Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
InfraestructuraAPI / Producto · Listo para usarX: @curratedbrief→ original

Reson8 abre un modelo de voz 60 veces más pequeño que el de NVIDIA: 7,86% de errores por palabra frente a 7,78%

Transcribir llamadas suele exigir una API en la nube de pago o un modelo pesado sobre una GPU cara. La startup neerlandesa Reson8, con sede en Ámsterdam, ha abierto bajo Apache 2.0 Rumble-2-Flash, un modelo de 0,5 mil millones de parámetros para más de 40 idiomas. En el test de AppTek, con 302 horas de llamadas de call center, falla en el 7,86% de las palabras. Nemotron 3.5 Transcribe de NVIDIA, de 30 mil millones de parámetros, falla en el 7,78%. Las cifras las ha publicado el propio desarrollador, así que conviene probar el modelo con 5–10 horas de grabaciones propias.

Procesado por IA desde X: @curratedbrief; editado por Hamidun News
Reson8 abre un modelo de voz 60 veces más pequeño que el de NVIDIA: 7,86% de errores por palabra frente a 7,78%
Fuente: X: @curratedbrief. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalX: @curratedbrief ↗
Editor jefe
Dato clave #1La licencia Apache 2.0 permite usar el modelo en productos comerciales
Dato clave #2La diferencia con NVIDIA en el test de AppTek es de 0,08 puntos porcentuales: 7,86% frente a 7,78%
Dato clave #3El modelo es 60 veces más pequeño que su competidor: 0,5 mil millones de parámetros frente a 30 mil millones

Imagine que tiene que convertir en texto miles de horas de llamadas al servicio de atención al cliente. Normalmente hay dos caminos: pagar a un servicio en la nube por cada minuto de grabación o mantener en casa un modelo pesado sobre una GPU cara. La startup neerlandesa Reson8, con sede en Ámsterdam, propone una tercera opción: Rumble-2-Flash, un modelo compacto y abierto de reconocimiento de voz.

Tiene 0,5 mil millones de parámetros y, en un test con grabaciones de call centers, falla en el 7,86% de las palabras. A modo de comparación, el modelo NVIDIA Nemotron 3.5 Transcribe, con 30 mil millones de parámetros, falla en el 7,78%.

La diferencia es de 0,08 puntos porcentuales, mientras que el tamaño se distancia 60 veces.

Qué se ha lanzado exactamente

Rumble-2-Flash es un modelo speech-to-text, es decir, de conversión de voz a texto. Admite más de 40 idiomas y se distribuye bajo licencia Apache 2.0. Para quien lo vaya a usar, este detalle importa: la licencia permite emplear el modelo en productos comerciales, ajustarlo y integrarlo en servicios cerrados. No obliga a abrir el código propio y tampoco requiere acuerdos aparte con el autor.

Reson8 midió la calidad con el benchmark de AppTek. Son 302 horas de grabaciones de conversaciones en call centers, con ruido, interrupciones y habla espontánea, no lecturas limpias de estudio. La métrica se llama WER (word error rate) y es la proporción de palabras reconocidas de forma incorrecta. Si el WER es del 7,86%, de cada 100 palabras pronunciadas el modelo se equivoca, de media, en unas ocho.

Por qué llama la atención la comparación con NVIDIA

Nemotron 3.5 Transcribe de NVIDIA obtiene un WER del 7,78% en el mismo test. En la práctica, la diferencia apenas se nota: en 10 000 palabras son unas 8 palabras. Y Rumble-2-Flash tiene 60 veces menos parámetros.

Una analogía cotidiana: un utilitario urbano llega al mismo destino casi en el mismo tiempo que un camión con un motor enorme, y gasta bastante menos combustible. Un modelo más pequeño suele necesitar menos memoria, funciona más rápido y cabe en hardware más barato. Cuando se procesan miles de horas de llamadas al día, eso puede cambiar de forma notable la factura de infraestructura. Eso sí, el comunicado original no incluye datos de velocidad, consumo de memoria ni coste, así que el ahorro habrá que calcularlo por cuenta propia.

Qué comprobar antes de implantarlo

El resultado lo ha publicado el propio desarrollador y, por ahora, no se ven mediciones independientes. Además, se trata de un único benchmark sobre un solo tipo de habla. Si su producto trabaja con pódcast, clases magistrales, videollamadas con un micrófono deficiente o vocabulario especializado, como el médico o el jurídico, las cifras pueden ser distintas.

Otra salvedad: «más de 40 idiomas» no significa la misma calidad en todos. En este tipo de modelos suelen salir peor parados los idiomas con pocos datos de entrenamiento, y un buen resultado en inglés no garantiza nada para una lengua minoritaria o un dialecto. Por último, el WER no tiene en cuenta la puntuación, la identificación de hablantes ni las marcas de tiempo, y para transcribir reuniones estos elementos suelen importar más que una palabra errónea.

Qué hacer en la práctica

Si está construyendo una interfaz de voz, analítica de llamadas o un pipeline de transcripción para RAG, conviene añadir Rumble-2-Flash a la lista de pruebas rápidas. El plan es sencillo: tome entre 5 y 10 horas de sus grabaciones reales con transcripción de referencia, procéselas con este modelo y con el que usa ahora, y calcule el WER con sus propios datos. De paso, mida la latencia y el consumo de memoria en el hardware de destino.

Si la calidad resulta comparable, la ventaja será el control. El modelo puede ejecutarse en local, los datos de los clientes no salen hacia la nube de un tercero y la licencia no genera complicaciones legales. Para startups y equipos con presupuesto limitado de GPU, es un argumento de peso. Y si sus grabaciones se parecen poco a las llamadas de call center, el 7,86% declarado seguirá siendo una referencia, no una garantía.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué se ha lanzado exactamente?

Rumble-2-Flash es un modelo speech-to-text, es decir, de conversión de voz a texto. Admite más de 40 idiomas y se distribuye bajo licencia Apache 2.0. Para quien lo vaya a usar, este detalle importa: la licencia permite emplear el modelo en productos comerciales, ajustarlo y integrarlo en servicios cerrados. No obliga a abrir el código propio y tampoco requiere acuerdos aparte con el autor. Reson8 midió la calidad con el benchmark de AppTek.

¿Qué se sabe sobre Por qué llama la atención la comparación con NVIDIA?

Nemotron 3.5 Transcribe de NVIDIA obtiene un WER del 7,78% en el mismo test. En la práctica, la diferencia apenas se nota: en 10 000 palabras son unas 8 palabras. Y Rumble-2-Flash tiene 60 veces menos parámetros. Una analogía cotidiana: un utilitario urbano llega al mismo destino casi en el mismo tiempo que un camión con un motor enorme, y gasta bastante menos combustible. Un modelo más pequeño suele necesitar menos memoria, funciona más rápido y cabe en hardware más barato.

¿Qué se sabe sobre Qué comprobar antes de implantarlo?

El resultado lo ha publicado el propio desarrollador y, por ahora, no se ven mediciones independientes. Además, se trata de un único benchmark sobre un solo tipo de habla. Si su producto trabaja con pódcast, clases magistrales, videollamadas con un micrófono deficiente o vocabulario especializado, como el médico o el jurídico, las cifras pueden ser distintas. Otra salvedad: «más de 40 idiomas» no significa la misma calidad en todos.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…