Nemotron Transcribe y Granary v2: tareas

106

El anuncio de NVIDIA del 28 de octubre reúne dos nombres que pueden confundirse: Nemotron 3.5 Transcribe, un modelo de audio con pesos disponibles, y Granary v2, un conjunto de manifiestos y recursos para preparar datos de habla. No son dos versiones de una misma aplicación. El primero procesa grabaciones; el segundo organiza etiquetas e instrucciones que pueden servir para entrenar o adaptar sistemas de voz. Esta explicación se basa en la documentación pública, no en una prueba propia del modelo.

La diferencia importa porque “40 idiomas”, “31 idiomas de traducción”, diarización y preguntas sobre una grabación describen tareas distintas. NVIDIA no presenta la misma cobertura para todas ellas. Si estás comparando una herramienta para reuniones, dictado o archivos multimedia, conviene mirar primero la matriz por tarea y después el despliegue, la licencia y el coste de mantenerlo.

Portada conceptual generada con IA para ilustrar la revisión de una transcripción; no es una captura del modelo.

Nemotron 3.5 Transcribe y Granary v2 no son lo mismo

Nemotron 3.5 Transcribe es un modelo de reconocimiento y comprensión de audio que convierte una grabación, junto con instrucciones y contexto opcional, en texto. La ficha oficial lo describe como un modelo de pesos abiertos y ejecución sin conexión, con tareas que incluyen transcripción, traducción, identificación de hablantes, marcas temporales y preguntas sobre audio. La disponibilidad de los pesos no significa que sea una aplicación lista para instalar en cualquier ordenador: la guía técnica está dirigida a desarrolladores y enumera runtimes y hardware compatibles.

Granary v2 es la segunda entrega de datos etiquetados y de una canalización de curación. Sus manifiestos contienen transcripciones con distintas normalizaciones, etiquetas de tarea, traducciones y pares de instrucciones. No es el modelo Transcribe ni el audio se descarga junto con esos manifiestos. NVIDIA indica que las grabaciones originales deben obtenerse de cada distribuidor y bajo sus condiciones.

La publicación de NVIDIA en Hugging Face presentó el modelo y Granary v2 el 28 de octubre de 2026. La ficha del modelo aporta la matriz de idiomas, las tareas y los requisitos de ejecución. Para separar estas funciones de una aplicación de dictado de escritorio, también puede servir la guía de Gaia sobre Myna en Ubuntu: son productos y experiencias diferentes.

Qué hace cada tarea y qué no conviene deducir

El nombre “modelo de transcripción” se queda corto para describir todo lo que se puede pedir, pero tampoco significa que cada tarea funcione en todos los idiomas. La tabla resume lo que declaran NVIDIA y la ficha pública; no es una evaluación independiente de calidad.

Tarea	Qué declara la documentación	Límite práctico
Transcribir	Reconocimiento de voz en 40 idiomas; el español de España y de Estados Unidos aparece en el nivel que NVIDIA etiqueta como “Leading”.	Ese nivel es una clasificación de NVIDIA, no una garantía para cualquier acento, grabación o vocabulario.
Traducir	Traducción entre inglés y un conjunto de idiomas, no una promesa de traducción directa entre todas las parejas posibles.	El anuncio indica 31 idiomas; el recuento de las marcas de traducción de la ficha actual da 32. Las fuentes no coinciden, así que hay que comprobar la matriz por idioma y versión.
Separar hablantes	La matriz marca transcripción multihablante solo para una parte de los idiomas.	Una etiqueta distingue voces dentro de una grabación; no identifica a una persona real.
Preguntar al audio	El modelo puede responder preguntas sobre una grabación.	La documentación limita la evaluación de comprensión y razonamiento de audio al inglés; no recomienda dar por fiable esa función en otros idiomas.
Añadir marcas temporales	La integración descrita puede devolver marcas por palabra y etiquetas de hablante.	La ficha liga esta salida estructurada a una configuración de inferencia concreta; no debe asumirse en cualquier interfaz.

El caso más fácil de interpretar mal es el de las preguntas sobre una grabación. Que el modelo pueda contestar “¿qué decisiones se tomaron?” no convierte la respuesta en una transcripción literal ni demuestra que haya encontrado todas las decisiones. La propia ficha separa el audio Q&A del reconocimiento de voz y advierte que la comprensión, el razonamiento y las instrucciones habladas se evaluaron solo en inglés. Para un acta, una traducción o una cita, hay que volver al fragmento de audio y comprobar nombres, cifras, negaciones y atribución.

