NVIDIA Nemotron 3.5 Transcribe API
nemotron-3.5-transcribeNemotron 3.5 Transcribe es el modelo de voz de NVIDIA de pesos abiertos, publicado el 28 de octubre de 2026. Convierte voz grabada en texto en 40 idiomas y detecta el idioma por sí solo; en 31 de ellos también traduce desde o hacia el inglés, y puede etiquetar hasta 8 hablantes. En APIMODELS es un solo id de modelo, nemotron-3.5-transcribe (también funcionan nemotron-3-5-transcribe, nemotron-transcribe y nvidia/nemotron-3-5-transcribe), en el endpoint de tareas de audio, y es el primer modelo de voz a texto de la plataforma: el resultado es texto, no un archivo de audio. Envía audio_url: un archivo MP3, WAV, M4A, AAC, FLAC, OGG, Opus o WebM que se pueda descargar públicamente, un vídeo MP4 o MOV con pista de audio, o un data URI. Cada solicitud admite hasta 60 minutos y 200 MB. Con timestamps en true, el archivo de resultado completo incluye la hora de inicio, la hora de fin y una etiqueta de hablante para cada palabra (para cada carácter en chino). Con target_language recibes una traducción en lugar de la transcripción; solo es fiable cuando el inglés está en uno de los dos lados, y no se puede combinar con timestamps (esa solicitud devuelve un 400). La llamada es asíncrona: recibes un taskId, consultas GET /v1/audio/generations?task_id= o pasas callback_url, y lees text, duration y transcript_url en resultJson; el archivo de resultado se conserva 30 días. En nuestra propia prueba, una grabación en inglés de 47 segundos con dos personas, con las marcas de tiempo activadas, volvió en unos 4 segundos con 143 palabras, cada una con inicio, fin y etiqueta de hablante. Encaja en actas de reuniones y entrevistas separadas por hablante, subtítulos montados con los tiempos de cada palabra, revisión de llamadas de soporte y de ventas, archivos de clases y presentaciones de resultados en los que se pueda buscar, conversión de grabaciones en varios idiomas a texto en inglés y transcripciones para buscar o para pasárselas a un modelo de lenguaje; no encaja en subtítulos en directo ni en asistentes de voz en tiempo real. Límites que conviene tener en cuenta: es una transcripción offline del archivo completo, no streaming en tiempo real; los hablantes con voces parecidas pueden fusionarse en uno; el fin de cada palabra suele acertar con un margen de decenas de milisegundos, mientras que el inicio puede desviarse alrededor de medio segundo, algo más visible en inglés; al transcribir dos veces el mismo audio pueden cambiar algunas palabras; en la salida en chino los nombres extranjeros suelen aparecer transliterados y algunos números se escriben con caracteres chinos; y no todas las tareas terminan bien, por ejemplo cuando un enlace no se puede descargar o el archivo no tiene audio decodificable. Se factura a $0.0025 por minuto de audio ($0.15 por hora), prorrateado sobre la duración redondeada hacia arriba al segundo: 10 minutos son $0.025 y un archivo completo de 60 minutos, $0.15. Las marcas de tiempo, las etiquetas de hablante y la traducción no tienen coste adicional. Los importes van en unidades de $0.0001, así que cualquier cantidad menor se cobra como $0.0001 (audio de unos 2 segundos o menos). Un archivo cuya duración no se puede leer se rechaza con un 400 sin cargo, y las tareas fallidas no se cobran.
Transcribe audio to text
MP3, WAV, M4A, AAC, FLAC, OGG, Opus or WebM, or an MP4 / MOV video with an audio track. The API takes up to 60 minutes and 200 MB by URL; uploads here are limited to 10 MB for audio and 100 MB for video.
Adds a start time, an end time and a speaker label for every word to the full result JSON. No extra charge.
Returns a translation instead of a transcript. Dependable only when English is on one side: another language into English, or English into the language you pick. No extra charge.
$0.0025 per minute of audio ($0.15 per hour), prorated by the second. Timestamps, speaker labels and translation are included. Amounts below $0.0001 are billed $0.0001. Failed tasks are not charged.
Calling it from code? See the API docs.
