Nvidia lança Nemotron 3.5 Transcribe, modelo aberto de voz

Tecnologia

Nvidia apresenta modelo aberto para transcrição multilíngue, ampliando recursos para setores de negócios e saúde.

Leia também: Falha no macOS 27.2 deixa git e curl vulneráveis a ataque HTTPS

A Nvidia lançou nesta quarta-feira o Nemotron 3.5 Transcribe, um modelo aberto e gratuito de transcrição de áudio que funciona em até 40 idiomas, distingue até oito falantes em gravações de até uma hora e roda em um único chip, do embarcado Jetson AGX Thor a servidores com Blackwell, mirando principalmente aplicações em reuniões de negócios e transcrição médica.

O que é o novo modelo de transcrição aberto lançado pela Nvidia?

O Nemotron 3.5 Transcribe é um modelo de inteligência artificial para transcrição e tradução de voz, com 30 bilhões de parâmetros, distribuído em regime aberto e sem custo de licença para desenvolvedores. Ele converte gravações de áudio em texto, suporta até 40 idiomas e é capaz de traduzir 31 deles de e para o inglês.

Segundo a Nvidia, o modelo foi desenhado para lidar com cenários complexos de fala, como reuniões com vários participantes, conferências e consultas médicas gravadas. O sistema também promete desempenho superior em benchmarks públicos de reconhecimento de fala, o que coloca pressão sobre rivais no segmento de voz por IA.

O lançamento vem acompanhado da versão 2 do Granary, dataset aberto de voz que serve de base para treinar e personalizar modelos de transcrição, permitindo adaptar o Nemotron 3.5 a contextos específicos, como setores regulados ou com forte presença de termos técnicos.

Quais são as principais características do modelo de transcrição de voz da Nvidia?

O Nemotron 3.5 Transcribe suporta até 40 idiomas e faz tradução automática entre 31 idiomas e o inglês, o que viabiliza aplicações multilíngues sem necessidade de um tradutor separado. Ele reconhece até oito falantes distintos em uma mesma gravação e é otimizado para áudios de até uma hora.

Com 30 bilhões de parâmetros, o modelo foi calibrado para rodar em um único chip. A Nvidia destaca que “Nemotron 3.5 pode rodar em um único chip, desde Jetson AGX Thor até Blackwell”, cobrindo desde dispositivos embarcados e controladores robóticos até laptops com DGX Spark e servidores de data center. Isso reduz custo de infraestrutura e facilita levar transcrição avançada para ambientes de borda, como equipamentos médicos ou robôs industriais.

Outra característica central é a possibilidade de personalização. Usando o Nemotron 3.5 em conjunto com o Granary 2 e ferramentas como os modelos NeMo de voz, desenvolvedores podem ajustar o sistema para reconhecer jargões de setores específicos, nomes próprios recorrentes e abreviações, melhorando a precisão em áreas como saúde, jurídico, finanças e atendimento ao cliente.

O modelo, porém, atua apenas sobre gravações. A própria empresa ressalta que “Transcribe funciona com gravações de áudio, não com transmissões ao vivo”, o que restringe o uso em cenários que dependem de legenda ou transcrição em tempo real.

Como o modelo de transcrição da Nvidia pode ser usado em aplicações de voz?

O Nemotron 3.5 Transcribe foi pensado para ser encaixado em fluxos de trabalho já existentes de empresas e desenvolvedores, especialmente em dois eixos: reuniões de negócios e transcrição médica. Em ambientes corporativos, ele pode ser integrado a plataformas de videoconferência, ferramentas de produtividade e CRMs para gerar atas automáticas, extrair decisões e destacar tarefas a partir de áudios gravados de calls e encontros presenciais.

Na saúde, o modelo pode ser acoplado a sistemas de prontuário eletrônico para transformar gravações de consultas em texto estruturado, ajudando a reduzir o tempo de digitação de médicos e profissionais de enfermagem. A possibilidade de customizar vocabulário é relevante para lidar com termos técnicos, nomes de medicamentos e siglas típicas da área.

Fora desses dois focos principais, o Transcribe se encaixa em uma gama mais ampla de aplicações de voz: análise de atendimento em call centers, transcrição de entrevistas jornalísticas, indexação de acervos de áudio, legendagem offline de vídeos corporativos ou educacionais e automação de compliance em setores que exigem registro formal de conversas.

A limitação de atuar apenas com gravações, e não com streaming, reduz o apelo para serviços de legenda ao vivo e agentes de voz totalmente em tempo real, mas abre espaço para soluções com foco em qualidade, revisão posterior e adequação a requisitos regulatórios, em vez de velocidade absoluta.

Entenda o contexto

O lançamento do Nemotron 3.5 Transcribe acontece em um momento de forte competição no mercado de voz por IA. Outras empresas vêm anunciando modelos capazes de gerar e entender fala em tempo quase instantâneo, o que inclui soluções de síntese, tradução e agentes conversacionais multimodais.

A Nvidia já vinha construindo um portfólio de modelos de voz de código aberto, no qual o Nemotron 3.5 se soma a projetos como o Parakeet, um modelo menor de 1,1 bilhão de parâmetros. Com o novo Transcribe e a atualização do Granary para a versão 2, a empresa reforça a estratégia de disponibilizar tecnologia de ponta em regime aberto para atrair desenvolvedores e parceiros.

Na prática, a combinação de modelo robusto, possibilidade de customização e execução em um único chip tende a facilitar a adoção em empresas de diferentes portes, de startups a grandes grupos de saúde e corporações globais. A expectativa no setor é que a movimentação estimule a criação de novas aplicações de voz e pressione concorrentes a acelerar suas próprias ofertas, especialmente na fronteira entre serviços abertos e soluções proprietárias de alto custo.