Nvidia lança modelo aberto de transcrição que roda em uma única GPU

A Nvidia lançou em 28 de outubro de 2026 o Nemotron 3.5 Transcribe, um modelo aberto de reconhecimento de voz que recebe instruções em texto e faz três coisas que normalmente exigem três ferramentas diferentes: transcrever áudio, traduzir e identificar quem está falando. A notícia foi publicada pelo The Decoder, com base em material da própria Nvidia.

Para quem já integrou Whisper, AssemblyAI ou Deepgram num produto, o pitch é direto: um modelo só, com pesos abertos, no lugar de várias chamadas de API paga.

O que o modelo faz num comando só

O Nemotron 3.5 Transcribe transcreve até 40 idiomas, traduz 31 deles de ou para inglês e identifica falantes (o termo técnico é diarização, ou seja, marcar no texto quem disse o quê) em 13 idiomas. Ele processa gravações de até uma hora com até oito pessoas falando.

O controle é feito por prompt. A mesma gravação de reunião pode virar uma transcrição com rótulo de falante, uma tradução para inglês ou um resumo das decisões tomadas, dependendo do que você pede. O usuário também pode passar termos técnicos como nomes de remédio como dica: o modelo só os usa se eles realmente aparecerem no áudio, segundo a Nvidia.

Por que caber numa GPU muda a conta de custo

O modelo tem 30 bilhões de parâmetros, mas ativa só cerca de 4 bilhões a cada passo de processamento. Isso é o que permite rodar em uma única GPU da Nvidia, da DGX Spark (hardware compacto) até servidor de data center. A empresa diz que ele processa 100 horas de áudio em menos de três minutos numa RTX PRO 6000 Blackwell Server Edition, usando precisão NVFP4 (um formato numérico de baixa precisão que acelera a inferência sem perder muita qualidade).

Na prática, isso significa: quem hoje paga por minuto de áudio transcrito numa API proprietária passa a ter a opção de hospedar o próprio modelo, numa única GPU, sem montar um cluster. Para empresa que lida com áudio sensível (consulta médica, atendimento financeiro, depoimento jurídico), também significa manter o dado dentro de casa em vez de mandar para um serviço de terceiro, algo que pesa sob a LGPD.

Como ele se sai contra a concorrência

Comparativos independentes citados pelo The Decoder colocam o modelo no topo entre opções abertas, mesmo usando uma fração do poder de processamento dos rivais:

O ponto que mais chama atenção de quem decide infraestrutura é a eficiência: o modelo empata ou supera concorrentes maiores gastando bem menos GPU por hora de áudio processada.

Um dataset aberto para treinar em cima

Junto com o modelo, a Nvidia liberou o Granary v2, um conjunto de dados com cerca de 844 mil horas de áudio em 48 idiomas (a versão anterior tinha 643 mil horas em 25 idiomas). Cada gravação vem em mais de um estilo de transcrição: uma versão literal, com hesitações como "é" e números escritos por extenso, e uma versão limpa, sem hesitação e com números em algarismo. A empresa também liberou as ferramentas usadas para montar o dataset, para quem quiser rodar o mesmo processo em cima da própria gravação.

A Nvidia testou o ajuste fino (fine-tuning, o processo de especializar um modelo pronto com dados de um domínio específico) em gravações de médicos e estudantes de medicina indianos. Os resultados, segundo a empresa:

• Com um prompt mais preciso, a taxa de erro caiu de 30,8% para 23,8%, sem nenhum treinamento adicional.
• Depois do fine-tuning, a taxa caiu para 11,8%.
• Em vozes que o modelo nunca tinha ouvido, o erro caiu de 22,44% para 12,17%, uma queda relativa de 45,8%, superando um modelo médico aberto concorrente, que marcou 13,79%.
• O processo inteiro levou cerca de 14 horas de GPU, rodando num único Nvidia GB300.

A especialização tem custo: a taxa de erro subiu um pouco em inglês geral depois do ajuste, e o modelo médico só ficou mais preciso em nomes de remédio específico, não no restante. A Nvidia recomenda reservar pelo menos 100 gravações reais e verificadas só para teste, antes de colocar uma versão ajustada em produção.

O que ainda não faz, e onde ele se encaixa

O modelo tem limites que quem for avaliar precisa conhecer antes de prometer algo ao cliente interno. Os recursos variam por idioma, a função de responder perguntas sobre o conteúdo do áudio foi treinada só em inglês, e o modelo não processa áudio em tempo real: é feito para gravação já pronta, não para chamada de voz ao vivo. A própria Nvidia recomenda checar manualmente nomes, trocas de falante e respostas geradas.

Isso marca uma diferença de estratégia frente à concorrência. A Mistral também combina transcrição e compreensão de áudio na família Voxtral, mas com o recém-anunciado Voxtral 3 a aposta da empresa francesa é em agente de voz em tempo real, não em transcrição offline rica em contexto.

A Nvidia já vinha construindo essa pilha: lançou o Nemotron 3 Diarization, modelo dedicado só à identificação de falante, em setembro de 2026, mas que dependia de um segundo modelo (o Parakeet, também da Nvidia) para transcrever de fato. O Nemotron 3.5 Transcribe junta as duas funções num modelo só e soma tradução e perguntas sobre o conteúdo. A empresa também já usava o Granary para treinar seu modelo multimodal Nemotron 3 Nano Omni.

Modelo, dataset e uma demonstração estão disponíveis no Hugging Face, junto com guias de fine-tuning e uma extensão que permite rodar o fluxo de treinamento direto de um assistente de código com IA.

Fonte: The Decoder