Transcript
The transcript will appear here as text
Voz a texto en 40 idiomas
Transcribe voz grabada y detecta el idioma por sí solo, del inglés, el mandarín, el japonés y el coreano al árabe, el hindi, el tailandés y el vietnamita
Marcas de tiempo y hablantes
Con timestamps activado, el archivo de resultado incluye inicio, fin y etiqueta de hablante para cada palabra, hasta 8 hablantes
Traducción desde o hacia el inglés
Indica target_language y recibes una traducción en lugar de la transcripción: 31 idiomas al inglés, o del inglés a ellos
Hasta 60 minutos por archivo
MP3, WAV, M4A, AAC, FLAC, OGG, Opus o WebM, o un vídeo MP4 / MOV con pista de audio, hasta 200 MB
Solo se cobra lo que sale bien
Las tareas fallidas no se cobran, y un archivo cuya duración no se puede leer se rechaza con un 400 antes de facturar nada
$0.0025 por minuto de audio
Calculado por segundo: 10 minutos $0.025, 60 minutos $0.15. Marcas de tiempo, hablantes y traducción sin coste adicional
Nemotron 3.5 Transcribe API: speech to text in 40 languages, with timestamps and speakers
Nemotron 3.5 Transcribe is NVIDIA's open-weight speech model, released on 28 October 2026: it takes a recorded audio or video file of up to 60 minutes and returns the transcript as text, in 40 languages with automatic language detection.
On APIMODELS the Nemotron 3.5 Transcribe API is a single model id, nemotron-3.5-transcribe, on POST /v1/audio/generations. A failed Nemotron 3.5 Transcribe task is not charged; a finished one costs $0.0025 per minute of audio, with word timestamps, speaker labels and translation included.
- Model ID
nemotron-3.5-transcribe- Input
- Audio or video, up to 60 min / 200 MB
- Languages
- 40, detected automatically
- Output
- Text + full result JSON
- Billing
- $0.0025 per minute of audio
What Nemotron 3.5 Transcribe does
A speech-to-text model for recorded files: the transcript, who said it, and when.
Speech to text in 40 languages
Language detected automatically
Nemotron 3.5 Transcribe transcribes English, Mandarin Chinese, Japanese, Korean, the major European languages, Arabic, Hindi, Thai, Vietnamese and more, 40 in all. You do not tell it which language the recording is in.
audio_urlWord-level timestamps
A start and end time for every word
With timestamps on, the full result file lists every word with its start and end time, which is what subtitles, search-in-audio and clip cutting are built from. Chinese comes back character by character.
timestampsSpeaker labels
Up to 8 speakers
The same switch adds a speaker label to every word and a list of who spoke when, so a meeting or an interview reads as a dialogue. Speakers with similar voices can be merged into one.
Translation to or from English
31 languages paired with English
Set a target language and Nemotron 3.5 Transcribe returns a translation instead of a transcript. It is dependable when English is on one side; it cannot be combined with timestamps.
target_languageAudio or video in
Up to 60 minutes, 200 MB
MP3, WAV, M4A, AAC, FLAC, OGG, Opus and WebM audio, or an MP4 or MOV video with an audio track, sent as a public link or a data URI. There is no need to extract the audio first.
Text plus a full result file
text, duration, transcript_url
The task result carries the full text and the audio length; transcript_url points to a JSON file with the words, speakers and segments. The file is kept for 30 days.
What Nemotron 3.5 Transcribe is a good fit for
Six jobs it suits, each with what you send, which switch you set and what comes back, plus the one it does not.
Meeting and interview minutes
Send the recording of a call, a meeting or an interview with timestamps: true. You get the full text, plus a result file in which every word carries a speaker label and diarization lists who spoke when, so the transcript can be laid out speaker by speaker.
timestampsSubtitles for video and podcasts
Send the MP4 or MOV itself, or the episode audio, with timestamps: true. Build SRT or VTT cues yourself from the start and end times in words. Start times can drift by about half a second, so check where each cue begins.
timestampswordsSupport calls and sales recordings
Send long, multi-speaker call recordings with timestamps: true. Speaker labels tell apart up to 8 people, so agent and customer turns can be separated for review, keyword checks and analysis. Voices that sound alike can be merged, so spot-check the labels.
