A Nvidia lançou na quarta-feira (28) o Nemotron 3.5 Transcribe, modelo de pesos abertos que transcreve gravações e aceita instruções sobre como entregar o texto. Ele trabalha com 40 idiomas, inclui português do Brasil e identifica quem falou. O limite mais importante vem antes dos testes de desempenho: foi feito para áudio gravado, não para conversas ao vivo.
OVERRATED ↑
Confundir suporte a 40 idiomas com todas as funções disponíveis em cada um
UNDERRATED ↓
Escolher o formato da transcrição antes de processar a gravação
Uma gravação, mais de um resultado
Uma reunião pode exigir a fala literal, um texto sem hesitações ou a separação por participante. Em vez de fixar uma convenção durante o treinamento, o Transcribe recebe uma instrução em linguagem natural para cada pedido, explica a página técnica da Nvidia.
O mesmo modelo reúne transcrição, identificação de falantes, tradução e perguntas sobre o áudio. A empresa informa suporte a gravações de até uma hora e até oito participantes. Também há marcação de tempo por palavra quando solicitada, útil para localizar um trecho no arquivo original.
Para nomes ou termos incomuns, é possível fornecer uma lista de palavras esperadas. Isso não dispensa conferência: a própria Nvidia recomenda comparar nomes, mudanças de falante e respostas com a gravação. Uma transcrição legível ainda pode errar justamente o termo mais importante de uma entrevista ou atendimento.
Português não significa todas as tarefas
O anúncio distingue três coberturas: transcrição em 40 idiomas, tradução de 31 para inglês ou no sentido inverso e atribuição de falantes em 13. Não são listas intercambiáveis.
Na ficha oficial, português de Portugal e do Brasil aparece com suporte a transcrição, tradução de e para inglês, múltiplos falantes e alternância de idiomas. Já compreensão de áudio, raciocínio e seguimento de instruções faladas foram avaliados apenas em inglês. A documentação avisa que essas funções podem não funcionar de forma confiável em outras línguas.
Para uma equipe brasileira, isso separa dois projetos distintos: transcrever uma reunião em português é uma capacidade listada; depender de respostas complexas sobre essa reunião exige validação própria. Não basta transportar um resultado em inglês para outro idioma.
Pesos abertos, infraestrutura por conta do projeto
O modelo combina componentes de reconhecimento de fala e identificação de participantes com uma arquitetura de linguagem de mistura de especialistas. A Nvidia informa cerca de 4,3 bilhões de parâmetros ativos. Os materiais são distribuídos sob a licença OpenMDW-1.1, com ferramentas de adaptação no NeMo Speech.
O anúncio oferece execução própria e aponta serviços hospedados como alternativa. Pesos disponíveis para baixar não tornam a infraestrutura gratuita: o projeto ainda precisa escolher onde processar e armazenar o áudio. O TechCrunch destaca aplicações em reuniões e transcrição médica, mas reforça que o produto não atende transmissões ao vivo.
A Nvidia também publicou o Granary v2, conjunto de dados e processo de preparação para adaptar o reconhecimento a vocabulário e domínios específicos. Os manifestos públicos cobrem 48 idiomas. Esse número descreve os dados, não a quantidade de línguas atendidas pelo Transcribe, e os áudios de origem seguem suas próprias licenças.
O que isso significa no Brasil
Português do Brasil consta explicitamente na ficha do modelo, inclusive para transcrição com múltiplos falantes. Isso cria uma opção para equipes que querem avaliar gravações em infraestrutura própria, sem transformar o lançamento em promessa de precisão para qualquer sotaque ou ambiente.
Antes de trocar uma ferramenta existente, o teste útil é uma amostra real de reuniões, entrevistas ou atendimentos, com conferência de nomes e falantes. Para dimensionar a escolha sem pagar por capacidade desnecessária, veja o guia Modelo menor ou Pro: quando o barato resolve.
