Nvidia lança modelo de IA que transcreve áudio em 40 idiomas e responde perguntas sobre o conteúdo
O Nemotron 3.5 Transcribe une transcrição, tradução e identificação de quem falou em um só modelo de pesos abertos, com resultados de ponta em benchmarks internacionais
A Nvidia lançou o Nemotron 3.5 Transcribe, um modelo de IA de pesos abertos (cujos parâmetros podem ser baixados e usados localmente) que transcreve áudio em 40 idiomas, traduz 31 deles, identifica até oito falantes e responde perguntas sobre o conteúdo da gravação usando comandos em linguagem natural
A Nvidia disponibilizou o Nemotron 3.5 Transcribe, um modelo de inteligência artificial de pesos abertos (ou seja, cujos parâmetros internos podem ser baixados e rodados localmente, sem depender de APIs pagas) que transforma áudio gravado em texto útil. Diferente de ferramentas tradicionais de transcrição, ele aceita comandos em linguagem natural — você pode pedir "transcreva essa reunião e identifique cada pessoa", "traduza esse áudio para o inglês" ou até "que decisões foram tomadas nessa conversa?". O modelo está disponível no Hugging Face (uma plataforma onde desenvolvedores compartilham e baixam modelos de IA já treinados) e no ModelScope.
O Transcribe cobre 40 idiomas para transcrição, traduz 31 deles de ou para o inglês e identifica quem está falando em 13 línguas. Ele processa gravações de até uma hora de duração e consegue rotular até oito pessoas diferentes, inclusive quando elas falam ao mesmo tempo. A Nvidia afirma que ele lidera entre modelos abertos no Hugging Face Open ASR Leaderboard (uma tabela de classificação que mede a taxa de erro de palavra em transcrições automáticas) para inglês, com 5,33% de taxa média de erro, e alcançou a menor taxa de erro em identificação de falantes no leaderboard de 21 idiomas da David AI, com 18,26% de DER (diarization error rate, uma métrica que mede erros ao atribuir trechos de áudio às pessoas certas).
Uma aplicação prática já está em uso: a Agora, plataforma chinesa de voz e vídeo em tempo real, usou o modelo em uma demonstração para salas de aula. O sistema transcreve a aula gravada e exibe o texto sincronizado com o replay do vídeo, mostrando o que foi dito e em que momento — útil para alunos revisarem o conteúdo depois. O modelo roda em uma única GPU da Nvidia, desde o Jetson AGX Thor (um computador compacto para aplicações de IA na borda da rede, ou seja, sem enviar dados para a nuvem) até sistemas de data center com chips Blackwell. Em um servidor com GPU RTX PRO 6000 Blackwell, ele processa 100 horas de áudio em menos de três minutos.
Junto com o modelo, a Nvidia liberou o Granary v2, um pipeline de dados multilíngues e ferramentas de ajuste fino (fine-tuning, o processo de treinar um modelo já existente com dados específicos para melhorar seu desempenho em uma tarefa). Em um estudo de caso na área médica, ajustar o modelo com dados clínicos reduziu a taxa de erro de palavra em 45,8% em relação ao melhor resultado obtido apenas com comandos em linguagem natural, segundo informou a empresa no blog oficial do Hugging Face. A ideia é permitir que desenvolvedores adaptem o modelo a vocabulários técnicos — como termos médicos ou jurídicos — e a sotaques regionais sem precisar treinar um sistema inteiro do zero.
