A NVIDIA apresentou o Nemotron 3.5 Transcribe, modelo de peso aberto para transcrição e tradução de áudio multilíngue, e o Granary v2, seu conjunto de dados de fala de código aberto, segundo relatos da imprensa especializada.
O modelo, lançado em 28 de outubro de 2026, suporta transcrição em 40 idiomas e tradução de 31 deles para ou do inglês. Combina transcrição, atribuição de falantes, tradução e resposta a perguntas sobre áudio em um único checkpoint. Trabalha com gravações de até uma hora e identifica dezenas de milhares de falantes.
Arquitetura e funcionalidades
Nemotron 3.5 Transcribe é um modelo de linguagem aumentada por fala (SALM) com pesos totais de 34 bilhões de parâmetros, dos quais cerca de 4,3 bilhões estão ativos por token. Utiliza contexto de 65.536 tokens e opera em um único H100 de 80 GB em BF16.
A arquitetura inclui um codificador de fala de 600 milhões de parâmetros, um codificador de diarização com aproximadamente 99 milhões de parâmetros e uma cabeça de classificação temporal conectada para carimbar palavras. O núcleo textual é baseado no Nemotron 3.5 Lightning 30B-A3B, um modelo híbrido Mamba-2–Transformer.
O modelo oferece pesos em BF16, com variantes quantizadas em FP8 e NVFP4, além de decodificação especulativa. Instruções em linguagem natural controlam a saída, permitindo transcrições literais ou limpas, suprimento de vocabulário contextual e geração de carimbados de tempo por palavra.
Resultados em benchmarks
NVIDIA afirma que o modelo lidera entre modelos de peso aberto no índice Hugging Face Open ASR para inglês, com taxa média de erro de palavras (WER) de 5,33%. Entre todos os idiomas, obtém 4,62% de WER médio, considerado o menor resultado entre modelos abertos.
Granary v2 e dados de treinamento
O Granary v2, conjunto de dados de fala de código aberto, abrange 463.062 horas de áudio distribuídas em 48 idiomas. Foi usado junto com corpora de reuniões multilíngues, dados de compreensão de áudio e fala sintética sensível a PII.
O treinamento envolveu aproximadamente 1,72 milhão de horas únicas de áudio indexadas, distribuídas em cerca de 372 milhões de exemplos, além de 5,6 bilhões de tokens textuais únicos. Alguns dados foram licenciados da David AI, cuja avaliação DAI-ASR-I18N não participou do treinamento.
Distribuição e aplicações
Os pesos do modelo estão disponíveis sob a licença OpenMDW-1.1 e podem ser usados com fins comerciais ou não comerciais. Funciona de forma offline, sem suporte a streaming em tempo real.
Endpoints hospedados são oferecidos por terceiros integrados com a plataforma da NVIDIA, e uma demonstração interativa está disponível no Hugging Face Spaces e no ModelScope Studios.
Onde a cobertura diverge
A imprensa japonesa destacou a precisão na identificação de falantes em cenários com múltiplos interlocutores, enquanto fontes norte-americanas enfatizaram os resultados em benchmarks e o portfólio completo de funcionalidades integradas.
Nenhuma fonte divulgou detalhes sobre roadmap futuro do modelo ou comparação direta com APIs comerciais fechadas.
O que ainda não foi divulgado
Não há informações sobre atualizações futuras do modelo, integração com assistentes virtuais ou disponibilidade em hardware diferente do H100.