Archives of lectures, courses and earnings calls
Send long recordings one file per request, up to 60 minutes and 200 MB each; cut anything longer into parts. The text makes every recording searchable, at $0.15 per hour of audio.
Multilingual content to or from English
Set target_language to en and a talk in Japanese, German or Spanish comes back as English text; or send English audio and pick one of the 31 other languages. The text field holds the translation. Timestamps are not available on translation requests.
target_languageTranscripts for search and LLM summaries
Send voice notes, recordings or media files without extra options and store the returned text. It can be indexed for search, or passed as plain text to one of the language models on apimodels.app, which the same API key and balance also cover.
Live captions and realtime voice assistants
Nemotron 3.5 Transcribe works offline on a whole recorded file and returns nothing until the task finishes, so it cannot caption a live stream or drive a voice assistant. For a live two-way voice conversation, use Grok Voice 3.0.
How the Nemotron 3.5 Transcribe API works
One required field, two optional switches, and limits that are checked before a task is created.
Transcribe
Send the file to POST /v1/audio/generations with model nemotron-3.5-transcribe. Add timestamps: true when you need word times and speakers.
audio_urlRequired. A publicly downloadable audio or video file, or a data URI; up to 60 minutes and 200 MB.timestampsOptional boolean, false by default. True adds word-level times and speaker labels to the full result file.callback_urlOptional. We POST the finished task here; leave it out and poll the GET endpoint.
Translate
Same endpoint and file field; add target_language and the text comes back in that language. Leave timestamps off.
audio_urlRequired, same rules as above.target_languageOne of 32 codes such as en, zh, ja, ko, fr, de, es. Dependable for another language into English, or English into one of these.
| Nemotron 3.5 Transcribe input | Accepted | If it is out of range |
|---|---|---|
| File format | MP3, WAV, M4A, AAC, FLAC, OGG, Opus, WebM; MP4 or MOV with an audio track | Rejected or the task fails; nothing is charged |
| Length | Up to 60 minutes per request | 400 before a task is created |
| File size | Up to 200 MB | Rejected or the task fails; nothing is charged |
| Readable length | We must be able to measure the audio | 400 before a task is created, no charge |
| timestamps + target_language | One or the other | 400 before a task is created |
| Output | text, duration and transcript_url (full result JSON, kept 30 days) | — |
There is no source-language, prompt or output-format parameter. For SRT or VTT subtitles, request timestamps: true and build the cues from the word times in the result file.
Nemotron 3.5 Transcribe pricing: $0.0025 per minute of audio
One rate, counted on the audio length and prorated by the second.
$0.15
One hour of audio
60 minutes × $0.0025. Word timestamps, speaker labels and translation do not change the price, and failed Nemotron 3.5 Transcribe tasks are not charged.
| Audio length | Nemotron 3.5 Transcribe price |
|---|---|
| 47 s (our test clip) | about $0.002 |
| 1 minute | $0.0025 |
| 10 minutes | $0.025 |
| 30 minutes | $0.075 |
| 60 minutes (maximum per request) | $0.15 |
2-minute voice memo
$0.005
2 min × $0.0025
20-minute podcast segment with speakers
$0.05
20 min × $0.0025, timestamps included
40-minute lecture translated into English
$0.10
40 min × $0.0025, translation included
3-hour workshop, split into three files
$0.45
3 requests × 60 min × $0.0025
How the amount is counted: we read the audio length when the task is created, round it up to the whole second and multiply by the per-minute rate. Amounts are in units of $0.0001, so anything smaller is billed $0.0001 (audio of about 2 seconds or less). If the length cannot be read, the Nemotron 3.5 Transcribe request returns a 400 and nothing is charged.
What we measured with Nemotron 3.5 Transcribe
One run of our own. It is one example, not a promised speed.
Input
47 s of English, two speakers
A short two-person conversation, sent with timestamps: true.
Output
143 words with times and speakers
Every word came back with a start time, an end time and a speaker label, alongside the full text.
Time and price
About 4 seconds, about $0.002
Longer files take longer. Poll every few seconds, or pass callback_url and wait for the result.
Limits of Nemotron 3.5 Transcribe to plan for
What the model does not do, and where its output needs a second look.
