¿Qué es NVIDIA Nemotron 3.5 Transcribe?
Nemotron 3.5 Transcribe es un modelo de voz offline de NVIDIA, publicado en Hugging Face, NGC y build.nvidia.com el 28 de octubre de 2026. Combina un codificador ASR de 600M de parámetros y un codificador de hablante de 99M con el modelo de lenguaje Nemotron 3.5 Lightning, una mezcla de expertos híbrida Mamba-Transformer: 34.000 millones de parámetros en total, unos 4.300 millones activos por token incluido el codificador de audio.
Un solo checkpoint se encarga de la transcripción en 40 idiomas, del texto literal o limpio, de transcripciones atribuidas por hablante con marcas de tiempo por palabra, de la traducción desde y hacia el inglés, de la identificación de idioma, de pistas de vocabulario en el prompt y de preguntas y respuestas sobre audio en inglés. Acepta grabaciones de hasta una hora y no es un modelo de streaming.
Los pesos se publican bajo la licencia OpenMDW-1.1, que permite el uso comercial, en versiones BF16, FP8 y NVFP4. NVIDIA también publicó Granary v2, 463.062 horas de datos de voz en 48 idiomas. DeepInfra lo aloja a $0,002 por minuto de audio.
¿Cuánto cuesta NVIDIA Nemotron 3.5 Transcribe?
| Plan | Precio | Qué incluye |
|---|---|---|
| Weights | Free | OpenMDW-1.1, uso comercial permitido |
| DeepInfra API | $0.002 per audio minute | Hasta 60 minutos por petición |
Pesos abiertos bajo OpenMDW-1.1. DeepInfra: $0,002 por minuto de audio ($0,12 la hora); OpenRouter enruta a DeepInfra a una tarifa similar.
¿Merece la pena NVIDIA Nemotron 3.5 Transcribe?
Nemotron 3.5 Transcribe es el modelo de transcripción abierto más fuerte en las pruebas independientes, y el primero abierto que hace la mayor parte de un flujo de actas de reuniones en una sola llamada. Artificial Analysis lo sitúa en el 2,8 % de su índice AA-WER, empatado en el primer puesto entre los modelos de pesos abiertos con Voxtral Small de Mistral (2,77 % frente a su 2,81 %), con aproximadamente una sexta parte de los 24B parámetros activos de Voxtral. En el Open ASR Leaderboard de Hugging Face ocupa el primer puesto entre los modelos abiertos con un WER medio en inglés del 5,33 %, por delante de Qwen3-ASR-1.7B con 5,4.
Lo distintivo es el prompt. El estilo de transcripción, las pistas de vocabulario, las etiquetas de hablante y la traducción se eligen en la instrucción, y las cifras multihablante de la propia NVIDIA (15,80 de cpWER medio en sesiones completas de AMI, CALLHOME, Mixer 6 y NOTSOFAR-1, frente a 16,83 del siguiente mejor sistema publicado) son autodeclaradas, pero coherentes con las clasificaciones externas. Adaptarlo a un dominio es barato: en el conjunto de voz médica de Eka Care, el WER bajó del 30,8 % al 23,8 % con un prompt mejor y al 11,8 % tras unas 14 horas de GPU de fine-tuning en una GB300.
Los límites están claros en la ficha. Solo funciona offline, así que los subtítulos en directo y los agentes de voz que necesitan resultados parciales siguen requiriendo un modelo de streaming como Parakeet. El soporte de idiomas es desigual: 40 idiomas para transcripción, 31 para traducción y 13 para etiquetas de hablante, con el mandarín, el árabe y el bengalí calificados solo como "supported". Las preguntas sobre audio se entrenaron en inglés. Los modelos cerrados siguen por delante en conjunto; Gemini 3.5 Transcribe está en el 2,60 % en la clasificación Open ASR.
Alojarlo uno mismo requiere una H100 de 80GB para los pesos BF16. Las cifras de servicio más rápidas de NVIDIA, 2.238 segundos de audio por segundo en una RTX PRO 6000, proceden de su versión NIM; la vía abierta con vLLM publicada el día del lanzamiento es, según la propia estimación de NVIDIA, aproximadamente la mitad de rápida. Al precio de DeepInfra, transcribir cuesta un tercio de la tarifa histórica de la API Whisper de OpenAI, así que la opción alojada será la elección sensata por defecto para la mayoría de los equipos por debajo de unos pocos miles de horas al mes.
Dónde se gana su sitio
Un ingeniero de datos en un contact center de 300 puestos
Transcribir y atribuir 10.000 horas de llamadas grabadas al mes
En DeepInfra a $0,12 la hora salen unos $1.200 al mes, con etiquetas de hablante <spk:N> y marcas de tiempo por palabra en una sola respuesta. Los nombres de producto van en el prompt como términos de contexto, no en un paso de sesgo aparte.
Un ingeniero de ML en una startup de salud digital
Adaptar la transcripción al vocabulario clínico
El ejemplo de Eka Care de NVIDIA redujo el WER del 30,8 % al 11,8 % con unas 245 horas de datos y 14 horas de GPU en una GB300. El inglés general empeoró ligeramente (LibriSpeech clean del 1,54 % al 1,69 %), así que prueba ambos.
