Nvidia lança modelo aberto Nemotron 3.5 Transcribe com 30 bi de parâmetros
Ferramenta processa áudios de até uma hora em 40 idiomas, faz diarização para até oito vozes e roda em um único chip, mas não aceita streaming ao vivo.
Por que importa. Pesos abertos para transcrição com separação de múltiplos locutores diminuem a dependência de APIs pagas e viabilizam o processamento local de dados sensíveis em produtos de saúde e reuniões corporativas.
A Nvidia lançou nesta quarta-feira (28) o Nemotron 3.5 Transcribe, um modelo gratuito de pesos abertos com 30 bilhões de parâmetros dedicado à transcrição de áudio em até 40 idiomas. A ferramenta também realiza tradução bidirecional entre o inglês e outros 31 idiomas, suporta arquivos contínuos de até uma hora de duração e executa diarização nativa para separar e identificar até oito falantes diferentes no mesmo registro sonoro.
Junto com o lançamento do modelo, a fabricante disponibilizou a versão 2 do Granary, seu conjunto aberto de dados de fala voltado para calibração e treinamento de sistemas de reconhecimento vocal. A empresa posiciona o pacote diretamente para equipes de produto que desenvolvem softwares corporativos em duas frentes consolidadas no mercado de inteligência artificial: transcrição de reuniões executivas e documentação clínica em prontuários médicos. Segundo a Nvidia, os desenvolvedores podem associar o Nemotron 3.5 ao Granary 2 e a ferramentas do ecossistema NeMo Speech para adaptar o vocabulário a jargões técnicos específicos de cada setor em suas respectivas línguas.
Processamento em lote e execução em chip único
A principal limitação prática para engenheiros de software está na modalidade de processamento: o Nemotron 3.5 Transcribe opera exclusivamente sobre arquivos gravados em lote e não possui suporte para fluxos contínuos de áudio em streaming. Aplicações que dependem de interação instantânea e fala simultânea, como agentes de voz responsivos em centrais de atendimento, não conseguem utilizar o modelo de forma nativa sem a implementação de pipelines intermediários para fatiar o áudio em blocos menores.
No consumo de infraestrutura, a Nvidia destaca que o modelo de 30 bilhões de parâmetros foi otimizado para executar a inferência em um único chip em diferentes categorias de hardware. A compatibilidade abrange desde dispositivos de borda com o controlador de robótica Jetson AGX Thor e laptops corporativos equipados com o chip DGX Spark até os grandes clusters de data centers baseados na arquitetura Blackwell da própria fabricante.
O lançamento amplia o catálogo de modelos de fala de pesos abertos mantido pela companhia, que já oferecia opções menores como o Parakeet, voltado para velocidade com 1,1 bilhão de parâmetros. Nos resultados de desempenho divulgados pela fornecedora de hardware, a empresa afirma que o Nemotron 3.5 Transcribe superou concorrentes em benchmarks do setor, entre eles a classificação pública Open ASR Leaderboard, organizada na plataforma do Hugging Face.
Pressão sobre serviços proprietários de voz
A iniciativa da fabricante ocorre em meio a uma série recente de novidades focadas em inteligência artificial para áudio. No início deste mês, a francesa Mistral lançou o Voxtral 3, enquanto a ElevenLabs introduziu sua ferramenta Realtime para acelerar a fala em agentes autônomos e a Salesforce revelou o modelo Launa-Omni. A oferta de um modelo aberto e robusto pela líder de semicondutores adiciona pressão direta sobre provedores de serviços em nuvem que cobram tarifas por minuto de áudio processado.
Para fundadores e engenheiros de produto no Brasil, a disponibilidade de uma solução aberta capaz de identificar múltiplos falantes em gravações longas facilita a internalização de dados sensíveis de reuniões e consultas médicas sem transferir custos variáveis a APIs externas. A Nvidia, no entanto, não detalhou em seu anúncio público a lista individualizada dos 40 idiomas contemplados, nem revelou os requisitos de consumo de memória de vídeo fora da sua linha mais recente de processadores.
Fontes
- TechCrunch: Voice AI in vogue: Nvidia releases new open transcription model
Reportagem produzida pela redação do Flipters com apoio de inteligência artificial, a partir das fontes acima. Como trabalhamos. Editor responsável: João Paulo Resende.
