Audex-30B: la red neuronal de NVIDIA para audio y voz

El 7 de julio de 2026, NVIDIA lanzó Audex-30B, un sistema unificado de audio y voz con arquitectura Mixture of Experts que reúne cinco tipos de tareas de audio en un solo modelo, sin una pérdida significativa de las capacidades de texto del sistema base.

Qué reúne Audex en un solo modelo

Antes de Audex, cada tarea de audio requería una solución especializada: un sistema para el reconocimiento de voz, otro para la traducción, un tercero para la síntesis. NVIDIA los ha integrado en una única arquitectura MoE:

• Comprensión de contenido de audio: análisis del contenido de archivos de sonido
• Reconocimiento automático del habla (ASR)
• Traducción de voz a otro idioma
• Síntesis de voz: text-to-speech (TTS)
• Generación de audio

La arquitectura Mixture of Experts permite al modelo activar solo una parte de sus parámetros según la tarea. De los 30.000 millones de parámetros totales, en modo activo se utilizan unos 3.000 millones; de ahí el sufijo A3B del nombre completo. Este enfoque reduce la carga de cómputo en la inferencia frente a un modelo denso del mismo tamaño total.

Por qué importa conservar las capacidades de texto

Añadir una nueva modalidad a un modelo de lenguaje ya entrenado suele provocar el «olvido catastrófico»: las capacidades de texto originales se degradan por efecto del nuevo ajuste fino. Es uno de los principales retos de ingeniería al desarrollar sistemas multimodales.

NVIDIA construyó Audex sobre Nemotron-Cascade-2, su propia base de texto con un sólido rendimiento lingüístico. La compañía afirma que la regresión en los benchmarks de texto fue mínima: las capacidades de audio se añadieron sin una caída apreciable de la calidad con el texto.

La arquitectura MoE desempeña aquí un papel clave: los «expertos» de audio y de texto dentro del modelo están parcialmente aislados entre sí, lo que reduce la interferencia mutua entre modalidades durante el ajuste fino. Como resultado, el modelo sigue siendo competente tanto en texto como en sonido, sin sacrificar una área por la otra.

A quién le interesa

Un único modelo multitarea simplifica el desarrollo de productos de voz y multimodales. En lugar de mantener varios sistemas especializados, el equipo trabaja con un solo conjunto de pesos: es más fácil de desplegar, de actualizar y de monitorizar. La actualización de un único modelo mejora a la vez las cinco funciones.

Los escenarios de uso potenciales son amplios: asistentes de voz que entienden el contexto, sistemas de transcripción y traducción en tiempo real, plataformas de voz multilingües para centros de llamadas y herramientas de generación de contenido de audio.

Qué significa

Audex continúa la tendencia hacia modelos fundacionales multimodales con cobertura total de tareas. Donde antes «audio + texto» significaba combinar varios sistemas especializados, NVIDIA propone un único conjunto de pesos que cubre todo el abanico de tareas de audio y conserva la solidez de texto del modelo base.

¿Qué puede hacer la red neuronal Audex-30B?

Reúne cinco tipos de tareas de audio: comprensión de contenido de audio, reconocimiento automático del habla, síntesis, traducción y un tipo adicional de procesamiento de sonido, todo en un solo modelo que conserva sus capacidades de texto.