NVIDIA NeMo Speech 3.0, publicado por el equipo NVIDIA NeMo el 7 de agosto de 2026, es una versión principal del marco de desarrollo de IA de voz compatible con reconocimiento automático del habla (ASR), síntesis de voz (TTS), análisis de hablantes, procesamiento general de voz y desarrollo de Speech Language Models (SpeechLM). Es la primera versión principal que separa el área de voz del proyecto NeMo en un repositorio independiente y reorganiza en él las funciones de entrenamiento y evaluación. Los flujos de investigación de voz suelen repartir reconocimiento, diarización, generación y evaluación entre repositorios y sistemas de instalación distintos. NeMo Speech 3.0 reduce esas fronteras mediante un repositorio dedicado, instalación basada en uv, contenedores ligeros y una estructura reforzada de pruebas de modelos. A diferencia de una herramienta que ofrece solo ASR o TTS, cubre también el análisis de hablantes y el desarrollo de SpeechLM. En el desarrollo de modelos de voz conversacionales, los investigadores pueden convertir el habla en texto con ASR, vincular el análisis de hablantes con los turnos de diálogo y validar modelos de respuesta mediante módulos de entrenamiento y evaluación de SpeechLM. La información pública sobre módulos de Nemotron VoiceChat ofrece un punto de partida, pero la lista de modelos, configuraciones, métricas y memoria GPU deben confirmarse en la documentación oficial. En ciencias de la vida, puede estructurar entrevistas clínicas y grabaciones de participantes con ASR, separar las voces mediante análisis de hablantes y enviar las transcripciones a NLP. Antes del uso clínico deben revisarse consentimiento, desidentificación, ubicación de almacenamiento y licencias; sus salidas no deben utilizarse por sí solas para decisiones clínicas.

NVIDIA NeMo Speech 3.0, publicado por el equipo NVIDIA NeMo el 7 de agosto de 2026, es una versión principal del marco de desarrollo de IA de voz compatible con ASR, TTS, análisis de hablantes, procesamiento general de voz y modelos Speech Language Model (SpeechLM).

Estructuración de entrevistas clínicas: Conectar ASR y análisis de hablantes para separar investigador y participante, y enviar las transcripciones a NLP posterior. Confirmar parámetros y usar resultados desidentificados.