Nemotron 3.5 Transcribe vs NVIDIA Parakeet TDT 0.6B: el actual líder con 626.000 descargas se encuentra con su reemplazo

Más de 626.000 descargas en Hugging Face corresponden a NVIDIA Parakeet TDT 0.6B, el transductor de 600 millones de parámetros que ha sido el reconocedor de inglés autoalojado por defecto desde su aparición en agosto de 2025. Casi ninguna de ellas lo ejecuta por sí solo: la implementación estándar consiste en Parakeet para las palabras, un diarizador aparte para los hablantes y un paso de fusión para unir ambas salidas en los límites de los segmentos. Nemotron 3.5 Transcribe, publicado como pesos abiertos el 28 de octubre de 2026, es la propuesta de NVIDIA para eliminar esa capa intermedia: un único checkpoint que transcribe, separa hasta ocho voces y les asigna marcas temporales, en cuarenta idiomas, sin cascada. También es cuarenta y tres veces más lento por segundo de GPU y aproximadamente veinticinco veces más grande en disco, que es la parte que el anuncio no pone en primer plano.

Lo interesante de esta comparativa es que ambos modelos pertenecen a la misma empresa. No se trata de un retador que llega desde fuera para desplazar al titular; es NVIDIA vendiéndote un segundo producto mucho más pesado para hacer la mitad del trabajo para la que su primer producto nunca fue concebido.

Dos arquitecturas, dos teorías del trabajo

Parakeet TDT 0.6B v3 es un codificador FastConformer que alimenta un decodificador transductor de token y duración. Un modelo TDT predice tanto un token como una duración por paso, lo que le permite saltarse fotogramas y funcionar muy por delante del tiempo real; esa es la razón principal de que sea rápido. Cubre 25 lenguas europeas con detección automática de idioma, incluye marcas de tiempo nativas a nivel de palabra y se distribuye bajo CC-BY-4.0, que es una licencia de lo más libre de restricciones. No tiene ninguna representación de hablante — ni una débil, ninguna.

Nemotron 3.5 Transcribe es un modelo de lenguaje aumentado con voz: un codificador de voz, un modelo Nemotron 3 Diarization congelado que inyecta características de actividad del hablante mediante un Parallel Expert Encoder, y un decodificador híbrido Mamba–Transformer de mezcla de expertos con aproximadamente 4 mil millones de sus 30 mil millones de parámetros activos por token. No clasifica tramas. Genera texto, y por eso se le puede indicar cómo generarlo.

• Parámetros: aproximadamente 30B en total, alrededor de 4B activos por token frente a 600M.

• Decodificación — generación autorregresiva frente al transductor de token y duración, no autorregresivo.

• Licencia — OpenMDW-1.1 vs CC-BY-4.0.

• Idiomas — 40 transcritos, 31 traducidos a o desde el inglés frente a 25 idiomas europeos con detección automática.

• Hablantes — hasta 8, con atribución, en 13 idiomas frente a ninguno.

• Marcas de tiempo — alineación CTC posterior a la decodificación, atribuidas al hablante frente a temporización nativa a nivel de palabra.

• Rendimiento — RTFx 462 en Open ASR Leaderboard frente a RTFx 3,333.

• Duración y streaming de audio — 1 hora por archivo, solo grabado frente a grabado, con un hermano de streaming de 0,6B que gestiona el audio en vivo por separado.

Las cifras de precisión cambian según quién sea el anfitrión.

En el promedio de inglés de formato corto de Hugging Face Open ASR Leaderboard, Parakeet TDT 0.6B v3 se sitúa en 6,34 % y Nemotron 3.5 Transcribe en 5,33 %. Esa es una diferencia de un punto en la misma clasificación pública, lo que constituye una comparación más respetable que la mayoría en esta serie: el mismo harness, los mismos conjuntos de prueba y los envíos propios de ambos proveedores. Aun así, no es toda la historia, porque las dos entradas se puntuaron en momentos distintos y la media de la clasificación está dominada por habla leída y limpia.

