Nemotron 3.5 Transcribe se puede descargar en Hugging Face y ModelScope. Transcribe 40 idiomas, traduce 31 de ellos desde o hacia el inglés y atribuye hablantes (diarización) en 13. Admite grabaciones de hasta una hora, distingue hasta ocho hablantes y ofrece marcas de tiempo por palabra. Se le puede guiar con instrucciones en lenguaje natural, como «transcribe y etiqueta a cada hablante», «traduce al inglés» o «qué decisiones se tomaron en la reunión». También acepta listas de términos de dominio, por ejemplo médicos. Las preguntas sobre audio están entrenadas en inglés y el modelo está pensado para audio grabado, no para streaming.
Según Nvidia, es el primero entre los modelos de pesos abiertos en el Open ASR Leaderboard de Hugging Face en inglés, con un 5,33 % de WER medio. En la categoría multilingüe (siete idiomas) obtiene un 4,62 % y en audio largo un 10,98 %, los más bajos de su comparación. En Artificial Analysis empata en el primer puesto entre modelos abiertos con un 2,8 % de AA-WER, con unos 4.000 millones de parámetros activos frente a los 24.000 millones del modelo con el que empata. Combina un codificador de voz con un modelo de lenguaje híbrido Mamba–Transformer de mezcla de expertos: 30.000 millones de parámetros en total, de los que solo unos 4.000 millones están activos por token.
En atribución de hablantes, consigue el menor error de diarización (18,26 %) en el leaderboard de David AI, que abarca 21 idiomas, por delante del modelo dedicado Nemotron 3 Diarization (18,38 %). También encabeza la comparación de 14 sistemas de VoiceArena, con un 32,4 % de cpWER. Con la versión cuantizada NVFP4, aún por publicar, procesó 100 horas de audio en menos de tres minutos en una GPU RTX PRO 6000 Blackwell Server Edition. Hoy puede servirse con vLLM; NeMo-Speech.cpp y las versiones cuantizadas llegarán más adelante.
Granary v2 es el conjunto de datos multilingüe y el pipeline de curación, construido con NeMo Curator, que se usó para preparar parte del entrenamiento. Su manifiesto público abarca 463.062 horas en 48 idiomas y 16 corpus de origen, frente a los 25 idiomas de Granary v1. Genera tres formas de transcripción por grabación, además de descripciones de audio, restauración de préstamos en cambios de código y pares de preguntas y respuestas. Junto a las herramientas de fine-tuning de NeMo Speech, permite adaptar el modelo; en un caso médico, el ajuste redujo el WER en hablantes no vistos un 45,8 % relativo respecto al mejor prompt.
Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.