NVIDIA libera gratis un modelo que transcribe audios de hasta una hora en 40 idiomas, español incluido

NVIDIA ha publicado el 28 de octubre Nemotron 3.5 Transcribe, un modelo de reconocimiento de voz (convierte lo que se dice en una grabación en texto escrito) que cualquiera puede descargar gratis desde Hugging Face, GitHub y el catálogo de NVIDIA. Es un modelo de «pesos abiertos»: no hay que enviar el audio a ningún servidor externo, se puede ejecutar en un equipo propio.

Según su página en Hugging Face, entiende 40 idiomas y el español aparece con dos variantes, la de España y la de Estados Unidos, con soporte para transcribir, traducir, separar a varias personas que hablan y para el cambio de idioma a mitad de frase. NVIDIA dice además que traduce 31 idiomas del inglés y al inglés. Puede procesar grabaciones de hasta una hora y etiquetar quién habla en cada momento, algo útil para reuniones o entrevistas; TechCrunch habla de hasta ocho personas, que es el máximo con el que se entrenó.

El modelo tiene 30.000 millones de parámetros y está pensado para funcionar en una sola tarjeta gráfica. La configuración de referencia es una NVIDIA H100 de 80 GB, una tarjeta de centro de datos, y la empresa cita también sus equipos Jetson AGX Thor y DGX Spark. En otras palabras: no está pensado para un portátil corriente, sino para empresas, universidades o desarrolladores que montan sus propios servicios de transcripción.

NVIDIA ha publicado a la vez la segunda versión de Granary, su colección abierta de grabaciones para entrenar modelos de voz. Junto con sus herramientas NeMo Speech, permite adaptar el modelo a la jerga de un sector concreto, como el médico o el jurídico. La empresa asegura que supera a sus rivales en pruebas como la clasificación Open ASR de Hugging Face, una afirmación que TechCrunch recoge sin poder verificar.

Cómo probarlo: además de descargarlo desde Hugging Face, NVIDIA lo ofrece en su catálogo build.nvidia.com, donde se puede probar sin instalar nada. Quien quiera montarlo en su propio servidor puede usar herramientas habituales como vLLM, Transformers de Hugging Face o SGLang, que la página del modelo cita como compatibles. NVIDIA recomienda comprobar que funciona bien para tu caso concreto antes de usarlo en serio, porque el rendimiento cambia según el idioma y la tarea: por ejemplo, la comprensión de audio y las instrucciones habladas solo se han evaluado en inglés.

Tiene limitaciones claras. Solo funciona con audio grabado, no con retransmisiones en directo. NVIDIA avisa de que las etiquetas de quién habla solo distinguen voces dentro de una grabación, no identifican a personas reales, y de que el modelo puede caer de vez en cuando en bucles de texto repetido, para lo que ofrece una función de limpieza. La licencia es OpenMDW-1.1, que permite usarlo cumpliendo sus condiciones.