Nvidia lanza Nemotron 3.5 Transcribe, modelo abierto

Nvidia publicó el 28 de octubre de 2026 Nemotron 3.5 Transcribe, un modelo de pesos abiertos que transcribe audio grabado en 40 idiomas, con el español entre los de mejor calidad. Puede usarse con fines comerciales, pero necesita una GPU potente. Interesa a quien publica vídeos, pódcast o grabaciones y quiere convertirlos en texto.

Lo que se sabe

  • Qué es: según la ficha oficial de Nvidia en Hugging Face, un modelo de voz y audio de pesos abiertos que funciona sin conexión con grabaciones. No sirve para audio en directo: la propia ficha dice que no es un servicio de transcripción en tiempo real.
  • Idiomas: 40 idiomas de transcripción. Nvidia sitúa el español (de EE. UU. y de España) entre los de calidad más alta, junto al inglés, el francés, el alemán, el portugués y otros. También traduce hacia y desde el inglés en la mayoría de ellos.
  • Qué entrega: texto, con marcas de tiempo por palabra opcionales y separación de hablantes (etiquetas del tipo «hablante 0», que no identifican a la persona real). Acepta grabaciones de hasta una hora en WAV, FLAC, MP3 u OGG.
  • Tamaño: unos 34.000 millones de parámetros en total, de los que unos 4.300 millones se activan en cada paso, según la ficha. TechCrunch habla de 30.000 millones.
  • Equipo necesario: la ficha fija como objetivo una GPU H100 de 80 GB y lista otras compatibles, desde tarjetas de centro de datos hasta la RTX 5090 (solo en su formato más comprimido) y equipos DGX Spark.
  • Licencia: OpenMDW-1.1. La ficha dice que el modelo está listo para uso comercial y no comercial.
  • Rendimiento: según Nvidia, una tasa de error de palabras del 4,71 % en la media del Open ASR Leaderboard en inglés, frente al 4,94 % del siguiente modelo abierto que cita (Qwen3-ASR-1.7B). Es una medición de Nvidia sobre pruebas públicas, no una prueba independiente, y no dice cómo se comporta con audio de mala calidad o acentos concretos.

Qué cambia y qué no

Cambia que hay un modelo abierto, con uso comercial permitido, que pone el español entre sus idiomas fuertes y que separa hablantes y da marcas de tiempo. Para un desarrollador o un proveedor, eso abre la puerta a transcribir grandes volúmenes en servidores propios sin pagar por minuto a un servicio externo.

No cambia nada para quien tiene un hosting compartido: el modelo necesita una GPU que ese tipo de servidor no tiene. Tampoco sustituye a la transcripción en directo, que la ficha excluye. Y una tasa de error baja en pruebas no garantiza un texto publicable: nombres propios, marcas y términos técnicos siguen necesitando revisión.

Cómo saber si te afecta

  1. Si publicas vídeos o pódcast, cuenta las horas. Para unas pocas horas al mes, un servicio de transcripción de pago o los subtítulos automáticos de tu plataforma de vídeo son más simples. Un modelo propio solo compensa con volumen alto o con audio que no quieres sacar de tus servidores.
  2. Pon el texto en la página, no solo en el vídeo. Un buscador lee el texto de tu web mucho más fácil que el audio de un vídeo. Una transcripción revisada o un resumen bajo el vídeo ayuda a que la página se entienda y se encuentre, y mejora la accesibilidad.
  3. Revisa antes de publicar. Corrige nombres, cifras y términos de tu sector. Una transcripción automática sin revisar puede meter errores en tu web con tu firma.
  4. Si te lo ofrece un proveedor, pregunta tres cosas. Dónde se procesa el audio, si se guarda después, y si el modelo es este u otro. La licencia permite uso comercial, pero lo que pasa con tus grabaciones depende de quien lo ejecute.
  5. Si tienes equipo técnico, pruébalo con tu propio audio. Diez minutos de una grabación real (con ruido, acentos y nombres propios) dicen más que cualquier tabla de resultados.

Relacionado: EmbeddingGemma 2: el modelo abierto de Google para tu buscador

Fuentes

Actualizaciones: si aparecen pruebas independientes en español o una API alojada con precio, se añadirá aquí con su enlace.