Nvidia libera transcritor de voz para 40 línguas sem custo

A Nvidia diz que o modelo supera rivais em benchmarks como o Open ASR Leaderboard da Hugging Face. Segundo a empresa, o Nemotron 3.5 Transcribe roda em um único chip. A lista inclui o Jetson AGX Thor para robótica, o DGX Spark para laptops e os chips Blackwell para data centers. O código e os pesos do modelo estão disponíveis sob licença aberta. A Nvidia já tem outros modelos de voz open-weight, como o Parakeet, com apenas 1,1 bilhão de parâmetros. O Parakeet é super pequeno, mas potente.

Modelo roda em um único chip, mas não captura áudio em tempo real

O Nemotron 3.5 Transcribe processa apenas gravações. Segundo a Nvidia, o modelo "works with recorded audio, not live streams". A limitação deixa espaço para rivais como a ElevenLabs, que lançou recentemente um modelo em tempo real. A Nvidia não anunciou quando — ou se — lançará uma versão para streaming. A empresa também não informou custos de infraestrutura ou requisitos mínimos de hardware além da compatibilidade com seus próprios chips.

Além do modelo, a Nvidia liberou a versão 2 do Granary, seu dataset de fala de código aberto. Combinado com ferramentas como o NeMo Speech, o Nemotron 3.5 permite ajustar o reconhecimento de jargões específicos por indústria e idioma. A Nvidia não publicou testes independentes que comprovem a superioridade do modelo nos benchmarks citados.

Nvidia entra na onda de modelos de voz, mas fica atrás em tempo real

O lançamento coincide com uma onda de modelos de voz. Em 14 de outubro, a Mistral lançou o Voxtral 3. Em setembro, a ElevenLabs colocou no mercado o Realtime para agentes de voz instantâneos. A Salesforce, por sua vez, liberou o Launa-Omni em outubro. Todos miram aplicações que vão além da transcrição offline.

A Nvidia não detalhou como o Nemotron 3.5 lida com sotaques, ruídos ou áudio de baixa qualidade. O comunicado foca em benchmarks internos e na portabilidade do código. O modelo se soma à família de ferramentas de voz da empresa, mas fica atrás em uma funcionalidade que o mercado já considera padrão: o processamento em tempo real. A empresa não publicou métricas de acurácia por idioma ou condição de áudio. A Nvidia também não informou se o modelo será integrado a outras plataformas além dos chips próprios.