Si alguna vez has intentado transcribir una reunión caótica con cinco personas hablando a la vez, sabes perfectamente que es una pesadilla absoluta. Pues bien, Nvidia acaba de decidir que ese problema tecnológico ya es historia. La compañía verde no solo fabrica el hardware que mueve la inteligencia artificial, sino que ahora quiere monopolizar el software de código abierto.
Y el golpe en la mesa se llama Nemotron 3.5 Transcribe, un nuevo modelo de pesos abiertos totalmente gratuito que viene a reventar los estándares del reconocimiento de voz actual. Una auténtica locura.
Una bestia multilingüe capaz de separar ocho voces
Si miramos los números, lo que ha logrado la empresa de Jensen Huang asusta un poco. Hablamos de un sistema capaz de transcribir audio en hasta 40 idiomas diferentes sin apenas esfuerzo y con un nivel de precisión abrumador.
A ello se le suma su capacidad directa para traducir desde y hacia el inglés en 31 de esos idiomas. Pero lo que realmente marca la diferencia en el mercado es el nivel de caos acústico que puede gestionar. El modelo es capaz de distinguir y etiquetar a ocho interlocutores distintos dentro de una misma pista de audio.
Es decir, se acabó de una vez por todas eso de tener un muro de texto interminable donde no sabes quién dijo qué. Además, el sistema se traga del tirón grabaciones de hasta una hora de duración. Así de simple.
Como era de esperar, Nvidia no ha dudado ni un segundo en sacar pecho con los benchmarks frente a la competencia. Aseguran que su nueva criatura supera a las alternativas rivales más potentes, liderando con holgura la prestigiosa Clasificación abierta de ASR alojada en Hugging Face.
30.000 millones de parámetros en un solo chip
Pero claro, cuando lees las especificaciones y ves que un modelo tiene 30.000 millones de parámetros, automáticamente piensas que vas a necesitar una granja de servidores del tamaño de un estadio para poder moverlo. Pues no.
El motivo es simple: la optimización extrema del ecosistema. Nvidia sostiene que este mastodonte puede ejecutarse de forma nativa en un único procesador, sin depender de clústeres en la nube ni de costes altísimos de latencia.
En concreto, afirman que funciona perfectamente desde un controlador robótico Jetson AGX Thor hasta el chip DGX Spark, ese mismo que veremos muy pronto en los nuevos ordenadores portátiles de alto rendimiento. Te haces una idea.
Básicamente, están democratizando la inferencia pesada en dispositivos locales. Este nuevo modelo gigantesco se une así a la prolífica familia de IA vocal de la firma, donde ya teníamos joyas open-source como el potente Parakeet de 1.100 millones de parámetros.
El objetivo: hospitales, directivos y un toque de realidad
Nadie invierte millones en desarrollar una herramienta así solo por amor al arte. Estas soluciones apuntan directamente al corazón económico del mercado laboral: las reuniones empresariales y la compleja transcripción médica.
Para afinar aún más el tiro, han liberado en paralelo la versión 2 de Granary. Se trata de su enorme conjunto de datos de entrenamiento de voz. Si un desarrollador lo combina con entornos de trabajo como NeMo Speech, puede coger el modelo base y adaptarlo a su propio sector.
Puedes hacer que la IA entienda perfectamente la jerga técnica de un cirujano o los acrónimos imposibles de una multinacional financiera. Un nivel de personalización absoluto.
La letra pequeña es que no todo podía ser mágico. Nemotron 3.5 Transcribe tiene una limitación de diseño muy clara: solo procesa audio que ya ha sido grabado. Ni se inmuta ante el streaming. Si estás buscando transcripción en vivo para retransmisiones en directo, este no es tu modelo.
Una guerra total por la voz de la IA
Por si fuera poco, este brutal lanzamiento cae en medio de un mes frenético para todo el sector de la inteligencia artificial de voz. Las grandes tecnológicas han decidido que ahora quieren dominar cómo hablamos con las máquinas.
Hace escasos días, la start-up francesa Mistral lanzó Voxtral 3 para competir ferozmente en este mismo terreno. Los chicos de ElevenLabs tampoco se quedaron atrás presentando Realtime, buscando una latencia prácticamente cero en la creación de agentes conversacionales instantáneos.
Incluso los dinosaurios del software tradicional están apretando el acelerador al máximo, como hemos comprobado con la reciente llegada al mercado de Launa-Omni de la mano de Salesforce.
Veremos si la competencia consigue responder rápido a este movimiento o si Nvidia consolida por fin su doble monopolio. Porque parece que ya no les basta con venderte la tarjeta gráfica más cara del mercado; ahora quieren que todo el software del planeta esté programado exclusivamente bajo sus reglas. La pelota está en el tejado de sus rivales, pero la ventaja de los de verde empieza a ser preocupantemente inalcanzable.
Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.
