Interfaze publica un modelo ASR abierto basado en difusión para seis idiomas

El 2 de julio de 2026, Interfaze publicó en abierto diffusion-gemma-asr-small, un modelo multilingüe de reconocimiento automático del habla que transcribe audio mediante difusión y no mediante autorregresión. El adaptador, de unos 42 millones de parámetros, se conecta a los pesos congelados de DiffusionGemma, de Google, y cubre seis idiomas sin dividirse en ramas específicas para cada uno.

¿Cómo funciona el reconocimiento de voz por difusión?

La mayoría de los sistemas ASR públicos son autorregresivos: el modelo genera la transcripción de forma secuencial, token a token, y el tiempo de ejecución crece en proporción a la duración de la grabación. Whisper de OpenAI, MMS y Seamless de Meta, y Distil-Whisper funcionan así.

diffusion-gemma-asr-small es distinto. Se basa en DiffusionGemma, un modelo de lenguaje de Google entrenado con difusión: en lugar de generar texto de forma secuencial, lo reconstruye en paralelo a partir de un estado ruidoso, en varios pasos de eliminación de ruido. Interfaze añadió un adaptador de audio sobre esa base. El adaptador enseña al modelo a asociar la señal sonora con el texto correcto, mientras que los pesos de DiffusionGemma siguen congelados y no se actualizan durante el entrenamiento del adaptador.

La consecuencia práctica: el coste computacional de la transcripción lo determina el número de pasos de denoising elegido, no la duración del audio. El desarrollador decide el equilibrio entre velocidad y calidad: más pasos implican mayor precisión, pero también más tiempo.

¿Qué hay dentro del modelo?

• Fecha de publicación en abierto: 2 de julio de 2026
• Tamaño del adaptador de audio: unos 42 millones de parámetros
• Modelo base: DiffusionGemma de Google (pesos congelados, sin actualizar)
• Idiomas admitidos: seis (el anuncio no revela la lista concreta)
• El coste de inferencia depende del número de pasos de eliminación de ruido, no de la duración de la grabación

Un solo adaptador para seis idiomas es la apuesta arquitectónica clave. La mayoría de los modelos multilingües usan cabezas específicas por idioma o un checkpoint distinto para cada uno. Aquí, DiffusionGemma ya contiene representaciones textuales multilingües, y el adaptador solo tiene que enseñarle a aceptar audio, sin duplicar pesos por idioma.

Para comparar: la versión completa de Whisper large-v3 de OpenAI tiene 1,5 miles de millones de parámetros, así que el adaptador de Interfaze es unas 35 veces más compacto en pesos entrenables.

¿Qué significa para los desarrolladores de ASR?

El enfoque de difusión es una rareza en el reconocimiento de voz público. La mayoría de los sistemas ASR abiertos se basan en autorregresión o en decodificación CTC. diffusion-gemma-asr-small es el primer ejemplo público de reutilización de un modelo de lenguaje de difusión como backend de ASR mediante un adaptador mínimo.

Para la comunidad investigadora es una prueba de concepto y un punto de partida: los pesos abiertos permiten estudiar la arquitectura e intentar adaptarla a tareas afines, como ASR multilingüe, code-switching o reconocimiento de voz con acento.

Para un uso práctico hacen falta datos que el anuncio no revela: los idiomas concretos, la precisión en benchmarks estándar (WER en LibriSpeech, Common Voice, Fleurs) y la velocidad real de inferencia frente a Whisper. Sin estas cifras, de momento es difícil evaluar la competitividad del modelo en producción.

Qué significa

Interfaze ha abierto una vía casi inexplorada: ASR por difusión que ajusta solo un adaptador ligero sobre un modelo de lenguaje ya hecho. Si el enfoque confirma una calidad competitiva en los benchmarks, ofrecería una alternativa interesante a los sistemas autorregresivos: latencia predecible, calidad ajustable mediante el número de pasos y un presupuesto de pesos compacto.

*Meta ha sido declarada organización extremista y está prohibida en Rusia.