nvidia/nemotron-3.5-transcribe/speech-to-textNemotron 3.5 Transcribe, el modelo con pesos abiertos de NVIDIA, convierte en texto hasta una hora de voz en 40 idiomas, con tiempos por palabra y números de hablante opcionales, o una traducción.
Playground
Salida
Listo para una nueva ejecuciónModelos relacionados y tareas siguientes
¿No está el modelo que buscas?
NVIDIA · MODELO DE VOZ CON PESOS ABIERTOS
NVIDIA Nemotron 3.5 Transcribe: grabaciones de una hora a texto en 40 idiomas, con tiempos por palabra, turnos de hablante o traducción.
Cifras clave
- Idiomas
- 40
- Nemotron 3.5 Transcribe detecta por sí mismo el idioma hablado; no hay nada que seleccionar.
- Archivo más largo
- 60 min
- Una grabación de hasta una hora por solicitud; los archivos más largos se rechazan sin costo.
- Marcas de tiempo
- Palabra
- Inicio, fin y número de hablante de cada palabra cuando activas las marcas de tiempo por palabra.
- Pares de traducción
- 31
- La voz se traduce hacia o desde el inglés en lugar de transcribirse.
Antes de gastar
Todos los modos
- Una grabación por solicitud, de 1 segundo a 60 minutos. Los archivos más largos se rechazan antes de procesarse y no cuestan nada. Las subidas tienen un límite de 90 MB; los enlaces públicos pueden apuntar a archivos más grandes.
- Las marcas de tiempo por palabra y la traducción no se combinan. Nemotron 3.5 Transcribe no tiene ajuste de idioma, vocabulario personalizado ni salida en streaming; el resultado llega cuando se procesó todo el archivo.
- Voces que suenan parecido pueden fusionarse en un solo hablante, y el inicio de las palabras puede desviarse hasta medio segundo. Un audio que repite el mismo clip una y otra vez puede volver recortado; en nuestra prueba de una hora en bucle el texto se detuvo tras unas pocas repeticiones.
Lo que hace el modelo

Detección del idioma
40 idiomas, sin casilla de idioma que llenar
Basta con subir el archivo: el idioma se deduce de la propia voz, así que un conjunto de grabaciones en idiomas mezclados no necesita clasificarse antes. En nuestras pruebas, un pronóstico del tiempo en japonés volvió en escritura japonesa y una llamada en inglés conservó su puntuación y sus signos de interrogación.
Palabras y hablantes
Inicio, fin y número de hablante para cada palabra
Con las marcas de tiempo por palabra activadas, cada palabra del resultado trae su inicio y su fin en segundos y un número de hablante que cuenta desde 0. Nuestra llamada de radio a dos voces se dividió en hablante 0 y hablante 1 en los turnos correctos. Los inicios pueden desviarse hasta medio segundo y las voces parecidas pueden fusionarse, así que sirve para líneas de subtítulos y no para una sincronía cuadro por cuadro.
Traducción
Traduce en la misma solicitud
Indica target_language y el resultado es el habla vertida a ese idioma, en lugar de una transcripción. En nuestras ejecuciones, una narración en español salió en inglés y una llamada en inglés salió en japonés. La traducción funciona hacia o desde el inglés con otros 31 idiomas, pero no se puede combinar con las marcas de tiempo por palabra.

Grabaciones largas
Un archivo de 58 minutos listo en unos 52 segundos
Cada solicitud acepta una grabación de hasta 60 minutos y el resultado llega cuando termina todo el archivo. En nuestras pruebas, un capítulo de audiolibro de 58 minutos terminó en unos 52 segundos, y el mismo archivo con marcas de tiempo por palabra dio 10 594 palabras con tiempos. Los archivos de más de 60 minutos se rechazan antes de ejecutarse y no se cobran.
Dónde encaja
Transcripciones de podcasts y entrevistas
Texto separado por hablante para citas, notas del episodio y búsqueda.
Sincronía de subtítulos
Tiempos por palabra para archivos de subtítulos en el idioma hablado.
Archivos multilingües
Grabaciones en cualquiera de los 40 idiomas transcritas sin etiquetarlas antes.
Traducciones de primer borrador
Un primer borrador en inglés de una grabación en otro idioma, o voz en inglés llevada a otro mercado.
Referencia del modelo
Referencia de la API de Nemotron 3.5 Transcribe
Especificaciones de la API de Nemotron 3.5 Transcribe
- Modelo
- NVIDIA Nemotron 3.5 Transcribe (pesos abiertos, OpenMDW-1.1)
- Endpoint
- Voz a texto
- Idiomas
- 40 para transcripción, detección automática
- Traducción
- Hacia o desde el inglés, 31 idiomas más
- Entrada
- Archivo MP3, WAV, MP4 o WebM de hasta 90 MB, o enlace público; de 1 segundo a 60 minutos
- Salida
- Texto completo; con marcas de tiempo, inicio, fin y hablante de cada palabra
- Velocidad
- Un archivo de 58 minutos en unos 52 segundos en nuestras pruebas
Cómo llamar a la API de Nemotron 3.5 Transcribe
Sube o enlaza la grabación
MP3, WAV, MP4 o WebM de hasta 90 MB como archivo, o un enlace público a un archivo más grande; hasta 60 minutos de voz.
Elige texto simple o con tiempos
Deja apagadas las marcas de tiempo por palabra para una transcripción rápida, o actívalas para subtítulos y turnos de hablante.
O traduce en su lugar
Elige un idioma de destino para recibir la voz en ese idioma. Nemotron 3.5 Transcribe traduce hacia o desde el inglés.
Lee el resultado
La transcripción llega como texto y, con marcas de tiempo, también como una lista de palabras con tiempos y números de hablante.
En resumen
Nemotron 3.5 Transcribe es la respuesta con pesos abiertos de NVIDIA a las grabaciones largas y multilingües: envía hasta una hora de voz en cualquiera de 40 idiomas y recibe el texto completo en alrededor de un minuto, con tiempos por palabra y turnos de hablante si necesitas subtítulos, o una traducción si lo necesitas en otro idioma.
Preguntas sobre la API de Nemotron 3.5 Transcribe
Todos los modelos Nemotron2
Modelos de audio1
Nemotron 3.5 TranscribeActualVoz a texto$0.00003por segundo de audio de entrada
