La inteligencia artificial está cambiando la manera de trabajar con la voz. Durante años, los sistemas de reconocimiento de audio tuvieron una función relativamente concreta: convertir palabras pronunciadas en texto. Ahora, la industria busca que esas herramientas también comprendan el contexto, identifiquen quién habla, distingan las intervenciones y adapten el resultado a las necesidades de cada usuario. NVIDIA acaba de dar un paso en esa dirección con Nemotron 3.5 Transcribe, un modelo que refleja cómo la transcripción automática comienza a convertirse en una herramienta de análisis de información.
Presentado el 28 de octubre de 2026, el nuevo desarrollo de la compañía está diseñado para procesar grabaciones de hasta una hora y trabajar con 40 idiomas. Su principal diferencia frente a los sistemas tradicionales es que no obliga al usuario a elegir una única modalidad de transcripción. Mediante instrucciones en lenguaje natural, puede generar versiones literales, textos más limpios y legibles, traducciones o documentos que identifican a los participantes de una conversación. La propuesta apunta a simplificar tareas que hasta ahora requerían combinar diferentes herramientas.
La identificación de interlocutores es uno de sus aspectos más interesantes. El modelo puede distinguir las voces de distintas personas y asociar sus intervenciones con marcas de tiempo a nivel de palabra. Esto tiene aplicaciones directas en reuniones empresariales, entrevistas periodísticas, investigaciones académicas y grabaciones de atención al cliente. En lugar de recibir un bloque de texto difícil de interpretar, el usuario puede obtener una transcripción organizada que permite reconocer quién dijo cada cosa y en qué momento de la conversación.
La herramienta también incorpora capacidades de traducción entre el inglés y otros 31 idiomas, además de identificación de lenguas habladas. Esta característica amplía su utilidad para organizaciones que trabajan con equipos internacionales, contenidos audiovisuales o documentación procedente de diferentes países. La posibilidad de adaptar el resultado mediante instrucciones permite, por ejemplo, conservar las expresiones originales de una entrevista o convertir una conversación espontánea en un texto más adecuado para elaborar un informe. La tecnología busca reducir la distancia entre escuchar una grabación y disponer de información lista para utilizar.
Según NVIDIA, Nemotron 3.5 Transcribe obtuvo una tasa media de error de palabra del 4,71 % en nueve pruebas públicas del Open ASR Leaderboard en inglés y del 4,62 % en su evaluación multilingüe. La compañía lo presenta como el modelo de pesos abiertos mejor situado en esos rankings. Son resultados comunicados por el propio fabricante y deben interpretarse dentro de las condiciones de esas evaluaciones, pero permiten dimensionar la apuesta por mejorar la precisión sin renunciar a la flexibilidad. La publicación de sus pesos también facilita que desarrolladores y empresas puedan adaptar el sistema a sus propios proyectos.
La voz se convierte en una fuente de información estratégica
El avance tiene consecuencias para sectores donde las conversaciones contienen información de valor. En el ámbito empresarial, una reunión puede generar acuerdos, compromisos y tareas que después deben documentarse. En el periodismo, las entrevistas requieren precisión y una identificación clara de las declaraciones. En la medicina, las grabaciones pueden servir para agilizar la elaboración de documentación clínica, siempre bajo las garantías correspondientes de privacidad y supervisión profesional. Una herramienta capaz de organizar automáticamente esos contenidos puede reducir tareas repetitivas y liberar tiempo para el análisis.
La publicación de los pesos abiertos constituye otro elemento importante. A diferencia de un servicio que obliga a enviar cada archivo a una plataforma externa, esta modalidad permite que los desarrolladores descarguen el modelo y lo integren en sus propios entornos, de acuerdo con las condiciones de su licencia. Para empresas que manejan información confidencial, la posibilidad de controlar dónde se procesa el audio puede ser especialmente relevante. Sin embargo, disponer del modelo no elimina la necesidad de contar con infraestructura, capacidad técnica y medidas adecuadas de protección de datos.
También existen limitaciones que conviene tener presentes. Nemotron 3.5 Transcribe está orientado a grabaciones, no a la transcripción de conversaciones en directo. Además, la calidad del resultado puede verse condicionada por el ruido ambiental, las voces superpuestas, la pronunciación y la presencia de términos especializados. La identificación de los interlocutores tampoco sustituye la comprobación humana cuando una declaración tiene consecuencias legales, médicas o periodísticas. La automatización facilita el trabajo, pero no convierte una transcripción en una fuente infalible.
La competencia en este terreno es cada vez más intensa. NVIDIA se suma a un mercado donde conviven empresas especializadas en reconocimiento de voz, plataformas de productividad y desarrolladores de modelos generativos que buscan integrar audio, texto y traducción en una misma experiencia. La diferencia ya no estará únicamente en quién transcribe con menos errores, sino en quién consigue convertir una grabación extensa en información útil, ordenada y contextualizada. Esa evolución puede modificar el funcionamiento de herramientas de reuniones, aplicaciones de dictado, servicios de atención al cliente y plataformas de creación de contenidos.
Nemotron 3.5 Transcribe muestra que la inteligencia artificial está avanzando hacia una relación más sofisticada con el lenguaje hablado. Escuchar, reconocer, traducir y organizar una conversación empiezan a formar parte de un mismo proceso tecnológico. El verdadero impacto no dependerá solo de la velocidad con la que una máquina convierte una voz en palabras, sino de su capacidad para preservar el sentido de lo que se dijo y facilitar que las personas trabajen con esa información. En una sociedad que produce cada vez más contenidos audiovisuales, transformar el sonido en conocimiento puede convertirse en una de las aplicaciones más extendidas de la inteligencia artificial. @mundiario
