Imagen: NVIDIA
En reconocimiento de voz se suele mirar una sola métrica: cuántas palabras transcribe bien el sistema. En una conversación clínica hay otra pregunta igual de importante: ¿quién pronunció esas palabras? Confundir una frase del paciente con una indicación del profesional puede cambiar por completo la lectura de una transcripción.
Ese es el problema de la diarización de hablantes: dividir una grabación en segmentos y determinar qué intervenciones corresponden a cada persona. El 23 de septiembre de 2026, NVIDIA publicó Nemotron 3 Diarization, un modelo con pesos abiertos orientado precisamente a esto.
Qué ha publicado NVIDIA
Según la ficha técnica del modelo, Nemotron 3 Diarization tiene 99,2 millones de parámetros y admite hasta ocho hablantes, tanto sobre audio grabado como en streaming. NVIDIA indica además una configuración de latencia mínima de 0,32 segundos, relevante para aplicaciones que procesan la conversación mientras ocurre. En el benchmark DIHARD III, la compañía reporta:
- una tasa de error de diarización (DER) del 12,73 % en modo offline;
- un 13,55 % con la configuración de mínima latencia;
- un 19,09 % para el modelo anterior de cuatro hablantes utilizado en la comparación.
Por qué importa en una consulta
Un sistema de reconocimiento del habla puede producir una transcripción correcta y, aun así, ser insuficiente para documentar una conversación. Piensa en un intercambio breve: alguien dice que le duele desde el lunes, se le pregunta si ha tomado algún medicamento y responde «ibuprofeno». Están todas las palabras, pero sin los turnos se pierde parte de la estructura. En una consulta real hay además interrupciones, silencios, voces superpuestas y conversaciones largas. Por eso la diarización no es un añadido estético: es una capa que ayuda a reconstruir la conversación.
El dato que todavía falta: español clínico
Los resultados publicados son prometedores, pero no permiten concluir que el comportamiento sea equivalente en una consulta sanitaria en España. Según la ficha del modelo, los datos de entrenamiento incluyen inglés, mandarín, hindi, canarés, telugu y bengalí. Además, DIHARD III es un benchmark exigente, pero no representa específicamente conversaciones clínicas en español.
Idioma, acústica, duración de la consulta, número de participantes, interrupciones y formas naturales de hablar pueden modificar mucho el rendimiento. Antes de incorporar un modelo a un flujo concreto hay que evaluarlo en el contexto en el que se va a usar.
Por qué importan los modelos abiertos
Nemotron 3 Diarization se publica bajo licencia OpenMDW v1.1 y con pesos disponibles públicamente. Poder estudiar y ejecutar modelos así fuera de servicios totalmente cerrados permite a los equipos técnicos evaluar su comportamiento, medir sus requisitos de hardware y explorar arquitecturas donde ciertas etapas no dependan necesariamente de enviar toda la información a un servicio remoto. Es una referencia para nuestra investigación sobre procesamiento local.
Qué puede aprender una organización
En MYULAB, el trabajo de nuestro producto Myukura sobre reconocimiento de voz clínico en español, que abordamos durante el MareNostrum Hackathon del Barcelona Supercomputing Center, nos ha mostrado que la diarización forma parte del mismo problema que el vocabulario médico o los acentos: no basta una buena transcripción aislada, hay que conservar la estructura necesaria para trabajar después con esa información. Como miembros de NVIDIA Inception, seguimos de cerca este tipo de publicaciones, con una condición: una ficha técnica o un benchmark son un punto de partida, no una validación para un entorno concreto.
La pregunta que recomendamos hacerse antes de adoptar cualquier modelo, en sanidad o fuera de ella, es siempre la misma: ¿cómo funciona con nuestros datos, nuestro idioma y nuestro caso de uso? Responderla es parte del trabajo de consultoría y diagnóstico y de la tecnología que construimos con cada organización.