Gaia ya ha explicado un procedimiento general para comprobar transcripciones y actas generadas con IA. Si lo que necesitas es localizar un momento en un vídeo largo, la guía para buscar una explicación en una grabación aborda ese flujo. Este artículo se centra en otro ángulo: las capacidades y límites publicados para un modelo concreto.

Los 40 idiomas de transcripción no equivalen a 40 idiomas para todo

La ficha de Nemotron enumera 40 idiomas con reconocimiento de voz y distingue niveles “Leading”, “Production-ready” y “Supported”. NVIDIA define esos niveles como sus propias categorías de calidad y preparación; no son una certificación externa. En la tabla, el español de España y el de Estados Unidos aparece como “Leading” para reconocimiento, traducción al inglés, transcripción multihablante y cambio entre idiomas dentro del audio. Esa etiqueta no asegura que el modelo acierte en una llamada con ruido, en nombres poco frecuentes o en todas las variedades del español.

También hay una diferencia entre transcribir y traducir. El anuncio habla de 31 idiomas traducibles hacia o desde el inglés; al contar las filas con marca de traducción de la matriz actual del modelo aparecen 32. Las dos fuentes oficiales no coinciden. Por eso no conviene repetir “31 idiomas” como una cifra universal: abre la matriz de la versión que vas a instalar y comprueba los idiomas concretos. Además, la flecha con inglés no promete traducción de español a japonés, por ejemplo, sin pasar por inglés.

La diarización tiene su propio alcance. La ficha marca reconocimiento multihablante para algunos idiomas, entre ellos el español, y no para todos los que aparecen en transcripción monolingüe. “Hablante 1” y “hablante 2” son etiquetas para ordenar turnos; no acreditan nombres, cargos ni identidad biométrica. En una entrevista o una reunión sensible, una persona debe contrastar cada atribución antes de citarla.

Qué aporta Granary v2: etiquetas, corpus y procedencia

La ficha pública de Granary v2 describe 48 idiomas, 16 corpus de origen y etiquetas para 463.062 horas de habla. Esas cifras corresponden a los manifiestos publicados, no al tamaño de un modelo ni a una prueba de que Transcribe haya aprendido cada hora de la misma manera. La documentación cifra por separado unas 165.300 horas marcadas como de alta calidad por el filtro de la propia canalización; es una clasificación interna del conjunto, no una certificación independiente.

Los manifiestos combinan transcripción, normalización de números, traducción, subtitulado, cambio de idioma dentro de una frase y pares de pregunta-respuesta sobre audio. La idea técnica es dejar más de una representación textual para una misma grabación y etiquetar qué tarea produjo cada salida. Eso facilita preparar conjuntos de entrenamiento, aunque no elimina sesgos, errores de alineación ni diferencias entre los corpus de origen.

Es importante no confundir las 48 lenguas de Granary con las 40 de Transcribe. Un conjunto de datos puede incluir idiomas o tareas que el modelo final no declara soportar con el mismo nivel. Y Granary no contiene necesariamente el audio: la ficha indica que el repositorio distribuye manifiestos, mientras que cada grabación debe localizarse en su corpus original y descargarse conforme a las condiciones de esa fuente.

¿Para quién tiene sentido instalarlo?

Por el tipo de documentación y despliegue, Nemotron 3.5 Transcribe se dirige principalmente a equipos técnicos que quieran integrar reconocimiento de voz en una aplicación, procesar grabaciones propias o adaptar un modelo a vocabulario de dominio. NVIDIA describe una ruta con NeMo Speech y vLLM y publica variantes de precisión; la tarjeta señala hardware acelerado. Descargar los pesos no basta para que un portátil corriente lo ejecute con rapidez, ni incluye por sí solo interfaz de usuario, almacenamiento seguro, permisos de acceso o un flujo de revisión editorial.