Offline only, no realtime streaming
It transcribes a whole recorded file after you submit it. There are no partial results while it runs and no live captioning.
60 minutes and 200 MB per request
Longer recordings have to be split and submitted as separate requests.
Timestamps or translation, not both
Word times and speaker labels exist only for transcripts. A request with timestamps: true and target_language returns a 400.
Similar voices can be merged
Up to 8 speakers are told apart, but two people who sound alike can end up under one label.
Timestamps are approximate
Word end times are usually within tens of milliseconds. Start times can be off by about half a second, more noticeably in English.
Runs are not identical
Transcribing the same audio twice can change a few words. Keep the result you got rather than assuming a rerun will match it.
Chinese names and numbers
In Chinese output, foreign names are often transliterated and some numbers are written as Chinese characters.
Non-English language pairs
Translation is dependable to or from English. Going directly between two other languages is not guaranteed.
How to call the Nemotron 3.5 Transcribe API
From API key to transcript in four steps.
Get an API key
Sign up at apimodels.app and create a key in the console. One key and one USD balance cover Nemotron 3.5 Transcribe and every other model.
Host the recording
Put the audio or video file at a link anyone can download directly. Links behind a login, and temporary links that expire within minutes, make the task fail.
Send the request
POST /v1/audio/generations with model nemotron-3.5-transcribe and audio_url, plus timestamps or target_language if you need them. The response holds a taskId.
Read the transcript
Poll GET /v1/audio/generations?task_id= until the state is completed, or wait for the callback. JSON.parse resultJson once, read text, and fetch transcript_url for the word-level file within 30 days.
curl -X POST https://api.apimodels.app/v1/audio/generations \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "nemotron-3.5-transcribe",
"audio_url": "https://example.com/meeting.mp3",
"timestamps": true
}'
# { "code": 200, "msg": "success", "data": { "taskId": "clxxx", "state": "pending", "model": "nemotron-3.5-transcribe" } }
curl "https://api.apimodels.app/v1/audio/generations?task_id=TASK_ID" -H "Authorization: Bearer YOUR_API_KEY"
# data.resultJson (a JSON string): { "text": "...", "duration": 47.2, "transcript_url": "https://r2.apimodels.app/transcripts/clxxx.json" }Why run Nemotron 3.5 Transcribe on apimodels.app
What you can check for yourself, before the price.
Failed tasks are not charged
If a Nemotron 3.5 Transcribe task ends in failed, the charge is returned automatically and the reason is in failMsg.
Bad inputs stop before billing
A missing audio_url, an unreadable file length, a file over 60 minutes, or timestamps combined with translation all return a clear 400 before a task exists.
Async tasks with a callback
Create, then poll the task id or receive the result at callback_url. An hour-long file never holds a connection open.
One API key for every model
The same key and balance call Nemotron 3.5 Transcribe, LLMs, text-to-speech, image and video models, so transcribe-then-summarize needs one integration.
Your own copy of the result file
The full result JSON is stored at transcript_url for 30 days, so you can fetch the word-level data again without re-running the task.
Per-minute pricing, by the second
$0.0025 per minute of audio, measured from your file. Pay as you go, no subscription; the playground shows the estimate before you run it.
Nemotron 3.5 Transcribe vs Whisper-large-v3: word error rate
These are the numbers NVIDIA published in the Nemotron 3.5 Transcribe Technical Report (28 October 2026); they are not our own measurements. The metric is word error rate (WER), the share of words a model gets wrong, so lower is better. NVIDIA takes the baseline figures from the Hugging Face Open ASR Leaderboard.
In the report's English, long-form and multilingual tables, Nemotron 3.5 Transcribe has the lowest average word error rate among the open-weight models listed. It is not first overall: the same report lists commercial systems that score better on long-form and multilingual audio.
| Benchmark | What it covers | Nemotron 3.5 Transcribe | Whisper-large-v3 |
|---|---|---|---|
| Open ASR (average of 9 English test sets) | General English speech | 4.71% | 6.66% |
| Earnings21/22 and CORAAL (average) | Long-form audio | 10.98% | 13.92% |
| AMI | Meeting recordings | 7.81% | 13.63% |
| Average of 7 languages | Multilingual speech | 4.62% | 7.94% |
Source: NVIDIA Nemotron 3.5 Transcribe Technical Report, Table 6 (English), Table 7 (long-form) and Table 9 (multilingual). The 7 languages are German, French, Italian, Spanish, Portuguese, Dutch and Hindi.
