A Nvidia lançou na quarta-feira o Nemotron 3.5 Transcribe, um modelo gratuito e de pesos abertos capaz de transcrever áudio em até 40 idiomas. Junto com ele, a empresa publicou a versão 2 do Granary, seu conjunto de dados de fala de código aberto. Segundo a fonte, o foco são desenvolvedores que criam aplicações para reuniões corporativas e para transcrição em contextos médicos.
Entre as capacidades anunciadas pela empresa, o modelo traduz 31 idiomas de e para o inglês, processa gravações de até uma hora e distingue até oito falantes diferentes na mesma gravação. A Nvidia afirma superar concorrentes em testes, incluindo o Open ASR Leaderboard, da Hugging Face. Esses números são da própria empresa e ainda não foram verificados de forma independente.
O modelo tem 30 bilhões de parâmetros e, segundo a Nvidia, roda em um único chip. A lista de hardware vai do controlador de robótica Jetson AGX Thor e do DGX Spark, que equipa novos notebooks, até os chips de datacenter Blackwell. Ele se soma à família de modelos de voz abertos que a empresa já vinha publicando.
Para quem opera sistemas em produção, a mudança é de custo e de decisão de arquitetura: um modelo aberto que roda localmente permite transcrição sem enviar áudio a terceiros, o que pesa em setores sujeitos a sigilo, como saúde e jurídico. Vale testar o modelo nos próprios áudios antes de qualquer migração, já que benchmarks publicados pelo fabricante não substituem medição com o seu conteúdo e o seu sotaque.