Nvidia lanzó el miércoles 28 de octubre Nemotron 3.5 Transcribe, un modelo gratuito y de pesos abiertos que transcribe audio en hasta 40 idiomas, informó TechCrunch. La empresa publicó además la versión 2 de Granary, su conjunto de datos de voz de código abierto.
Según Nvidia, Nemotron 3.5 traduce 31 idiomas desde y hacia el inglés, procesa grabaciones de hasta una hora y distingue hasta ocho hablantes. La compañía afirma que supera a sus rivales en pruebas como el Open ASR Leaderboard de Hugging Face.
¿Para qué está pensado?
Las herramientas apuntan a desarrolladores que construyen aplicaciones para reuniones de trabajo y transcripción médica, dos de los usos de la IA más asentados en las empresas. Nvidia dice que el modelo, la nueva versión de Granary y herramientas como su modelo NeMo Speech permiten adaptar las aplicaciones para que reconozcan la jerga de cada industria en cada idioma.
Tiene una limitación. Transcribe trabaja con audio grabado y no con transmisiones en vivo.
¿En qué hardware corre?
Nvidia asegura que Transcribe, con 30.000 millones de parámetros, puede correr en un solo chip. Eso va desde el controlador para robótica Jetson AGX Thor y el chip DGX Spark que ya llega a notebooks nuevos hasta los chips Blackwell para centros de datos.
Se suma a los modelos de voz abiertos que Nvidia ya tenía, entre ellos el diminuto Parakeet, de 1.100 millones de parámetros.
| Modelo de voz | Parámetros | Origen |
|---|---|---|
| Nemotron 3.5 Transcribe | 30.000 millones | Nvidia |
| Parakeet | 1.100 millones | Nvidia |
Una temporada cargada de modelos de voz
El lanzamiento llega en un período de mucha actividad en IA de voz. Mistral publicó Voxtral 3 a comienzos de este mes, ElevenLabs lanzó Realtime para habla instantánea en agentes de voz y Salesforce presentó Launa-Omni, su propio modelo de voz.