Una productora de localización en una empresa de medios europea
Producir transcripciones y traducciones al inglés de entrevistas en checo, polaco o alemán
Esos idiomas tienen la calificación "leading" para transcripción y traducción en ambos sentidos. Las grabaciones de una hora caben en una sola petición; los nombres y lugares siguen requiriendo comprobaciones puntuales con el audio, como aconseja NVIDIA.
Antes de decidirte
- Puesta en marcha
- Alojado: una llamada de estilo OpenAI a DeepInfra u OpenRouter (nvidia/nemotron-3.5-transcribe). Autoalojado: vLLM 0.32.0 con el plugin NeMo Speech en una H100 de 80GB, o SGLang-Omni 0.2.0; Transformers funciona desde el código fuente.
- Integraciones
- vLLM, SGLang-Omni, Hugging Face Transformers, GGML en RTX 5090 y RTX PRO 6000, NeMo Speech para fine-tuning; alojado en DeepInfra, Baseten y Simplismart.
- Datos y privacidad
- OpenMDW-1.1 permite el uso comercial. NVIDIA afirma que no se usaron interacciones de usuarios con productos desplegados en el entrenamiento. DeepInfra afirma que no guarda audio ni transcripciones después de una petición.
- Coste a escala
- 1.000 horas de audio cuestan $120 en DeepInfra, que factura cada minuto, silencios incluidos. Autoalojarlo requiere una H100 de 80GB (BF16) o una L40S de 48GB (FP8).
- Límites
- Hasta una hora y 65.536 tokens por petición, hasta ocho hablantes; solo offline; preguntas sobre audio probadas solo en inglés; la ficha advierte que no está garantizado que generalice más allá del límite de entrenamiento de una hora.
Lo bueno
- Empatado en el primer puesto entre los modelos abiertos en Artificial Analysis con 2,8 % de AA-WER, con unos 4B parámetros activos
- Etiquetas de hablante, marcas de tiempo por palabra, traducción y pistas de vocabulario en un solo checkpoint
- $0,002 por minuto de audio en DeepInfra
- Licencia OpenMDW-1.1 y recetas de fine-tuning publicadas en NeMo Speech
Lo malo
- Solo offline; sin resultados parciales en streaming
- Etiquetas de hablante en 13 idiomas, traducción en 31
- La vía de servicio más rápida es solo NIM por ahora; vLLM abierto va a la mitad de velocidad
- Los pesos BF16 necesitan una GPU de 80GB
Ideal para
Equipos que transcriben en volumen llamadas, reuniones o contenido grabado y quieren etiquetas de hablante y vocabulario del dominio sin encadenar varios modelos.
Alternativas a NVIDIA Nemotron 3.5 Transcribe
NVIDIA Nemotron 3.5 Transcribe: preguntas frecuentes
- ¿Merece la pena NVIDIA Nemotron 3.5 Transcribe?
- Un modelo de voz abierto que iguala en precisión a los mejores rivales abiertos y reúne diarización, traducción y vocabulario personalizado en un solo prompt, por $0,12 la hora alojado. Le damos un 4.5 sobre 5.
- ¿Cuánto cuesta NVIDIA Nemotron 3.5 Transcribe?
- Pesos abiertos bajo OpenMDW-1.1. DeepInfra: $0,002 por minuto de audio ($0,12 la hora); OpenRouter enruta a DeepInfra a una tarifa similar.
- ¿Qué inconvenientes tiene NVIDIA Nemotron 3.5 Transcribe?
- Solo offline; sin resultados parciales en streaming; etiquetas de hablante en 13 idiomas, traducción en 31; la vía de servicio más rápida es solo NIM por ahora; vLLM abierto va a la mitad de velocidad; los pesos BF16 necesitan una GPU de 80GB.
- ¿Para quién es NVIDIA Nemotron 3.5 Transcribe?
- Equipos que transcriben en volumen llamadas, reuniones o contenido grabado y quieren etiquetas de hablante y vocabulario del dominio sin encadenar varios modelos.
- ¿Cuánto cuesta NVIDIA Nemotron 3.5 Transcribe para un equipo o en producción?
- 1.000 horas de audio cuestan $120 en DeepInfra, que factura cada minuto, silencios incluidos. Autoalojarlo requiere una H100 de 80GB (BF16) o una L40S de 48GB (FP8).
- ¿Es NVIDIA Nemotron 3.5 Transcribe seguro para los datos de la empresa?
- OpenMDW-1.1 permite el uso comercial. NVIDIA afirma que no se usaron interacciones de usuarios con productos desplegados en el entrenamiento. DeepInfra afirma que no guarda audio ni transcripciones después de una petición.
- ¿Cuáles son las mejores alternativas a NVIDIA Nemotron 3.5 Transcribe?
- Las alternativas más cercanas que hemos analizado son Voxtral 3 (Transcribe and TTS), Parakeet TDT 0.6B v3, Whisper large-v3-turbo y MOSS-Transcribe-Diarize 0.9B.
Respuestas comprobadas el 31 oct 2026.