Artificial Analysis cuenta una historia muy diferente, y vale la pena entender por qué. En ese tablero, la entrada Parakeet se sitúa en 4,5 %, muy por delante de lo que sugeriría su promedio de Open ASR, mientras que Nemotron 3.5 Transcribe se sitúa en 3,4 %. El 4,5 % corresponde a la configuración de un endpoint alojado, no al checkpoint en tu propio hardware, y las decisiones de batching y decodificación del implementador mueven la cifra en casi un punto. Comparar una puntuación de Parakeet alojado con una autoalojada es el error más común en la cobertura de esta semana, y también funciona en sentido contrario: la afirmación de lanzamiento de NVIDIA del 2,8 % para Nemotron es una cifra de presentación, y el 3,4 % actual del tablero es la medición.

El panorama independiente revisado por humanos es aún más estrecho. En el conjunto de inglés de Perit, Parakeet TDT 0.6B v3 se sitúa en 2.13 % de WER, en el puesto 14 de 22, con el 54 % de los clips transcritos a la perfección. GPT Transcribe y MAI Transcribe 2 se sitúan en 1.76 %, en los puestos sexto y séptimo. El checkpoint 30B de Nemotron 3.5 Transcribe no figura en absoluto en esa tabla; el modelo nemotron-3.5-asr-streaming-0.6b que sí está en ella se sitúa en 3.35 %, en el puesto 21 —un modelo distinto para una tarea distinta, y a menudo confundido con el que es objeto de este artículo.

Qué elimina realmente el reemplazo

La cascada que los usuarios de Parakeet ejecutan hoy tiene tres partes y tres modos de fallo. El reconocedor produce texto con marcas de tiempo por palabra. El diarizador produce turnos de habla. La fusión asigna turnos a palabras, y lo hace mediante heurísticas de solapamiento que son erróneas exactamente donde importa: cuando dos personas hablan a la vez. Las cifras que NVIDIA reporta para el reemplazo con un solo modelo apuntan directamente a ese fallo: 18,26 % de tasa de error de diarización en 21 idiomas en el benchmark David AI, lo mejor de 14 sistemas; 32,4 % de WER de permutación mínima concatenada en VoiceArena, lo mejor de 14, con el segundo puesto siendo una cascada de Multitalker Parakeet más Nemotron 3 Diarization con 34,2 %; y 8,32 % de palabras de referencia descartadas en habla inglesa con solapamiento frente a una mediana de aproximadamente el 31 %.

Esas son cifras de un proveedor obtenidas con un entorno de pruebas del proveedor y no han sido reproducidas de forma independiente. Pero fíjate en cuál es el segundo lugar: la propia cascada de NVIDIA, construida a partir del modelo que aparece en el título de esta comparación. La empresa está publicando un benchmark en el que su nuevo producto supera a su antiguo producto más un diarizador. Es una evidencia inusualmente directa, y también es el tipo de evidencia que un proveedor está en mejor posición para producir y menos probable que publique si el resultado fuera el contrario.

Lo segundo que elimina el reemplazo es la gestión de idiomas. Parakeet cubre 25 lenguas europeas; Nemotron cubre 40 para transcripción y 31 para traducción hacia o desde el inglés, con atribución de hablante en 13. Si tu cola se limita a la UE, esa diferencia es académica. Si incluye árabe, mandarín, hindi o japonés, Parakeet nunca fue una opción y la comparación es entre Nemotron y algo completamente distinto.

Cuánto te cuesta reemplazarlo

Primero, el throughput. Los 3.333 RTFx de Parakeet frente a los 462 de Nemotron suponen una diferencia de 7,2× en el mismo banco de pruebas de la tabla de clasificación —una brecha menor de la que implica la proporción de parámetros, porque el MoE solo activa alrededor de 4 mil millones de sus 30 mil millones de pesos por token, pero que sigue siendo real—. La afirmación más llamativa de NVIDIA, hasta 2.238 segundos de audio por segundo en una RTX PRO 6000 Blackwell, presupone el checkpoint NVFP4 y un modelo draft DFlash2, y se midió en clips de 30 segundos con alta concurrencia. Ninguno de los dos números es incorrecto; miden configuraciones diferentes, y un plan de capacidad basado en el número más alto te decepcionará en reuniones de una hora.

