Si este año estás eligiendo un modelo de voz a texto open-weight, la duda de nemotron 3.5 transcribe frente a whisper depende de lo que necesites obtener del audio. ¿Quieres solo texto, o texto con etiquetas de hablante, traducción y formato controlado por instrucciones? Voxtral, de Mistral AI, es la tercera opción, y sus modelos open-weight y alojados están repartidos en productos distintos.
Cómo se ha hecho este artículo: se basa en anuncios oficiales, documentación y las fuentes que se enumeran al final, no en pruebas propias. Consulta nuestra política editorial.
Índice
Resumen rápido: nemotron 3.5 transcribe frente a whisper según el uso
Este es un resumen de especificaciones publicadas, no el resultado de una prueba. Las cifras de rendimiento que aparecen más abajo proceden de los fabricantes o de clasificaciones que ellos citan, así que conviene tratarlas como afirmaciones del fabricante.
- Nemotron 3.5 Transcribe: la mejor opción para archivos grabados en los que quieres etiquetas de hablante, traducción y formato personalizado con un solo modelo.
- Whisper: la mejor opción si necesitas la lista de idiomas más amplia, un tamaño reducido y una licencia MIT permisiva.
- Voxtral: la mejor opción para uso en directo y de baja latencia con Voxtral Realtime. Su modelo por lotes, Voxtral Mini Transcribe V2, no es open-weight.
Qué es cada modelo
Nemotron 3.5 Transcribe
Nvidia lanzó Nemotron 3.5 Transcribe el miércoles 28 de octubre como un modelo de voz open-weight que cubre 40 idiomas. Combina un codificador de voz Transformer y un modelo Nemotron 3 Diarization congelado con el LLM híbrido Mamba–Transformer de mezcla de expertos Nemotron 3.5 Lightning 30B-A3B, con aproximadamente 4,3B de parámetros activos.
El estilo de salida se define en cada petición. El estilo de transcripción se elige con una instrucción en lenguaje natural para cada solicitud, sin reentrenar. Nvidia afirma que el modelo transcribe 40 idiomas, traduce 31 de ellos desde o hacia el inglés e identifica hablantes en 13.
Whisper
Whisper es el veterano modelo abierto de reconocimiento de voz de OpenAI. Su código y sus pesos se publican bajo la licencia MIT. El listado de Hugging Face para large-v3-turbo muestra 99 idiomas.
Para tareas sensibles a la velocidad, el repositorio describe el modelo turbo como una versión optimizada de large-v3 con transcripción más rápida y una pérdida de precisión mínima. El mismo README indica que turbo tiene 809M de parámetros y necesita aproximadamente 6 GB de VRAM.
Voxtral
Voxtral es una familia, y su condición de open-weight varía según el modelo. Para Voxtral Mini (3B) y Voxtral Small (24B), Mistral publicó los pesos bajo la licencia Apache 2.0. Fue el lanzamiento de julio de 2025.
El más reciente Voxtral Transcribe 2 lo plantea de otra manera. La familia incluye Voxtral Mini Transcribe V2 para transcripción por lotes y Voxtral Realtime para aplicaciones en directo, y Voxtral Realtime es open-weights bajo Apache 2.0. El modelo de pesos cerrados se llama voxtral-mini-latest y se usa a través de la API de Mistral.
Tabla comparativa de nemotron 3.5 transcribe frente a whisper (solo datos confirmados)
| Característica | Nemotron 3.5 Transcribe | Whisper (large-v3 / turbo) | Voxtral Realtime (open weights) |
|---|---|---|---|
| Licencia | OpenMDW-1.1, según un resumen de terceros; consulta la ficha del modelo | MIT | Apache 2.0 |
| Idiomas | 40 para transcripción, 31 para traducción | 99 (listado de large-v3-turbo) | No confirmado en las fuentes que he leído |
| Etiquetas de hablante | Sí, en 13 idiomas, hasta 8 hablantes | No confirmado en las fuentes que he leído | No confirmado para el modelo Realtime abierto |
| Traducción | 31 idiomas desde o hacia el inglés | No se trata aquí | No se trata aquí |
| Salida controlada por instrucciones | Sí, mediante instrucción de texto | No confirmado en las fuentes que he leído | No confirmado en las fuentes que he leído |
| Streaming | No; está pensado para grabaciones y existe un modelo de streaming aparte de 0,6B | No se trata aquí | Sí, retraso de transcripción configurable; Mistral contempla ajustes inferiores a 200 ms y recomienda 480 ms para equilibrar precisión y latencia. |
| Tamaño | Unos 30B en total según el nombre del modelo, unos 4,3B activos | Turbo: 809M de parámetros | Modelo de 4B, descarga de 8,87GB |
Fuentes de la tabla: un modelo Nemotron 3.5 ASR aparte, de unos 600M de parámetros, está pensado para audio en directo, mientras que Transcribe es el modelo de archivos con instrucciones para grabaciones de hasta 60 minutos. Voxtral Realtime se llama oficialmente Voxtral-Mini-4B-Realtime-2602 y es una descarga de 8,87GB desde Hugging Face.