La ejecución local puede reducir la necesidad de enviar audio a un servicio externo, pero esa ventaja depende de la arquitectura elegida. Si se descarga el audio desde una nube, se envía a una API alojada o se registran transcripciones en otro sistema, los datos siguen saliendo de la infraestructura local. Antes de utilizar grabaciones de clientes o empleados, revisa dónde se procesa cada tramo, quién conserva los ficheros y qué reglas de consentimiento o retención se aplican en tu organización.

Cómo evaluar una instalación sin confiar en una demostración

Una demostración preparada por el proveedor muestra que una función es posible; no predice cómo se comportará en el archivo de una empresa, una entrevista telefónica o una clase grabada con eco. Para decidir si compensa instalarlo, crea una muestra autorizada y representativa y registra el resultado con el mismo protocolo en cada versión:

1. Define la tarea. Separa transcripción literal, texto limpio, traducción, diarización, marcas temporales y preguntas sobre audio. No compares salidas que responden a objetivos diferentes.
2. Comprueba la matriz. Elige idioma, variante, cambio entre lenguas y tarea antes de subir o procesar el archivo. Si la ficha no declara esa combinación, trátala como no confirmada.
3. Prepara una referencia humana. Usa fragmentos autorizados que una persona haya revisado; anota nombres, cifras, vocabulario técnico, solapamientos y ruido que puedan alterar el resultado.
4. Revisa los errores que cambian el sentido. Además del porcentaje general de palabras erróneas, inspecciona negaciones, cantidades, nombres propios, atribución de hablantes y traducciones. Un promedio puede ocultar un fallo crítico en una sola frase.
5. Mide el despliegue completo. Registra equipo, versión, cuantización, duración de procesamiento, memoria, carga simultánea y pasos manuales. El anuncio no sustituye esa medición en tu entorno.
6. Decide qué se conserva. Documenta el ciclo del audio original, las transcripciones, los registros y las copias de seguridad; valida el control de acceso y la eliminación.

Este método no afirma que Gaia haya probado el modelo ni reproduce las cifras de un benchmark comercial. Las comparaciones citadas por NVIDIA deben leerse con su conjunto, métrica, fecha y configuración originales; un resultado de inglés no se puede trasladar automáticamente al español ni a una grabación con varios hablantes.

Licencia del modelo y permisos de los datos son cuestiones distintas

La tarjeta del modelo indica la licencia OpenMDW 1.1 y pide respetar las licencias o avisos de terceros incluidos en sus materiales. Granary v2 muestra, por separado, términos para las etiquetas y los pares de instrucciones y las licencias de los corpus fuente; la página señala una excepción para el subconjunto People’s Speech y remite a una tabla de permisos. El audio original se obtiene de sus distribuidores y conserva sus propias condiciones.

En la práctica, “pesos abiertos” no significa que cualquier grabación incluida en un corpus se pueda redistribuir ni que todos los componentes compartan licencia. Antes de incorporar el modelo a un producto, revisa la versión de la licencia, las condiciones del uso previsto y las obligaciones de cada componente. Esta explicación no es asesoría jurídica.

Qué sabemos y qué queda por comprobar

La documentación pública describe un modelo amplio para grabaciones: transcripción en 40 idiomas, traducción con cobertura específica, etiquetas de hablante para una parte de ellos y preguntas sobre audio con una advertencia clara para idiomas distintos del inglés. Granary v2 añade manifiestos multilingües y una canalización de etiquetas, pero sus 48 idiomas no equivalen a la cobertura del modelo. NVIDIA ofrece código, fichas y un punto de partida para equipos técnicos; no convierte el sistema en un servicio sencillo para cualquier usuario.

Para un equipo en español, la conclusión práctica es revisar la matriz por tarea, comprobar localmente una muestra propia y tratar cada transcripción como un borrador que requiere validación humana cuando haya nombres, citas, decisiones o datos importantes. La lista de idiomas y los pesos pueden evolucionar: vuelve a la ficha versionada antes de desplegar o de tomar una decisión contractual.

Fuentes y agradecimientos

La información sobre el anuncio, las capacidades declaradas y Granary v2 procede de la publicación de NVIDIA en Hugging Face, de la tarjeta oficial de Nemotron 3.5 Transcribe y de la tarjeta de Granary v2. Agradecemos a los equipos de NVIDIA NeMo y Hugging Face que publiquen documentación técnica, matrices de idiomas, manifiestos y condiciones de uso que permiten contrastar el alcance de sus recursos.