El reconocimiento de voz se separa esta semana, Microsoft MAI-Transcribe-1.5 toma el carril accuracy-first, NVIDIA Nemotron 3.5 ASR toma el carril streaming-first

La misma semana trajo dos releases ASR production-grade con shapes deliberadamente opuestas. Microsoft MAI-Transcribe-1.5 se volvió generally available el 8 de junio vía Azure AI Foundry como API cerrada, claimando 2,4% word error rate en el leaderboard Artificial Analysis (tercero overall detrás de dos competidores no nombrados), best-in-class FLEURS accuracy a través de los 43 idiomas soportados (up de 25 en MAI-Transcribe-1.0, agregando diez idiomas sudasiáticos incluyendo bengali, tamil y telugu, más ocho europeos incluyendo ucraniano y catalán), y un claim de throughput long-form de una hora de audio transcrita en menos de 15 segundos, que es 5,7x más rápido que la versión 1.0. El modelo soporta entity biasing de hasta 200 keywords domain-specific con una reducción reportada de 30% WER en FLEURS cuando el biasing está activo. Lo que no ofrece: API de streaming, speaker diarization, o open weights. Dos días antes, el 6 de junio, NVIDIA Nemotron 3.5 ASR aterrizó como checkpoint open-weights 600M parámetros en Hugging Face bajo la licencia OpenMDW-1.1, con una arquitectura Cache-Aware FastConformer-RNNT, real-time streaming a través de 40 language-locales desde un single checkpoint, 17x buffered concurrency reportado en una sola H100, latencia tunable de 80ms a 1,12s en inferencia sin retraining vía el parámetro att_context_size, y punctuation y capitalization built-in. Un NIM production con gRPC streaming está anunciado pero no shipeado aún.

Los dos releases no compiten realmente en el mismo eje, que es la parte de esta semana que importa. Microsoft optimiza el carril accuracy-first batch: throughput de transcripción bulk, los más altos números FLEURS que Microsoft puede publicar, un substrate de serving cerrado que les permite shipear best-in-class accuracy sin releasear el modelo. La story de deployment es una API Azure hosted, la story de cost es pricing per-minute, la story de integración es "tu pipeline audio ahora llama a nuestro endpoint." NVIDIA optimiza el carril streaming-first agent-voice: transcripción real-time low-latency con tradeoffs latency-quality tunables, open weights así puedes fine-tunear para tu dominio o acento, una licencia que permite deployment comercial en tu infraestructura, un path claro hacia el slot agent-voice donde un LLM downstream necesita el transcript a medida que llega. El fine-tuning notebook que NVIDIA publicó con el release es el tell operacional: la asunción es que los users de producción van a adaptar el modelo a su superficie vocal específica, no solo llamar un endpoint.

La lectura ecosistema es que la capa ASR está ahora visiblemente bifurcando en dos shapes operacionales con demands de substrate diferentes. Whisper-v3 y sus derivados open dominaron 2024-2025 siendo good enough en ambos ejes para la mayoría de workloads. La frontera en 2026 se splitea porque el use case agent-voice (always-on, low-latency, fine-tunado, on-prem-friendly) y el use case batch-transcription (highest accuracy, hosted, multilingüe, sin overhead operacional) están pulleando en los extremos opuestos de los trade-offs de arquitectura y licencia. Microsoft y NVIDIA cada uno pickearon un extremo. Los próximos seis meses probablemente verán otros labs declarar su carril, con los líderes closed-batch empujando accuracy en Artificial Analysis y los líderes open-streaming empujando latencia y language count.

Lunes por la mañana, si haces transcripción batch a escala y la accuracy importa más que el substrate control: MAI-Transcribe-1.5 es ahora la opción hosted más limpia, especialmente si puedes usar la feature entity biasing, pero verifica que la reducción 30% WER aguante para el vocabulario de tu dominio porque el número publicado es en FLEURS. Si estás construyendo voice-in para un producto agent o necesitas deployment on-prem por razones de compliance: Nemotron 3.5 ASR es ahora la opción open más limpia, el floor de latencia 80ms es lo que quieres para budgets de latencia conversacional, y el fine-tuning notebook es el punto de partida correcto para adaptación de acento o dominio. Si ya corres Whisper-v3 en producción: la pregunta es si tu shape operacional es más cercana a "quiero mejor accuracy y estoy happy de pagar per minute" (lean MAI) o "quiero menor latencia y quiero mantener control de los pesos" (lean Nemotron). Si trackeas el hilo de consolidación agent-runtime, el release Nemotron encaja limpiamente: el slot agent-voice es ahora un modelo especializado, open-weighted, con un knob de latencia tunable, diseñado para ser fine-tuneado contra el harness en el que vive. El mismo patrón de especialización que Harness-1 mostró para retrieval está ahora visible para speech.