Afirmaciones de precisión y velocidad
Estas cifras las comunica el propio fabricante o proceden de clasificaciones que este cita, no de pruebas independientes. NVIDIA dice que es el mejor modelo open-weights en las Open ASR Leaderboards en inglés y multilingüe. En su publicación de Hugging Face, NVIDIA informa de que quedó primero entre los modelos open-weight con una tasa media de error de palabras del 5,33% y un RTFx de 462,09.
En cuanto al rendimiento, la compañía afirma que el modelo procesa 100 horas de audio en menos de tres minutos en una RTX PRO 6000 Blackwell Server Edition con precisión NVFP4. Es una GPU de centro de datos de gama alta. Con otro hardware, espera cifras inferiores.
En el apartado de diarización, NVIDIA señala la tasa de error de diarización más baja de los 14 sistemas probados en una prueba de referencia de 21 idiomas.
Las afirmaciones anteriores de Voxtral también son declaraciones propias. En el lanzamiento original, Mistral dijo que Voxtral supera a Whisper large-v3. Esa comparación es anterior a Nemotron 3.5 Transcribe y no dice nada directo sobre él. No he encontrado ninguna comparación independiente de los tres modelos.
Diferencias clave en nemotron 3.5 transcribe frente a whisper que afectan a tu arquitectura
Un modelo frente a una cadena de herramientas
Una configuración habitual de Whisper añade herramientas aparte para las etiquetas de hablante y el alineamiento. Nemotron 3.5 Transcribe está diseñado para reunir esas tareas en un único checkpoint. MarkTechPost dice que puede sustituir herramientas separadas de ASR, diarización y alineamiento. Eso puede simplificar el despliegue, pero también te ata a un modelo mucho más grande.
Contexto y vocabulario del dominio
Si tu audio está lleno de nombres de producto o términos médicos, esto importa. Con una lista de entidades esperadas, NVIDIA afirma que Nemotron 3.5 Transcribe reduce seis veces los errores de entidades con nombre en ContextASR-Bench. Voxtral Mini Transcribe V2 ofrece una idea similar: el context biasing permite guiar el modelo con vocabulario personalizado.
Requisitos de hardware
Whisper turbo es el más ligero de los tres, con unos 6 GB de VRAM. Nemotron es mucho más pesado. Su ficha de modelo indica una sola H100 de 80 GB como configuración de referencia, y NVIDIA dice que funciona con una sola GPU, desde Jetson AGX Thor y DGX Spark hasta las tarjetas Blackwell de centro de datos. Calcula ese presupuesto antes de dar por hecho que encaja en tus servidores actuales.
Límites que conviene revisar
El audio, tu instrucción y la respuesta del modelo comparten un único presupuesto de contexto de 64.000 tokens. Eso ayuda a explicar el límite de grabación de aproximadamente una hora. La respuesta a preguntas sobre audio se entrenó solo en inglés, y la ficha del modelo advierte de que la compatibilidad de idiomas cambia según la tarea.
La propia recomendación de Nvidia es comprobar por muestreo los nombres, los cambios de hablante y las respuestas con la grabación original.
Cuál elegir en nemotron 3.5 transcribe frente a whisper
- Reuniones, llamadas y entrevistas con atribución de hablante: empieza con Nemotron 3.5 Transcribe, siempre que tengas capacidad de GPU y tus idiomas estén entre los 13 con etiquetas de hablante.
- Muchos idiomas, poco hardware o una licencia permisiva: Whisper turbo es la base más segura. La licencia MIT es la más sencilla de aprobar con los equipos legales.
- Agentes de voz en directo: Voxtral Realtime. Está disponible por API a 0,006 $ por minuto y como open weights en Hugging Face. Si solo quieres una API por lotes alojada, Simon Willison indicó voxtral-mini-latest a 0,003 $ por minuto, o 0,18 $ por hora. Es un precio de servicio alojado, no de autoalojamiento.
- Alojado en lugar de autoalojado: consulta nuestra explicación de MAI-Transcribe-2 y nuestra comparativa de plataformas de agentes de voz con IA.
Cómo evaluar nemotron 3.5 transcribe frente a whisper con tu propio audio
Las clasificaciones públicas usan conjuntos de prueba limpios. Antes de decidirte, pasa una pequeña muestra de tus propias grabaciones por cada candidato y compara la tasa de error de palabras, los errores de hablante y el coste por hora de audio. La respuesta correcta en la decisión de nemotron 3.5 transcribe frente a whisper depende de tus acentos, tu ruido y tus términos de dominio. Las clasificaciones públicas no pueden decírtelo.
Conclusión
Sobre el papel, Nemotron 3.5 Transcribe es la opción open-weight más capaz para audio grabado que necesita etiquetas de hablante, traducción y salida controlada por instrucciones. Whisper sigue siendo la base ligera, con licencia MIT y 99 idiomas, y Voxtral Realtime cubre el streaming de baja latencia bajo Apache 2.0. La elección de nemotron 3.5 transcribe frente a whisper es, por tanto, un equilibrio entre funciones y tamaño. Valídala con tus propios datos, porque las cifras de precisión aquí indicadas las comunica el fabricante.