NVIDIA disponibiliza modelo aberto que transcreve áudio e identifica falantes
A NVIDIA disponibilizou o Nemotron 3.5 Transcribe no Hugging Face e no ModelScope, com transcrição, tradução e identificação de falantes no mesmo modelo. A empresa também publicou dados e ferramentas para adaptar o sistema a vocabulários especializados.
A NVIDIA disponibilizou o Nemotron 3.5 Transcribe, um modelo de pesos abertos para áudio gravado que pode ser orientado por instruções em linguagem natural. Ele transcreve 40 idiomas, traduz 31 deles de ou para o inglês e identifica falantes em 13 idiomas. Aceita gravações de até uma hora e marca até oito falantes. A NVIDIA informa que o modelo não foi desenvolvido para transmissão ao vivo.
A empresa diz que o sistema lidera entre modelos de pesos abertos em avaliações específicas de transcrição em inglês e identificação de falantes. Os resultados variam conforme o conjunto de teste e a métrica. Em uma avaliação médica, o ajuste reduziu em 45,8% a taxa de erro de palavras em gravações de falantes não usados no ajuste, em comparação com a melhor instrução testada.
A NVIDIA também publicou o Granary v2, cujos manifestos abrangem 463.062 horas de dados em 48 idiomas, e ferramentas para adaptar o reconhecimento a vocabulários e convenções de escrita. O modelo roda em uma única GPU NVIDIA. A empresa mediu o processamento de 100 horas de áudio em menos de três minutos em uma RTX PRO 6000 Blackwell, com precisão NVFP4 e alta concorrência; esse resultado não representa qualquer configuração de uso.
O que muda para você
O modelo e os dados estão disponíveis para desenvolvedores no Hugging Face e no ModelScope. Quem trabalha com áudio gravado pode experimentar transcrição, tradução e identificação de falantes; áudio ao vivo não é atendido. Adaptar o sistema a um domínio exige dados e trabalho de ajuste. A fonte não informa preço nem indica que o modelo esteja disponível como serviço pronto para o público geral.
Minha leitura
O valor prático depende menos da lista de recursos e mais de como o modelo se sai no áudio que a empresa realmente recebe. Os resultados médicos indicam que adaptar vocabulário e forma de escrita pode reduzir erros, mas isso exige exemplos e avaliação próprios. Eu começaria verificando a precisão em gravações representativas; as posições em rankings e o teste de velocidade não garantem o mesmo desempenho em outra configuração.
Thiago FelizolaConsultor de IA, curador do Diário da IA