For recordings with several speakers, Table 14 of the same report gives cpWER (a word error rate that also counts words assigned to the wrong speaker, lower is better) on whole meeting recordings, macro-averaged over AMI, CALLHOME, Mixer 6 and NOTSOFAR-1: Nemotron 3.5 Transcribe 15.80%, against 16.83% for DiCoW v3.3 + DiariZen-v2.
Sources for Nemotron 3.5 Transcribe
Model facts and benchmark numbers on this page come from NVIDIA's own publications. Prices, limits and the 47-second test are ours.
- NVIDIA Nemotron 3.5 Transcribe Technical Report (28 October 2026) ↗
Word error rates in Tables 6, 7 and 9, and the multi-speaker cpWER in Table 14.
- Nemotron 3.5 Transcribe model card on Hugging Face ↗
Open weights, supported languages and stated limitations.
- NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt (28 October 2026) ↗
NVIDIA's release article on Hugging Face.
- Hugging Face Open ASR Leaderboard ↗
Where the baseline figures in the comparison come from.
Acerca de Nemotron 3.5 Transcribe
Nemotron 3.5 Transcribe es una API de voz a texto de NVIDIA. Nemotron 3.5 Transcribe es el modelo de voz de NVIDIA de pesos abiertos, publicado el 28 de octubre de 2026. Convierte voz grabada en texto en 40 idiomas y detecta el idioma por sí solo; en 31 de ellos también traduce desde o hacia el inglés, y puede etiquetar hasta 8 hablantes. En APIMODELS es un solo id de modelo, nemotron-3.5-transcribe (también funcionan nemotron-3-5-transcribe, nemotron-transcribe y nvidia/nemotron-3-5-transcribe), en el endpoint de tareas de audio, y es el primer modelo de voz a texto de la plataforma: el resultado es texto, no un archivo de audio. Envía audio_url: un archivo MP3, WAV, M4A, AAC, FLAC, OGG, Opus o WebM que se pueda descargar públicamente, un vídeo MP4 o MOV con pista de audio, o un data URI. Cada solicitud admite hasta 60 minutos y 200 MB. Con timestamps en true, el archivo de resultado completo incluye la hora de inicio, la hora de fin y una etiqueta de hablante para cada palabra (para cada carácter en chino). Con target_language recibes una traducción en lugar de la transcripción; solo es fiable cuando el inglés está en uno de los dos lados, y no se puede combinar con timestamps (esa solicitud devuelve un 400). La llamada es asíncrona: recibes un taskId, consultas GET /v1/audio/generations?task_id= o pasas callback_url, y lees text, duration y transcript_url en resultJson; el archivo de resultado se conserva 30 días. En nuestra propia prueba, una grabación en inglés de 47 segundos con dos personas, con las marcas de tiempo activadas, volvió en unos 4 segundos con 143 palabras, cada una con inicio, fin y etiqueta de hablante. Encaja en actas de reuniones y entrevistas separadas por hablante, subtítulos montados con los tiempos de cada palabra, revisión de llamadas de soporte y de ventas, archivos de clases y presentaciones de resultados en los que se pueda buscar, conversión de grabaciones en varios idiomas a texto en inglés y transcripciones para buscar o para pasárselas a un modelo de lenguaje; no encaja en subtítulos en directo ni en asistentes de voz en tiempo real. Límites que conviene tener en cuenta: es una transcripción offline del archivo completo, no streaming en tiempo real; los hablantes con voces parecidas pueden fusionarse en uno; el fin de cada palabra suele acertar con un margen de decenas de milisegundos, mientras que el inicio puede desviarse alrededor de medio segundo, algo más visible en inglés; al transcribir dos veces el mismo audio pueden cambiar algunas palabras; en la salida en chino los nombres extranjeros suelen aparecer transliterados y algunos números se escriben con caracteres chinos; y no todas las tareas terminan bien, por ejemplo cuando un enlace no se puede descargar o el archivo no tiene audio decodificable. Se factura a $0.0025 por minuto de audio ($0.15 por hora), prorrateado sobre la duración redondeada hacia arriba al segundo: 10 minutos son $0.025 y un archivo completo de 60 minutos, $0.15. Las marcas de tiempo, las etiquetas de hablante y la traducción no tienen coste adicional. Los importes van en unidades de $0.0001, así que cualquier cantidad menor se cobra como $0.0001 (audio de unos 2 segundos o menos). Un archivo cuya duración no se puede leer se rechaza con un 400 sin cargo, y las tareas fallidas no se cobran. A través de la plataforma APIMODELS puedes acceder a este modelo mediante una API unificada con precios de pago por uso transparentes. Precio actual: per minute of audio (billed by the second): $0.0025, 10 minutes: $0.025, 30 minutes: $0.075, 60 minutes (maximum per request): $0.15.
