Nvidia Libera Nemotron 3.5: O Fim das Ferramentas Caras de Áudio?

A Nvidia disponibilizou o Nemotron 3.5 Transcribe, um modelo de reconhecimento de fala de código aberto que une transcrição, tradução e identificação de locutores em uma única ferramenta. Conforme apurado pelo TechCrunch e pelo The Decoder, o modelo possui 30 bilhões de parâmetros, mas ativa apenas cerca de 4 bilhões por etapa de processamento.

O que muda com o novo modelo da Nvidia?

Diferente de abordagens anteriores que exigiam a combinação de ferramentas separadas para transcrever áudio e separar vozes, o Nemotron executa essas tarefas guiado por instruções em texto simples. Segundo a Nvidia, a tecnologia atende a até 40 idiomas, traduz 31 deles para o inglês e diferencia até oito pessoas conversando em arquivos de até uma hora.

Nos testes de benchmark do The Decoder, o modelo alcança precisão de ponta no Hugging Face e lidera o ranking de atribuição de locutores em conversas com sobreposição de vozes no VoiceArena, superando concorrentes comerciais com uma fração do custo computacional.

Como funciona na prática

Desenvolvedores e equipes técnicas podem acessar os arquivos do modelo e o conjunto de dados Granary v2 diretamente na plataforma Hugging Face para testes e customizações locais.

• Baixe os pesos do Nemotron 3.5 Transcribe e o dataset Granary v2 no Hugging Face.
• Insira instruções em texto para alternar entre transcrição literal, tradução ou resumo de decisões da reunião.
• Utilize os guias de ajuste fino fornecidos pela Nvidia para treinar o modelo com termos técnicos e jargões específicos da sua área.

Vale a pena para a sua rotina?

Para quem desenvolve ferramentas corporativas de transcrição para reuniões ou ambientes médicos, o modelo representa uma opção aberta de alto desempenho. A Nvidia destaca que o sistema processa 100 horas de áudio em menos de três minutos em uma placa RTX PRO 6000 Blackwell Server Edition, o que elimina gargalos de espera em grandes volumos de arquivos.

A principal restrição prática apontada pelo TechCrunch é que o Transcribe lida exclusivamente com áudio gravado e não oferece suporte a transmissões ao vivo. Se a sua operação exige atendimento em tempo real, ferramentas alternativas continuam sendo necessárias.