas semanas se acumularon movimientos:

Mistral lanzó Voxtral 3 a comienzos de este mes, una familia que incluye tres modelos de transcripción, uno de texto a voz y un SDK de agentes de voz construido sobre LiveKit. Según el análisis técnico de Marktechpost, la transcripción por lotes cubre 50 idiomas y el modelo Small Transcribe 3 tiene un precio de lista de US$0,004 por minuto de audio, con un modelo Mini más económico para trabajos de menor exigencia.
Slator reportó además que Mistral cerró en septiembre una Serie D de 3.000 millones de euros en la que puso el control del dato y de la infraestructura por parte del cliente en el centro de su estrategia. Es la misma promesa que Nvidia hace por otra vía: en lugar de vender soberanía de datos, entrega los pesos.
ElevenLabs lanzó Realtime para voz instantánea en agentes. El contexto de su escala aparece en el anuncio de su alianza con DXC Technology publicado en julio y recogido por Yahoo Finance: la compañía levantó una Serie D de US$500 millones que la valoró en aproximadamente US$11.000 millones.
Salesforce presentó Launa-Omni, su propio modelo de voz.

La lectura estratégica: mientras los proveedores de modelos propietarios compiten por el mejor agente en tiempo real, Nvidia empuja una estrategia distinta, la de regalar el modelo y quedarse con el hardware. ZDNET reportó que la compañía también publicó Nemotron 3.5 Super VL, un modelo abierto de 120.000 millones de parámetros orientado a agentes empresariales. El patrón es claro: cuanto más peso abierto circula, más demanda de chips para inferencia y ajuste fino.

¿Qué significa esto para tu startup?

1. Recalcula tu estructura de costos antes de firmar con una API

Si hoy pagas por minuto transcrito, el cálculo cambió. Un modelo abierto traslada el costo de la licencia al cómputo: pagas por GPU o por el servidor donde lo corres, no por cada minuto. En volúmenes altos, la diferencia se vuelve estructural.

Haz el ejercicio con tus propios números: multiplica tus minutos de audio mensuales por el precio de lista de la API que usas hoy y compáralo con el costo de inferencia de correr el modelo abierto en tu infraestructura o en una nube con GPUs. Para volúmenes bajos o intermitentes, la API casi siempre gana; para volúmenes constantes y altos, no.

2. Convierte la privacidad en argumento de venta

Si tu producto toca audio médico, legal, de recursos humanos o financiero, ofrecer procesamiento local es una ventaja comercial concreta, especialmente frente a clientes europeos que operan bajo reglas estrictas de protección de datos. Un modelo abierto que corre en tu propio entorno te permite decir que el audio del cliente nunca sale de su infraestructura, algo que ninguna API cerrada puede prometer por completo.

3. Diferénciate por vertical, no por modelo

Ningún equipo pequeño va a ganar la carrera del modelo genérico. La ventaja está en el ajuste fino con jerga propia de una industria y en el flujo que envuelve al modelo: cómo entregas el transcript, cómo lo integras al sistema de registro del cliente, cuánto tarda el usuario en encontrar lo que busca. Usa Granary v2 y NeMo Speech para especializarte, y compite por precisión en tu nicho antes que por desempeño general.

4. Valida con grabaciones reales, no con demos

Antes de prometer nada, corre el modelo con una muestra de audio real de tus usuarios: acentos, ruido de fondo, solapamiento de voces, terminología local. Los idiomas cubiertos y la calidad en cada uno no se comportan igual, y tu mercado hispanohablante tiene variantes regionales que un benchmark global no refleja. Mide la tasa de error sobre tus propios archivos y decide con eso.

Conclusión

Nemotron 3.5 Transcribe no gana la carrera del audio en vivo, y probablemente no lo intenta. Su apuesta es otra: poner un modelo de 30.000 millones de parámetros, gratuito y ejecutable en un chip, en manos de cualquier desarrollador que quiera procesar audio grabado sin depender de una API. Para las startups de voz, eso abre una ventana de diferenciación por vertical, por privacidad y por costo, en un mercado donde los grandes están ocupados peleando por el tiempo real.