Nvidia lança Nemotron 3.5 Transcribe, 40 línguas grátis

Introdução

Nemotron 3.5 Transcribe é a nova aposta da Nvidia para transcrição de voz multilíngue, um modelo open‑weights gratuito que cobre 40 idiomas e mira precisão de ponta com recursos de tradução e diarização. A novidade foi anunciada no dia 28 de outubro de 2026, destacando um pacote que inclui também a atualização do dataset Granary para personalizações específicas por setor. (techcrunch.com)

A relevância é clara, empresas e desenvolvedores precisam de speech‑to‑text confiável, rápido e fácil de adaptar a jargões. O Nemotron 3.5 Transcribe combina um encoder de áudio robusto com um decoder estilo LLM, oferece contexto de 65.536 tokens e suporte a gravações de até uma hora, além de licença OpenMDW 1.1 para uso comercial. (huggingface.co)

Este artigo mergulha nos pontos que importam para produto e engenharia, o que o modelo entrega agora, onde ele supera alternativas abertas, como implantar em GPUs modernas, como ajustar para domínios específicos e quais limites observar, como a transcrição focada em arquivos, não em streams ao vivo. (techcrunch.com)

O que o Nemotron 3.5 Transcribe é, em termos práticos

O Nemotron 3.5 Transcribe é um modelo de fala para texto offline, com pesos abertos e pronto para uso comercial, treinado para transcrição, tradução fala‑texto, diarização com atribuição de falantes, timestamps, identificação de idioma e até entendimento de áudio com Q&A. Ele aceita instruções de texto, pode seguir diretrizes de estilo e opera com contexto longo, útil para reuniões e gravações extensas. (huggingface.co)

Em arquitetura, trata‑se de um híbrido Mamba‑2 mais Transformer com Mixture of Experts, 34 bilhões de parâmetros totais e cerca de 4,3 bilhões ativos na inferência, entregando ganho de eficiência com variantes quantizadas em FP8 e NVFP4. O checkpoint inclui cabeças CTC para alinhamento e diarização, o que simplifica saídas estruturadas com marcas de tempo e rótulos de falante. (huggingface.co)

Na prática, essa combinação libera casos como reuniões corporativas, prontuários e chamadas de suporte, onde diarização consistente e identificação de idioma reduzem etapas de pós‑processamento. O modelo foi publicado com instruções de uso em NeMo Speech, Transformers e servidores vLLM, além de exemplos de prompts para tarefas específicas. (huggingface.co)

Benchmarks, métricas e contexto competitivo

Resultados capturados em 12 de outubro de 2026 mostram o Nemotron 3.5 Transcribe no topo entre modelos de pesos abertos em diferentes trilhas do Open ASR Leaderboard, incluindo inglês, longo formato e trilhas multilíngues, além de melhores resultados publicados em cenários de múltiplos falantes e controle de estilo. A média de WER em inglês, nos 9 conjuntos públicos do leaderboard, aparece como 4,71 por cento, levemente melhor que Qwen3‑ASR‑1.7B com 4,94 por cento, e 10,98 por cento em long‑form. Em sete idiomas na trilha multilíngue, a média é 4,62 por cento, à frente do Qwen3‑ASR‑1.7B com 6,49 por cento. (huggingface.co)

O TechCrunch também contextualizou a disputa, citando o foco do modelo em reuniões e saúde, com a promessa de separar até oito falantes, lidar com gravações de até uma hora e superar rivais no Open ASR Leaderboard. O ponto de atenção está no escopo, o Transcribe processa gravações, não streams ao vivo, algo relevante para agentes de voz em tempo real. (techcrunch.com)

Publicações independentes têm repercutido essas leituras, algumas consolidando tabelas ao comparar os números do card oficial com placares atuais, reforçando que a liderança depende do recorte, por exemplo, trilhas abertas versus APIs proprietárias. Ainda assim, a sinalização recorrente é que o Nemotron 3.5 Transcribe puxa a fila entre os pesos abertos. (marktechpost.com)

Implantação e performance, do desktop ao datacenter

A Nvidia documenta uma tabela de compatibilidade cobrindo gerações Ampere, Hopper e Blackwell, incluindo placas de estação e clientes, com recomendações de precisão por GPU, por exemplo, NVFP4 nas RTX mais recentes. O guia de inferência mostra como servir o modelo com vLLM 0.32 e NeMo Speech, incluindo setups para timestamps e diarização, além de uma integração alternativa com SGLang‑Omni. (huggingface.co)

Em eficiência, a implementação otimizada no NIM do Transcribe reporta throughput de até 2.238 segundos de áudio por segundo em uma RTX PRO 6000 Blackwell Server Edition no perfil NVFP4 com decodificação especulativa DFlash2, retornando a transcrição de um clipe de 30 segundos em 0,13 segundo. A própria página do modelo sinaliza que essas otimizações serão upstreamadas em seguida, e que o pacote open‑source inicial roda mais lento. (huggingface.co)

Para workloads reais, quem constrói pipelines precisa medir o caminho completo, decodificação de áudio, normalização, inferência, pós‑processo e persistência. Em chamadas longas, o contexto de 65.536 tokens ajuda a evitar truncamento, desde que o limite de geração seja ajustado. Para diarização em atas, as saídas estruturadas via CTC, com blocos de palavras mais trilhas de falantes, economizam etapas de alinhamento. (huggingface.co)

