MetaPatchAI home
IA

NVIDIA Nemotron 3.5 Transcribe: modelo de fala aberto que transcreve 40 idiomas e identifica quem disse o quê

Fonte: NVIDIA

Compilado por MetaPatchAI · Publicado , 05h05 ET

NVIDIA Nemotron 3.5 Transcribe: An Open Speech Model That Transcribes 40 Languages and Labels Who Said What

30 de outubro de 2026: A NVIDIA lançou o Nemotron 3.5 Transcribe na quarta-feira, 28 de outubro, um modelo de fala de pesos abertos que combina transcrição, rótulos de falante, tradução e respostas a perguntas sobre áudio em um único checkpoint. Ele está disponível no Hugging Face e no ModelScope, junto com um pipeline de dados aberto chamado Granary v2.

O que ele faz

Segundo o anúncio da NVIDIA no blog do Hugging Face, o Nemotron 3.5 Transcribe:

  • Transcreve 40 idiomas, traduz 31 deles de ou para o inglês, e atribui falantes em 13.
  • Aceita prompts em linguagem natural, então uma mesma gravação pode gerar resultados diferentes: "transcreva e identifique cada falante", uma tradução ou uma transcrição que grafa corretamente termos técnicos quando você os lista no prompt.
  • Suporta marcações de tempo por palavra.
  • Foi feito para áudio gravado, não transmissão ao vivo.

A NVIDIA diz que ele já pode ser servido com vLLM, com versões quantizadas e implantação local via NeMo-Speech.cpp.

Os números que a NVIDIA divulga

Estes são números da própria NVIDIA, tirados do post:

  • Hugging Face Open ASR Leaderboard (inglês): primeiro entre os modelos de pesos abertos, com taxa média de erro de palavras (WER) de 5,33%. Multilíngue: WER médio de 4,62% em sete idiomas. Formato longo: 10,98%.
  • Artificial Analysis: empatado em primeiro entre os modelos de pesos abertos, com 2,8% de AA-WER, usando cerca de 4B de parâmetros ativos contra 24B do modelo com que empata.
  • Atribuição de falantes: taxa de erro de diarização de 18,26% em 21 idiomas no leaderboard da David AI, a menor entre 14 sistemas testados, e 32,4% de cpWER no benchmark em inglês com 14 sistemas da VoiceArena.
  • Velocidade: 100 horas de áudio em menos de três minutos em uma GPU RTX PRO 6000 Blackwell Server Edition, usando uma futura versão quantizada NVFP4, medido em clipes de 30 segundos com alta concorrência.

O que isso significa para criadores e gamers

Para streamers, YouTubers e gerentes de comunidade, um modelo aberto que legenda áudio gravado e identifica falantes de uma só vez é útil na prática: legendas para VODs e clipes, transcrições pesquisáveis de podcasts ou gravações do Discord e legendas em vários idiomas. Como os pesos são abertos, ele pode rodar no seu próprio hardware em vez de uma API paga. Vale o conselho da própria NVIDIA: confira nomes, trocas de falante e respostas com a gravação.

Não é uma ferramenta de legendas ao vivo. A NVIDIA diz que o foco é áudio gravado, então legendas em tempo real para lives ficam de fora por enquanto.

Granary v2

A NVIDIA também lançou o Granary v2, o pipeline multilíngue de dados e curadoria usado no treinamento, com receitas de fine-tuning do NeMo Speech. Em um estudo de caso médico, a NVIDIA diz que o fine-tuning reduziu em 45,8% a taxa de erro de palavras em falantes não vistos. No conjunto de dados VoxPopuli, seu filtro de alta fidelidade reduziu 354.000 horas para 111.000 horas em 22 idiomas europeus.

O que está confirmado / o que não está

Confirmado (NVIDIA, 28 de outubro de 2026): - Lançamento de pesos abertos no Hugging Face e no ModelScope; dados e pipeline do Granary v2 lançados. - Cobertura de idiomas (40 / 31 / 13) e as posições em leaderboards listadas acima, segundo a NVIDIA.

Não confirmado: - Replicação independente do número de velocidade, que usou uma versão quantizada que a NVIDIA chama de "futura". - Termos exatos da licença e a memória de GPU doméstica necessária (não abordados no post; veja o model card).

Fontes

Relacionados

Voltar: IA