Segun MarkTechPost (AI/ML News), NVIDIA ha presentado Nemotron 3.5 Transcribe, un modelo de lenguaje abierto diseñado para transcribir audio en 40 idiomas, con capacidades de procesamiento que abarcan grabaciones de hasta una hora. Este sistema, basado en una arquitectura de lenguaje de audio, permite que una sola instancia genere transcripciones, etiquetas de hablantes y tiempos de eventos, eliminando la necesidad de herramientas separadas para reconocimiento de voz, separación de hablantes y alineación temporal. La estructura del modelo integra un codificador de audio con un decodificador de lenguaje, permitiendo que las instrucciones escritas definan el formato final del resultado. Opciones incluyen versión literal, redacción formal, atribución por hablante, contexto contextual y traducción automática.
El modelo cuenta con un tamaño total de 34 billones de parámetros, de los cuales aproximadamente 4.3 billones son activos en operación. Su contexto de procesamiento alcanza 65,536 tokens, lo que permite manejar secuencias largas de audio sin pérdida de información. Para su ejecución, se requiere una GPU NVIDIA H100 de 80 GB en formato BF16; versiones optimizadas en FP8 (alrededor de 35 GB) y NVFP4 (alrededor de 21 GB) permiten ejecutar el modelo en dispositivos más accesibles como la RTX 5090. Los archivos GGUF están diseñados para integrarse con el entorno NeMo-Speech.cpp, facilitando su uso por desarrolladores. En evaluaciones técnicas, Nemotron 3.5 Transcribe se posiciona como el mejor modelo abierto en los líderes de reconocimiento automático de voz en inglés y múltiples idiomas, con un error promedio de 4.71% en conjuntos públicos de inglés, superando a los modelos abiertos posteriores (4.94%). Sin embargo, en escenarios específicos, como reuniones en mandarín en entornos de campo, registra un error de 34.95% en el criterio de coincidencia de caracteres (cpCER), lo que indica limitaciones en ciertos contextos.
Este avance representa una evolución clave en el campo de la inteligencia artificial aplicada a la comunicación verbal. Para el lector peruano, quien enfrenta cada vez más situaciones de trabajo o estudios en entornos multilingües —como reuniones en inglés, registros de llamadas o transcripciones en idiomas indígenas—, el modelo ofrece una solución viable para automatizar el procesamiento de audio. Aunque actualmente opera exclusivamente en línea y no en dispositivos offline, su potencial para integrarse en herramientas de gestión de tareas, educación o atención al cliente es significativo. Aunque no supera aún a los servicios comerciales de reconocimiento de voz, su accesibilidad y capacidad de abarcar múltiples idiomas lo convierten en una opción estratégica para empresas y particulares que buscan reducir costos y mejorar la eficiencia en la gestión de información auditiva.