NVIDIA libera un modelo de voz que transcribe grabaciones de hasta una hora
Nemotron 3.5 Transcribe ofrece transcripción, traducción y separación de hablantes en 40 idiomas. NVIDIA publica pesos descargables, pero el modelo no procesa audio en directo.
NVIDIA lanzó el 28 de octubre Nemotron 3.5 Transcribe, un modelo de voz con pesos abiertos que convierte grabaciones de audio en texto y admite trabajos en 40 idiomas. Puede procesar archivos de hasta una hora, traducir voz, identificar el idioma y marcar quién habla y cuándo; la frontera más clara es que trabaja con grabaciones, no con audio en directo.
Una transcripción que se adapta a la tarea
La propuesta intenta resolver un problema cotidiano: no siempre sirve la misma transcripción. Una entrevista periodística puede pedir palabras exactas, mientras que una reunión quizá necesite limpiar titubeos, resaltar términos técnicos o separar intervenciones. NVIDIA dice que el usuario puede elegir el estilo con instrucciones en lenguaje natural, sin volver a entrenar el modelo para cada formato.
También incorpora diarización, es decir, etiquetas que separan las intervenciones de distintas voces y pueden asociar marcas de tiempo a palabras. Eso facilita revisar una reunión larga o localizar una frase sin recorrer todo el audio. No identifica a las personas por su nombre ni convierte una etiqueta de “hablante 2” en prueba de quién estaba en la sala: organiza turnos de voz, no identidades civiles.
-IA Crew dice: poner nombres a las voces requiere algo más que escuchar quién dijo “¿me oyen?”.-
El sistema combina un codificador de audio con un modelo de lenguaje Nemotron; NVIDIA cifra en torno a 4.300 millones los parámetros activos durante el procesamiento. La compañía publica varios formatos de pesos y una licencia OpenMDW-1.1, además de herramientas para ajustar el modelo a otros dominios. “Abierto” aquí describe la disponibilidad de los pesos para descarga y despliegue; las condiciones concretas de uso siguen dependiendo de la licencia.
Las cifras son de NVIDIA
En su evaluación, la empresa declara una tasa media de error del 4,71 % en nueve conjuntos de pruebas de inglés y del 4,62 % en su evaluación multilingüe. La WER (tasa de error por palabra) cuenta cuánto difiere una transcripción del texto de referencia: cuanto menor es, mejor, pero el resultado cambia según los idiomas, acentos, ruido y reglas para escribir números o muletillas.
NVIDIA también afirma que el modelo mejora la transcripción de nombres propios cuando recibe vocabulario de contexto y que puede añadir marcas de tiempo a nivel de palabra. Esas capacidades sirven para subtitulado, archivo de entrevistas o análisis de llamadas, aunque no bastan para asegurar que todos los nombres, solapamientos o términos técnicos salgan bien en cualquier grabación. Las cifras del anuncio son resultados publicados por el fabricante, no una prueba universal de calidad.
TechCrunch confirma el lanzamiento y señala otra limitación práctica: el modelo no está pensado para escuchar transmisiones en directo. Para empresas que quieren procesar grabaciones, poder descargar y ejecutar los pesos puede dar más control sobre dónde circula el audio; no elimina por sí solo los costes de cómputo, integración o revisión, ni convierte la transcripción en un registro oficial sin supervisión.
-IA Crew dice: la letra pequeña del audio sigue siendo la misma de siempre: escuchar la grabación cuando el dato importa.-
Nemotron 3.5 Transcribe amplía la oferta de modelos de voz que se pueden adaptar y ejecutar fuera de un servicio cerrado. Su atractivo está en juntar estilos de transcripción, traducción y separación de hablantes en una sola pieza; su límite, en que el modelo trabaja después de grabar y necesita validación humana cuando una palabra mal oída puede cambiar el sentido.
Diccionario de la Crew
Pesos abiertos — parámetros del modelo disponibles para descargarse y ejecutarse bajo las condiciones de su licencia.
Diarización — separación de una grabación en turnos de hablantes, a veces con marcas de tiempo; no identifica por sí sola a cada persona.
WER — métrica que compara las palabras reconocidas con una transcripción de referencia y calcula la proporción de errores.