Huella, en segundo lugar. Parakeet TDT 0.6B cabe en un par de gigabytes y funciona cómodamente en una GPU de gama media, y sus compilaciones cuantizadas funcionan en CPUs. Nemotron 3.5 Transcribe ocupa decenas de gigabytes en BF16 y necesita vLLM con el plugin NeMo Speech o SGLang-Omni en un acelerador de centro de datos. No hay ninguna versión de esto en la que el modelo 30B desplace al modelo 0.6B en el mismo hardware.

Madurez, en tercer lugar. Parakeet acumula un año de despliegues, mil respuestas en foros y una cadena de herramientas funcional en NeMo, Transformers y un runtime de C++. Nemotron 3.5 Transcribe lleva un día. Su soporte para GGUF y NeMo-Speech.cpp se describe como próximamente; sus compilaciones locales cuantizadas aún no se han lanzado. Si tu pipeline necesita ser aburrido, eso es motivo para esperar un trimestre en lugar de motivo para rechazar el modelo.

Donde el titular aún gana de forma contundente

Cualquier cosa interactiva, para empezar. La decodificación por transductor de Parakeet devuelve palabras a medida que llega el audio, y sus marcas de tiempo nativas son una propiedad del decodificador, no un paso de alineación a posteriori. Nemotron 3.5 Transcribe está diseñado explícitamente para audio grabado —así lo dice la propia publicación de NVIDIA en Hugging Face—, y hay un modelo de streaming separado de 0,6B para sesiones en vivo. Si tu producto son subtítulos en vivo, ninguno de los modelos de este titular es la respuesta correcta; el hermano de streaming sí lo es, y es una comparación distinta.

Cualquier despliegue local a pequeña escala, para dos. Una clínica con una tarjeta para estación de trabajo, un despacho de abogados con un archivo y un responsable de cumplimiento, un grupo de investigación con una única subvención de GPU: Parakeet con 0,6B es un despliegue realista y Nemotron con 30B no lo es. La diferencia de precisión de aproximadamente un punto en inglés limpio no compensa el hardware.

Cualquier cosa solo en inglés y sin requisito de locutor, para tres. Lo cual representa, en su mayoría, trabajo de transcripción. El resumen honesto es que la mayoría de las 626.000 descargas de Parakeet corresponden a tareas que la actualización no mejora.

Mantener el pipeline en marcha cuando la mitad de él es tu propio hardware

El autoalojamiento del reconocedor introduce un modo de fallo que las API gestionadas no tienen: tu tarjeta, tu controlador, tu ventana de mantenimiento. Ese es precisamente el argumento para mantener la otra mitad de la canalización —el resumidor, el clasificador, el extractor que convierte una transcripción en registros estructurados— en un endpoint con redundancia integrada. OrcaRouter ejecuta más de 200 modelos de texto y multimodales con una sola clave, con conmutación automática entre proveedores cuando un servicio ascendente se degrada, precios de lista de los proveedores repercutidos con 0 % de margen y un DSL de enrutamiento que te permite dirigir actas de reuniones y notas de llamadas a distintos modelos sin duplicar integraciones. Nemotron 3.5 Transcribe y Parakeet TDT 0.6B están ambos fuera de ese catálogo —no ofrecemos transcripción de voz a texto—, pero la capa que lee su salida no tiene que fallar cuando falla una GPU.

La decisión de actualización

Sustituye Parakeet por Nemotron 3.5 Transcribe si la cascada es lo que te está perjudicando: si mantienes un diarizador y un paso de fusión, si tus reuniones tienen más de dos voces, si tu audio no es europeo, o si las palabras «habla superpuesta» aparecen en tus tickets de soporte. En ese caso, el checkpoint de 30B no es un lujo, es la eliminación de dos piezas móviles y su presupuesto de error, y el coste de rendimiento es un coste de rendimiento: una tarjeta sigue procesando mucho más audio del que un equipo con muchas reuniones puede generar.

Conserva Parakeet si tu audio es en inglés o en lenguas europeas, tus hablantes son conocidos o irrelevantes, tu hardware es una estación de trabajo y tu pipeline funciona. El nuevo modelo no deja obsoleto al antiguo; cubre los casos para los que el antiguo nunca fue diseñado. Y sigue atento a las clasificaciones independientes, porque cada cifra de este artículo que favorece a Nemotron 3.5 Transcribe en diarización es de NVIDIA, y todavía no se ha publicado una segunda opinión.