El nuevo modelo abierto de NVIDIA transcribe audio en 40 idiomas y también puede identificar hablantes, traducir y responder preguntas sobre una grabación.
NVIDIA ha publicado Nemotron 3.5 Transcribe, un modelo de voz a texto con pesos disponibles para descarga. Además de transcribir, puede distinguir quién habla, traducir fragmentos y responder preguntas sobre el contenido de una grabación. Está pensado para integrarse en aplicaciones y flujos propios, no como una nueva aplicación de dictado lista para cualquier teléfono.
El modelo reconoce voz en 40 idiomas. Según la tarea, puede traducir entre 31 idiomas y el inglés, atribuir frases a hablantes en 13 idiomas y procesar grabaciones de hasta una hora con un máximo de ocho voces identificadas. La compatibilidad no es idéntica para todos los idiomas ni para todas las funciones.
También acepta instrucciones escritas para orientar el resultado. Por ejemplo, se le puede pedir que conserve términos propios de una profesión, marque cada hablante o responda a una pregunta sobre lo que se dijo. NVIDIA ofrece una guía de indicaciones y una tabla de idiomas en la ficha del modelo.
Los pesos ya están en Hugging Face y ModelScope, por lo que los equipos técnicos pueden descargarlos y decidir dónde procesar sus archivos. NVIDIA destaca resultados de transcripción en pruebas públicas, pero las cifras corresponden a conjuntos de evaluación concretos y conviene revisar nombres, cambios de hablante y respuestas frente al audio original.
La instalación local requiere herramientas y hardware apropiados; no basta con abrir una página y subir una grabación. NVIDIA prepara versiones optimizadas para determinados dispositivos, mientras que la ficha actual explica cómo probar e integrar el modelo.
