NVIDIA lança Nemotron 3.5 Transcribe, modelo aberto que transcreve, traduz e identifica quem fala
Modelo aberto da NVIDIA transcreve 40 idiomas, identifica falantes e responde perguntas sobre áudio. Vem com o Granary v2, conjunto de dados e ferramentas para adaptá-lo a áreas como a medicina.
Em 3 pontos
- A NVIDIA lançou um modelo aberto que transcreve, traduz e identifica quem fala.
- Ele cobre 40 idiomas e separa até oito falantes em gravações de até uma hora.
- Ajuste fino reduziu erros em fala médica em 45,8% em falantes novos.
Redação IA Seenup · via Hugging Face
Em números
- 40idiomas transcritos
- 31idiomas traduzidos de ou para o inglês
- 45,8%menos erros após ajuste, em fala médica
O que aconteceu
A NVIDIA apresentou o Nemotron 3.5 Transcribe, um modelo de transcrição de fala com pesos abertos, ou seja, que qualquer desenvolvedor pode baixar e usar. A novidade foi publicada no blog da Hugging Face em 28 de outubro de 2026. O modelo está disponível na própria Hugging Face e no ModelScope.
Um único modelo faz quatro tarefas: transcrever, identificar quem está falando (a chamada diarização), traduzir e responder perguntas sobre o conteúdo de um áudio. Segundo o blog, ele transcreve 40 idiomas, traduz 31 deles de ou para o inglês e identifica falantes em 13. Aguenta gravações de até uma hora e separa até oito pessoas. As perguntas sobre áudio, porém, foram treinadas em inglês.
O modelo recebe instruções em linguagem natural. A mesma gravação de reunião pode virar uma transcrição com falantes rotulados, uma tradução para o inglês ou uma resposta do tipo "que decisões foram tomadas?". Também é possível passar uma lista de termos difíceis, como nomes de remédios, para ele escrevê-los corretamente quando aparecerem no áudio.
Junto vem o Granary v2, com dados multilíngues, um processo reaproveitável para preparar dados de treino e ferramentas para ajustar o modelo ao vocabulário e aos sotaques de cada uso.
Por que importa
Segundo a NVIDIA, o modelo ficou em primeiro lugar entre os modelos abertos no ranking de reconhecimento de fala da Hugging Face, em inglês, com 5,33% de taxa média de erro de palavras. No ranking da Artificial Analysis, empata em primeiro entre os abertos, com 2,8%. Usa cerca de 4 bilhões de parâmetros ativos, contra 24 bilhões do modelo com que empata. Parâmetros são, grosso modo, os números internos que o modelo usa para calcular. O blog diz ainda que ele roda em uma única GPU da NVIDIA.
Na separação de falantes, teve o menor erro no ranking de 21 idiomas da David AI (18,26%), pouco à frente do modelo dedicado da própria NVIDIA (18,38%).
O estudo de caso médico mostra o valor da adaptação. Em gravações de médicos e estudantes de medicina da Índia, o erro caiu de 30,8% para 23,8% só com um pedido melhor, que indicava inglês e alfabeto latino. Depois do ajuste fino, caiu para 11,8%, cerca de 62% menos erros. Em falantes não vistos no treino, o ajuste reduziu o erro em 45,8% em relação ao melhor pedido. Segundo o texto, a adaptação levou cerca de 14 horas de GPU, em uma única placa NVIDIA GB300.
O que muda para quem usa IA
Para quem não programa, o efeito é indireto. Aplicativos de reunião, legendas e ditado médico podem ficar mais precisos, e é possível pedir resumos ou traduções a partir de um áudio. O blog cita a Agora, empresa de voz e vídeo em tempo real, que fez uma demonstração em sala de aula: a gravação vira transcrição com marcação de tempo ao lado do vídeo, e o aluno vê o que foi dito e quando.
Como o modelo é aberto, empresas podem escolher onde processar o áudio e treinar com seu próprio vocabulário. A própria fonte faz um alerta: como em qualquer modelo de fala, vale conferir nomes, trocas de falante e respostas com a gravação original.
Entenda os termos
- Diarização
- Identificar quem falou em cada trecho de um áudio, rotulando os falantes.
- Taxa de erro de palavras (WER)
- Percentual de palavras transcritas erradas. Quanto menor, melhor.
- Ajuste fino
- Treinar um pouco mais um modelo pronto com exemplos de uma área específica, como a medicina.
Gostou? Compartilhe