Modelo relacionado: Grok Voice 3.0 — when you need a live two-way voice conversation instead of transcribing a recorded file — realtime speech-to-speech over WebSocket, $0.104/min
Modelo relacionado: AI Dubbing — when you want the recording re-voiced in another language rather than a text translation
Modelo relacionado: Voice Isolator — when the recording is noisy — isolate the voice first, then transcribe the cleaned file
Características principales
- Voz a texto en 40 idiomas -- Transcribe voz grabada y detecta el idioma por sí solo, del inglés, el mandarín, el japonés y el coreano al árabe, el hindi, el tailandés y el vietnamita
- Marcas de tiempo y hablantes -- Con timestamps activado, el archivo de resultado incluye inicio, fin y etiqueta de hablante para cada palabra, hasta 8 hablantes
- Traducción desde o hacia el inglés -- Indica target_language y recibes una traducción en lugar de la transcripción: 31 idiomas al inglés, o del inglés a ellos
- Hasta 60 minutos por archivo -- MP3, WAV, M4A, AAC, FLAC, OGG, Opus o WebM, o un vídeo MP4 / MOV con pista de audio, hasta 200 MB
- Solo se cobra lo que sale bien -- Las tareas fallidas no se cobran, y un archivo cuya duración no se puede leer se rechaza con un 400 antes de facturar nada
- $0.0025 por minuto de audio -- Calculado por segundo: 10 minutos $0.025, 60 minutos $0.15. Marcas de tiempo, hablantes y traducción sin coste adicional
Casos de uso
Voz en off y narración
Genera locuciones de nivel profesional para videos, animaciones y anuncios, con voces variadas.
Producción de pódcast
Produce rápidamente el audio de tu pódcast, con soporte para diálogos de varios personajes.
Creación de audiolibros
Convierte texto en voz natural y fluida para producir audiolibros.
Doblaje multilingüe
Doblaje y traducción multilingüe con IA para que tu contenido llegue a audiencias globales.
Por qué APIMODELS
- API unificada -- Una sola clave para todos los modelos, sin registrarte en varias plataformas
- Precios transparentes -- Pago por uso con el precio por llamada publicado en cada página de modelo, ideal para desarrolladores independientes y startups
- Acceso instantáneo -- Empieza justo después de registrarte; paga con tarjeta, PayPal, Alipay o USDT
- Documentación completa -- Documentación de API detallada con ejemplos en cURL, Python y Node.js
Preguntas frecuentes
¿Cuál es la diferencia entre APIMODELS y la API oficial de NVIDIA?
APIMODELS ofrece el mismo modelo Nemotron 3.5 Transcribe a través de nuestra plataforma de agregación. Proporcionamos una interfaz de API unificada, así que no necesitas cuentas separadas por proveedor: una sola clave para acceder a todos los modelos.
¿Qué es la API de Nemotron 3.5 Transcribe?
Nemotron 3.5 Transcribe es el modelo de voz de NVIDIA de pesos abiertos, publicado el 28 de octubre de 2026, y la API de Nemotron 3.5 Transcribe convierte un archivo de audio o vídeo grabado en texto. Transcribe 40 idiomas y detecta el idioma por sí solo, puede añadir marcas de tiempo por palabra con etiquetas de hablante (hasta 8 personas) y traduce entre el inglés y otros 31 idiomas. En apimodels.app es un solo id de modelo, nemotron-3.5-transcribe, en POST /v1/audio/generations, a $0.0025 por minuto de audio; las tareas fallidas no se cobran.
