Nvidia lança modelo de IA Nemotron 3.5 Transcribe para áudio
A Nvidia lançou um modelo aberto que transcreve 40 idiomas em gravações de até uma hora, sem funcionar em tempo real.
Pontos principais
- Lançado em 28 de outubro de 2026, com pesos abertos sob licença OpenMDW-1.1 para uso comercial e não comercial.
- Transcreve 40 idiomas em gravações de até uma hora, com contexto de 65.536 tokens.
- Traduz nos dois sentidos entre o inglês e cada idioma listado, segundo a Nvidia.
- Tem 34 bilhões de parâmetros no total, com cerca de 4,3 bilhões ativos por vez, incluindo o codificador de áudio.
- Separa falantes dentro de uma gravação sem identificar quem são; o treinamento usou conversas de até oito falantes.
- Na média de WER do Open ASR Leaderboard em inglês, obteve 4,71, contra 4,94 do Qwen3-ASR-1.7B.
- No cpWER multifalante, obteve 15,80, contra 16,83 do sistema seguinte na comparação da Nvidia.
- Roda em uma H100 de 80 GB na configuração de início rápido, e em GPUs que vão de Jetson Thor a RTX 5090.
A Nvidia lançou o Nemotron 3.5 Transcribe, modelo de pesos abertos para transcrição e tradução de áudio. Ele é voltado para gravações já feitas: a empresa não o apresenta como serviço de transmissão em tempo real.
Nos testes que publica, a Nvidia destaca a separação de falantes em gravações com várias vozes, onde o modelo fica à frente dos concorrentes listados. O treinamento usou conversas de até oito participantes, e a empresa não declara limite de falantes para a inferência.
Os testes também cobrem áudios longos e comparam o modelo com sistemas concorrentes em inglês. A Nvidia avisa que, em casos raros, a geração pode não parar e entrar em loop, e recomenda uma função de limpeza no pós-processamento. Raciocínio, compreensão de áudio e seguimento de instruções foram avaliados apenas em inglês.
Junto com o modelo, a Nvidia anunciou também o Granary v2, sem detalhar seu conteúdo na documentação do modelo. A licença OpenMDW-1.1 é, segundo a empresa, pronta para uso comercial e não comercial.