Nemotron 3.5 Transcribe: la IA de voz de NVIDIA que ya puedes probar en Hugging Face
NVIDIA liberó los pesos de un modelo que transcribe, traduce y separa voces, pensado para correr en los propios equipos de una empresa y no en un servicio externo.
Pesos abiertos, 40 idiomas y la opción de no mandar el audio a ningún lado
Nemotron 3.5 Transcribe ya está en Hugging Face y promete transcribir, traducir y separar voces sin que la grabación salga de tus propios equipos.
NVIDIA presentó esta semana Nemotron 3.5 Transcribe, un modelo de voz de pesos abiertos que transcribe audio, distingue quién está hablando y traduce entre decenas de idiomas. La novedad no es solo lo que hace, sino dónde puede hacerlo: en vez de mandar la grabación a un servicio externo, el equipo técnico de una empresa puede correrlo en su propia computadora o en su propia nube.
En resumen
NVIDIA lanzó el 28 de octubre de 2026 Nemotron 3.5 Transcribe, un modelo de voz de pesos abiertos ya disponible en Hugging Face. Transcribe 40 idiomas, separa hasta ocho personas en una misma grabación y traduce a 31 idiomas con el inglés, usando 80% menos parámetros que el modelo líder de pesos abiertos. Las versiones optimizadas para correr en hardware local como RTX Spark o DGX Spark todavía no salen; NVIDIA solo dice que llegan "próximamente".
- Pesos abiertos disponibles hoy en Hugging Face
- Transcribe 40 idiomas y separa hasta 8 voces
- Versiones para hardware local: aún por llegar
Qué es Nemotron 3.5 Transcribe
Nemotron 3.5 Transcribe es un modelo de voz de pesos abiertos que NVIDIA presentó el 28 de octubre de 2026 en su blog oficial, dentro de un paquete de novedades para su ecosistema de laptops RTX Spark. En lugar de combinar varios programas distintos -uno para pasar la voz a texto, otro para distinguir quién habla y otro para traducir-, este modelo hace las tres cosas con un solo sistema al que se le dan instrucciones en lenguaje natural.
Según NVIDIA, el modelo también puede responder preguntas sobre el contenido de la grabación, como pedirle que liste qué decisiones se tomaron en una reunión. Pertenece a la familia Nemotron de NVIDIA.
En qué punto está el lanzamiento
El lanzamiento ya ocurrió: NVIDIA confirmó que Nemotron 3.5 Transcribe está disponible desde hoy en Hugging Face, con pesos abiertos que cualquier equipo de desarrollo puede descargar y ajustar. Ahí mismo quedó en el primer lugar de la tabla Hugging Face Open ASR.
Lo que todavía no está disponible son las versiones cuantizadas -optimizadas para pesar menos y correr en hardware específico-. NVIDIA dice que esas versiones para RTX Spark, DGX Spark, los dispositivos Jetson AGX Thor y las GPU de centro de datos Blackwell llegan "próximamente", sin fecha exacta. Es decir: el modelo ya existe y se puede usar hoy, pero la versión pensada para correr más liviana en equipos locales todavía no sale.
Qué hace exactamente: transcribe, traduce y separa voces
Nemotron 3.5 Transcribe transcribe 40 idiomas, incluidos siete idiomas de India, separa hasta ocho personas distintas dentro de la misma grabación y traduce el audio a 31 idiomas con el inglés. Todo se controla con instrucciones escritas en lenguaje simple, no con configuraciones técnicas complicadas.
Transcribe y etiqueta
"Transcribe this recording and label each speaker." El modelo entrega el texto completo marcando qué dijo cada persona.
Traduce
"Translate this audio into English." Convierte la grabación a otro idioma sin pasos intermedios.
Resume decisiones
"List what decisions were made in this meeting." Responde preguntas sobre el contenido, no solo lo transcribe.
Las instrucciones también pueden incluir vocabulario propio de la empresa -nombres de producto, siglas, formatos de reporte-, lo que ayuda al modelo a entender términos especializados en sectores como salud, servicios financieros y atención al cliente, según describe NVIDIA en el anuncio.
Las cifras: qué tan preciso y qué tan liviano es
NVIDIA presenta a Nemotron 3.5 Transcribe como el modelo de voz de pesos abiertos más eficiente de su categoría hasta ahora, no el más grande.
| Indicador | Dato según NVIDIA |
|---|---|
| Parámetros activos | Aproximadamente 4,300 millones |
| Reducción vs. modelo líder de pesos abiertos | 80% menos parámetros |
| Posición en Hugging Face Open ASR | Número 1 |
| Posición en Artificial Analysis (modelos abiertos) | Número 2 |
| Idiomas que transcribe | 40, incluidos 7 de India |
| Idiomas de traducción | 31, con el inglés |
| Hablantes que distingue por grabación | Hasta 8 |
En otras palabras: con casi 80% menos parámetros que el modelo que antes dominaba la categoría, quedó por encima de él en la tabla de referencia de Hugging Face para reconocimiento de voz.