¿Qué idiomas admite Nemotron 3.5 Transcribe? ¿Transcribe en español?
Sí, el español está incluido. La transcripción funciona en 40 idiomas con detección automática: inglés, chino mandarín, japonés, coreano, francés, alemán, español, portugués, italiano, ruso, neerlandés, polaco, checo, eslovaco, hindi, búlgaro, croata, danés, estonio, finés, húngaro, letón, lituano, rumano, esloveno, sueco, tailandés, turco, ucraniano, árabe, bengalí, griego, hebreo, indonesio, maltés, maratí, tagalo, tamil, telugu y vietnamita. De ellos, 31 también se pueden traducir desde o hacia el inglés. No hace falta indicar el idioma de origen.
¿Qué archivos de audio y vídeo acepta Nemotron 3.5 Transcribe?
Audio MP3, WAV, M4A, AAC, FLAC, OGG, Opus y WebM, o un vídeo MP4 o MOV con pista de audio. Se envía en audio_url: un enlace que cualquiera pueda descargar directamente, o un data URI. Cada solicitud admite hasta 60 minutos y 200 MB; las grabaciones más largas hay que dividirlas y enviarlas por partes. Un archivo cuya duración no se puede leer se rechaza con un 400 antes de cobrar nada.
¿Cómo obtengo marcas de tiempo por palabra y etiquetas de hablante?
Envía timestamps: true. El resultado de la tarea sigue incluyendo el texto completo, y el archivo de transcript_url (también resultUrls[0]) añade words, una lista de {word, start, end, speaker}, además de los segmentos de diarization y text_with_speakers. Distingue hasta 8 hablantes; el chino se devuelve carácter a carácter. En nuestra prueba, una grabación en inglés de 47 segundos con dos personas volvió con 143 palabras, cada una con inicio, fin y etiqueta de hablante. Las marcas de tiempo y las etiquetas de hablante no tienen coste adicional.
¿Nemotron 3.5 Transcribe puede traducir la voz?
Sí. Indica en target_language uno de los 32 códigos admitidos (en, zh, ja, ko, fr, de, es, etc.) y el texto llega traducido en lugar de transcrito. La calidad solo es fiable cuando el inglés está en uno de los dos lados: de otro idioma al inglés, o del inglés a uno de esos idiomas. La traducción directa entre dos idiomas que no sean el inglés no está garantizada. No se puede combinar con timestamps: true; esa solicitud devuelve un 400. La traducción va incluida en el precio por minuto.
¿Nemotron 3.5 Transcribe admite transcripción en tiempo real o en streaming?
No. Transcribe un archivo grabado completo de forma offline: creas una tarea y luego la consultas o esperas el callback. En nuestra prueba, un clip de 47 segundos con marcas de tiempo terminó en unos 4 segundos, pero es una sola medición, no una promesa de latencia, y no se envían resultados parciales mientras se procesa el archivo. Para una conversación de voz en directo, Grok Voice 3.0 en apimodels.app es la opción en tiempo real.
¿Qué precisión tiene Nemotron 3.5 Transcribe y cuáles son sus límites?
Está pensado para voz grabada con claridad, y conviene contar con algunos límites. Los hablantes con voces parecidas pueden fusionarse en uno. El fin de cada palabra suele acertar con un margen de decenas de milisegundos, mientras que el inicio puede desviarse alrededor de medio segundo, algo más visible en inglés. Al transcribir dos veces el mismo audio pueden cambiar algunas palabras. En la salida en chino, los nombres extranjeros suelen aparecer transliterados y algunos números se escriben con caracteres chinos. Si el resultado trae truncated: true, la salida llegó a su tope, normalmente por repeticiones, y conviene descartarla o revisarla; silent: true significa que apenas se detectó voz.
¿Cómo queda Nemotron 3.5 Transcribe frente a Whisper large-v3?
