Nvidia lança Nemotron 3.5 Transcribe com 40 idiomas e GPU única

Menos parâmetros, mesma precisão

Nemotron 3.5 Transcribe unifica três tarefas que antes exigiam modelos separados: transcrever fala, traduzir para inglês e identificar quem falou. O usuário controla tudo via prompts de texto, como pedir apenas transcrição com rótulos de falantes ou tradução instantânea. A Nvidia afirma que o modelo processa 100 horas de áudio em menos de três minutos numa RTX PRO 6000 Blackwell, usando NVFP4. Ele identifica até oito falantes em gravações de até uma hora.

Dataset de 844 mil horas e fine-tuning para domínios

A Nvidia também libera o dataset Granary v2, com 844 mil horas de fala em 48 idiomas e múltiplas versões de transcrição. O Granary v2 tem versão verbatim, com palavras de preenchimento e números por extenso, e versão limpa, sem preenchimentos e com dígitos. A Nvidia afirma que o dataset não combina exatamente com os dados de treinamento do modelo. Para quem quer adaptar o modelo a domínios específicos, a empresa testou fine-tuning para medicina e reduziu erros de 30,8% para 11,8% com 14 horas de GPU num GB300.

O Nemotron 3.5 Transcribe já identifica falantes em 13 idiomas e traduz 31 para ou de inglês. Nos testes da VoiceArena, o modelo acertou 91,68% das palavras em conversas com sobreposição de falas, contra mediana de 69% dos concorrentes. Na comparação da Artificial Analysis, erra 2,81% contra 2,77% do Voxtral Small, mas usa um sexto dos parâmetros ativos. Em reconhecimento de falantes, lidera benchmarks como David AI, onde tem a menor taxa de erro entre 21 idiomas, à frente até do próprio modelo dedicado da Nvidia para essa tarefa.

O modelo está disponível no Hugging Face sob licença permissiva, compatível com uso comercial. A Nvidia não informou data para ferramentas de edição de prompts em português nem quando lançará suporte a mais idiomas além dos 40 anunciados. A empresa também não liberou o código de treinamento usado para criar o modelo.