Por qué importa para tu negocio: la privacidad del audio
Hasta ahora, transcribir una llamada de atención a clientes o una consulta médica casi siempre significaba mandar esa grabación a un servicio externo. Con pesos abiertos, el equipo técnico de la empresa decide dónde se procesa el audio: desde una computadora de escritorio hasta la nube propia de la compañía, según explica NVIDIA.
La clave no es el modelo, es dónde corre
Lo que cambia el cálculo de privacidad no es que el modelo transcriba bien, sino que -por tener pesos abiertos- una empresa puede instalarlo en su propia infraestructura y nunca mandar el audio a un tercero.
Antes y ahora: a dónde va el audio de una llamada
Para un consultorio médico o una aseguradora que maneja datos sensibles, decidir dónde se queda la grabación suele ser la diferencia entre cumplir o no con sus propias políticas de manejo de datos.
Qué significa para call centers, consultorios y aseguradoras en México y Latinoamérica
Para una agencia, un centro de llamadas, un consultorio o una aseguradora en México, el audio de clientes suele ser el dato más sensible que manejan: números de póliza, síntomas, datos de pago. Hoy, buena parte de ese audio sale de la empresa para transcribirse en un servicio externo, muchas veces fuera del país.
Un call center que atiende quejas o cobranza puede usar un modelo así para separar la voz del agente de la del cliente y quedarse con una transcripción clasificada por hablante, sin que la grabación salga del servidor de la empresa. Un consultorio médico puede transcribir la consulta y, al mismo tiempo, cumplir mejor con sus propias políticas de manejo de datos de salud. Una aseguradora puede procesar el audio de un reporte de siniestro sin mandarlo a un proveedor externo de transcripción.
- Confirma qué versión vas a desplegar: hoy solo hay pesos abiertos completos, la cuantizada para hardware local aún no sale
- Define por escrito si el audio se queda en tu servidor o sale a algún servicio externo
- Prueba el modelo con el vocabulario real de tu negocio antes de ponerlo frente a clientes
- No asumas que ya existe una aplicación lista para usar: hoy es un modelo, no un producto terminado
Lo que todavía no está confirmado
Lo que todavía no está confirmado
NVIDIA no publicó un precio para el modelo en sí, ni una fecha exacta para las versiones cuantizadas que correrían más ligero en hardware local. Tampoco hay, por ahora, reportes independientes sobre su desempeño en producción más allá de la cobertura inicial del lanzamiento.
Además, un modelo de pesos abiertos no es una aplicación lista para usarse: hace falta un equipo técnico que lo descargue, lo conecte a los sistemas de la empresa y lo pruebe con el vocabulario real del negocio antes de ponerlo frente a clientes. Como referencia de costo de hardware, no del modelo, NVIDIA menciona precios de ejemplo de sus laptops RTX Spark desde 2,599 dólares.
¿Ya puedo usar Nemotron 3.5 Transcribe?
Sí, los pesos abiertos están disponibles desde hoy, 28 de octubre de 2026, en Hugging Face. Las versiones cuantizadas para hardware local como RTX Spark todavía no salen; NVIDIA solo dice que llegan "próximamente".
¿Cuántos idiomas transcribe y traduce?
Transcribe 40 idiomas, incluidos siete idiomas de India, y traduce audio a 31 idiomas con el inglés, según el anuncio de NVIDIA.
¿Cuántas personas distingue en una grabación?
Separa hasta ocho personas distintas dentro de la misma grabación, es decir, hace diarización de hablantes.
¿Se puede usar sin mandar el audio a internet?
Sí: al tener pesos abiertos, el equipo técnico de la empresa decide dónde procesar el audio, desde una computadora de escritorio hasta su propia nube, sin depender de un servicio externo.
¿Es gratis?
NVIDIA no publicó un precio para el modelo en sí. Lo único que confirmó son precios de ejemplo de las laptops RTX Spark donde puede correr, desde 2,599 dólares.
¿Qué tan preciso es comparado con otros modelos de voz?
Según NVIDIA, quedó en el primer lugar de la tabla Hugging Face Open ASR y en segundo lugar entre los modelos de pesos abiertos en Artificial Analysis, usando aproximadamente 4,300 millones de parámetros activos, 80% menos que el modelo líder de pesos abiertos.
Fuentes
¿Quieres ver qué significa esto para tu operación?
Agenda una demostración con Zadrig Technology y revisamos juntos si transcribir, traducir y separar voces en tus propios equipos tiene sentido para tu negocio.
Escríbenos por WhatsApp