Según las tasas de error por palabra (WER, cuanto más baja mejor) que NVIDIA publicó en su informe técnico del 28 de octubre de 2026, Nemotron 3.5 Transcribe supera a Whisper-large-v3 en las cuatro comparaciones: 4.71% frente a 6.66% en la media de 9 conjuntos en inglés de Open ASR; 10.98% frente a 13.92% en audio largo (media de Earnings21/22 y CORAAL); 7.81% frente a 13.63% en las grabaciones de reuniones de AMI; y 4.62% frente a 7.94% de media en 7 idiomas (alemán, francés, italiano, español, portugués, neerlandés e hindi). Son cifras de NVIDIA, con los datos del modelo de referencia tomados del Hugging Face Open ASR Leaderboard, no mediciones de apimodels.app. En esas tres tablas tiene el error medio más bajo entre los modelos de pesos abiertos; el mismo informe incluye sistemas comerciales que obtienen mejores resultados en audio largo y multilingüe.
Informe técnico de NVIDIA Nemotron 3.5 Transcribe (tablas 6, 7 y 9) ↗¿Cuánto cuesta la API de Nemotron 3.5 Transcribe?
$0.0025 por minuto de audio, es decir, $0.15 por hora, prorrateado sobre la duración redondeada hacia arriba al segundo. Un clip de 47 segundos cuesta unos $0.002, 10 minutos $0.025, 30 minutos $0.075 y un archivo de 60 minutos $0.15. Las marcas de tiempo por palabra, las etiquetas de hablante y la traducción están incluidas. Los importes van en unidades de $0.0001, así que cualquier cantidad menor se cobra como $0.0001 (audio de unos 2 segundos o menos). Las tareas fallidas y los archivos cuya duración no se puede leer no se cobran.
¿Cómo llamo a la API de Nemotron 3.5 Transcribe y leo el resultado?
Crea una cuenta en apimodels.app y genera una API key; una sola clave y un saldo en USD sirven para todos los modelos. Después envía: curl -X POST https://api.apimodels.app/v1/audio/generations -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model": "nemotron-3.5-transcribe", "audio_url": "https://example.com/meeting.mp3", "timestamps": true}'. La respuesta trae un taskId. Consulta GET /v1/audio/generations?task_id= hasta que state sea completed, aplica JSON.parse una vez a resultJson y lee text, duration y transcript_url. El archivo de resultado se conserva 30 días.
¿Puedo probar Nemotron 3.5 Transcribe gratis?
Las cuentas nuevas que cumplen los requisitos reciben $0.10 de crédito de prueba, que a $0.0025 por minuto alcanza para unos 40 minutos de audio. Después se paga por uso, sin suscripción, y las recargas empiezan en $10. En el playground de esta página puedes subir un archivo o pegar un enlace: muestra el precio estimado según la duración del audio antes de ejecutar y devuelve la transcripción como texto que puedes copiar.
¿Qué puede hacer Nemotron 3.5 Transcribe?
Nemotron 3.5 Transcribe admite: Speech to Text, 40 Languages, Auto-Detected, Word-Level Timestamps, Speaker Labels (up to 8), Translation to/from English, Audio or Video, up to 60 min, $0.0025 per Minute. Consulta la documentación de APIMODELS para ver todos los parámetros y ejemplos de llamada.
¿Puedo usar la API de Nemotron 3.5 Transcribe desde cualquier país?
Sí. APIMODELS no limita el acceso por país: la web y la API responden desde cualquier lugar, y apimodels.app y api.apimodels.app también son accesibles directamente desde China continental, sin proxy. Llamas a Nemotron 3.5 Transcribe con una sola clave de APIMODELS, sin abrir una cuenta aparte con el desarrollador del modelo.
¿Puedo pagar con PayPal o cripto? ¿Qué métodos de pago hay?
Sí. Puedes recargar saldo con PayPal, USDT en TRON (TRC20) o en BNB Smart Chain (BEP20), tarjeta (Visa, Mastercard y otras, a través de Stripe) o Alipay. Las recargas con tarjeta, PayPal y Alipay se acreditan al instante; las de USDT, en cuanto la transferencia se confirma en la cadena. Puedes activar la recarga automática, y al recargar $50 sumamos $1 de bono ($3 si recargas $100). El saldo es en dólares y se cobra por uso, sin suscripción.