IA · Voz · NVIDIA
NVIDIA presenta Nemotron 3.5 Transcribe para convertir grabaciones en texto y separar voces
Publicado:
El modelo de pesos abiertos combina transcripción, traducción y etiquetas de hablantes. Granary v2 añade datos de entrenamiento documentados; las capacidades varían por tarea e idioma.
Fecha de la fuente original:
Hecho reportado: 2026-10-28
Lo esencial
- Nemotron 3.5 Transcribe procesa audio grabado y reúne varias tareas en un mismo modelo guiado por instrucciones.
- NVIDIA anuncia transcripción en 40 idiomas; traducción y separación de hablantes tienen coberturas distintas.
- Granary v2 publica manifiestos y etiquetas para entrenar modelos: los archivos de audio deben obtenerse por separado bajo sus condiciones originales.
Un modelo para grabaciones
NVIDIA presentó el 28 de octubre Nemotron 3.5 Transcribe, un modelo de pesos abiertos que convierte audio grabado en texto. Su propuesta reúne transcripción, traducción, etiquetas de hablantes y respuestas a preguntas sobre el audio, mediante instrucciones escritas. El fabricante anunció su disponibilidad en Hugging Face.
Instrucciones y cobertura
El equipo de NVIDIA explica que una misma grabación puede utilizarse para obtener una transcripción con voces diferenciadas, traducir al inglés o preguntar por decisiones mencionadas. También pueden proporcionarse términos especializados para orientar la escritura. La cobertura anunciada es de 40 idiomas para transcripción, 31 para traducción hacia o desde inglés y 13 para atribución de hablantes. El modelo admite grabaciones de hasta una hora y etiquetas para hasta ocho personas; no es un servicio de transcripción en vivo.
El aporte de Granary v2
Granary v2 acompaña el lanzamiento con etiquetas y pares de instrucciones. Su ficha describe manifiestos de 463.062 horas, 48 idiomas y 16 corpus: es la colección pública, no todo el entrenamiento de Transcribe. Un nuevo proceso añade formatos de texto, traducciones y preguntas sobre audio.
Licencias y datos
El repositorio distribuye manifiestos, no sonido. Cada audio debe obtenerse de su distribuidor bajo sus términos. Las etiquetas usan OpenMDW-1.1, salvo People’s Speech, con CC BY-SA 4.0. Un campo de traducción puede estar vacío: su presencia no garantiza un resultado aceptado.
Análisis del autor
Mi lectura es que reunir varias tareas puede simplificar las herramientas de consulta de entrevistas, clases o reuniones. La precisión sigue siendo decisiva: nombres, cambios de voz y respuestas deben contrastarse con la grabación, como recomienda el propio equipo. Elegir dónde procesar audio tampoco resuelve por sí solo el consentimiento o la protección de información sensible.