NVIDIA lanza Nemotron 3.5 Transcribe, un modelo de voz controlable por prompt

NVIDIA publicó Nemotron 3.5 Transcribe bajo OpenMDW-1.1: 40 idiomas, etiquetas de hablante, traducción y estilo controlado por prompt, para grabaciones de hasta una hora.

  • Nuevo lanzamiento
  • 2 min de lectura
  • Publicación
  • Actualización

NVIDIA publicó Nemotron 3.5 Transcribe el 28 de octubre de 2026 bajo la permisiva licencia OpenMDW-1.1. Junto con el modelo, publicó un kit de herramientas de ajuste fino en NeMo Speech y la versión 2 de su conjunto de datos de voz Granary.

Qué hay de nuevo

  • Un modelo, muchos trabajos. Un codificador de voz y un modelo de diarización, que averigua quién habló y cuándo, alimentan a un modelo de lenguaje de mezcla de expertos. Maneja transcripción, traducción de voz, transcripciones con hablante atribuido, identificación de idioma y preguntas sobre el audio, y puede devolver marcas de tiempo a nivel de palabra.
  • Tamaño. La ficha del modelo lista unos 34.000 millones de parámetros en total y 4.300 millones activos, incluido el codificador de audio.
  • Cobertura. Soporta 40 idiomas, con traducción hacia o desde el inglés en 31 de ellos y atribución de hablante en 13, en grabaciones de hasta una hora con hasta ocho hablantes.
  • Estilo dirigible. Describes la transcripción que quieres en una instrucción de texto, por ejemplo texto literal o números en forma escrita, o suministras una lista de nombres y términos que esperar.
  • Solo sin conexión. Procesa grabaciones terminadas. No es un reconocedor de streaming en vivo.

NVIDIA reporta una tasa media de error de palabra del 4,71 % en el Open ASR Leaderboard en inglés y del 4,62 % en el multilingüe. Son mediciones del propio desarrollador, así que prueba el modelo con tu propio audio.

Ejecutarlo

Los pesos BF16 pesan unos 68 GB, la versión FP8 unos 35 GB y la NVFP4 unos 22 GB. La ficha del modelo lista una sola H100 de 80 GB como objetivo de despliegue, y hay archivos GGUF para el NeMo-Speech.cpp de NVIDIA. Eso lo hace mucho más pesado que Whisper large-v3-turbo, que necesita unos 6 GB. Nuestra comparación lado a lado muestra cuándo compensa el tamaño extra, y la página de modelos de voz lista las alternativas.

Licencia

OpenMDW-1.1 es una licencia permisiva y breve escrita para modelos de aprendizaje automático. Te permite usar, modificar, compartir y vender el modelo, y no pone restricciones sobre sus salidas. Debes conservar el texto de la licencia y los avisos de origen cuando la redistribuyas, y la Open Source Initiative no ha aprobado la licencia. Licencias de IA explicadas cubre cómo se compara con Apache 2.0 y MIT.

Fuentes

Modelos en esta noticia

Modelo Lanzamiento Parámetros Contexto Licencia Necesario para la variante más pequeña
Nemotron 3.5 Transcribe EN NVIDIA 34B 4.3B activos 64K OpenMDW-1.1 (Permisiva) 25 GB GPU para juegos