Dados para customização, Granary v2 e jargões setoriais

A Nvidia liberou o Granary v2 no Hugging Face, com rótulos e pares de instrução multilíngues para reconhecimento e tradução, sob a mesma família de licença OpenMDW 1.1, com exceção do subset People_Speech, que segue CC BY‑SA 4.0. A ideia é abrir um caminho de ajuste fino e contextualização por domínio, por exemplo, termos médicos, códigos alfanuméricos e entidades críticas em verticais reguladas. (huggingface.co)

Em paralelo, a documentação corporativa da Nvidia confirma que os modelos Nemotron 3.5 adotam OpenMDW 1.1, um gesto que reduz fricções legais em produtos comerciais que precisam de redistribuição de pesos e serviço self‑hosted. Para quem está substituindo APIs por inferência local, esse detalhe de licença vale tanto quanto alguns pontos de WER. (nvidia.com)

Como rodar hoje, com código e caminhos de inferência

O card oficial traz receitas diretas em NeMo Speech e Transformers, além de exemplos de serviço compatível com API OpenAI via vLLM. O modo recomendado para transcrição e tradução é temperatura 0 com raciocínio desligado, enquanto tarefas de entendimento de áudio usam sampling com temperatura 0,6 e top_p 0,95. Os exemplos cobrem desde transcrição simples a prompts para marcação de falantes e timestamps, inclusive com middleware de CTC para alinhar palavras e trechos de diarização. (huggingface.co)

Para equipes que priorizam latência, as variantes FP8 e NVFP4 reduzem memória e melhoram throughput em GPUs com suporte, mantendo qualidade competitiva. Em ambientes Windows, o caminho documentado passa por WSL2, e há suporte nativo via GGML em GPUs específicas, útil para prototipagem local e testes rápidos. (huggingface.co)

Onde o modelo brilha e onde pedir reforço

Pontos fortes práticos, a) inglês e sete línguas principais testadas no leaderboard, com médias de erro competitivas, b) long‑form com controle de estilo e pontuação, c) diarização integrada e timestamps palavra a palavra, d) licença aberta para uso comercial. Em trilhas multilíngues, os números são sólidos entre pesos abertos e dão base para uma estratégia com fine‑tuning por setor, especialmente com dados do Granary. (huggingface.co)

Limites hoje, o Transcribe foi desenhado para arquivos completos, não para streaming ao vivo. Em agentes de voz, o ecossistema se move rápido e rivais priorizam conversas em tempo real ponta a ponta. A própria cobertura do TechCrunch chama atenção para esse recorte, o que deve orientar a escolha de arquitetura quando o objetivo é diálogo simultâneo com baratas de latência. (techcrunch.com)

Tendências, rivais e leitura de mercado

Outras casas avançaram em voz neste mês, a Mistral lançou a família Voxtral 3, composta por modelos de transcrição, TTS e um SDK de agentes de voz, com foco em implantação soberana e conversas em tempo real. Documentos oficiais de governança e posts de produto situam a data de 20 de outubro de 2026 e detalham variantes, preços e suporte multilíngue. (legal.mistral.ai)

A Salesforce apresentou o Launa‑Omni, um modelo de voz para conversas em tempo real no contexto de trabalho, combinando ASR, LLM e TTS com ênfase em interpretabilidade e resposta rápida, comunicado em 19 de outubro de 2026. No varejo de APIs de voz, a ElevenLabs mantém investimento em realtime, com lançamentos recentes voltados a agentes de atendimento. (salesforce.com)

Em resumo, o Nemotron 3.5 Transcribe joga muito bem no quadrante de arquivo‑para‑texto aberto, com números competitivos, recursos avançados de diarização e licença liberal. Para voz em tempo real, quem precisa de turn‑taking milissegundo a milissegundo tende a compor uma pilha com ASR streaming dedicado, TTS de baixa latência e um LLM compatível com tool use, cenário onde Mistral e ElevenLabs vêm posicionando produtos. (techcrunch.com)

Aplicações práticas e playbook de adoção

Para transcrever reuniões e gerar atas, a receita direta inclui, 1) ingestão de áudio com normalização, 2) inferência no Nemotron 3.5 Transcribe em temperatura 0, 3) extração de timestamps e diarização, 4) pós‑processo de pontuação e correção leve, 5) sumário com um LLM pequeno local, 6) persistência e indexação semântica para busca posterior. Os prompts do card oficial já trazem moldes de saída que aceleram cada etapa. (huggingface.co)

Para vocabulário técnico, duas vias, 1) contexto por instruções e exemplos dentro do limite de tokens, 2) ajuste supervisionado leve com subsets do Granary v2 alinhados ao domínio, respeitando licenças, e com cuidado ao balancear sotaques e ruído para robustez. Ambientes clínicos e financeiros, em especial, se beneficiam de listas de entidades e regras de normalização integradas. (huggingface.co)

Em implantação, a escolha do formato de pesos pesa na fatura, BF16 para referência, FP8 ou NVFP4 para servir em GPUs mais modernas. A documentação da Nvidia já frisa que algumas otimizações de NIM ainda não chegaram a NeMo Speech e vLLM upstream, logo, a expectativa é de melhora em versões próximas, um detalhe importante no planejamento de SLOs. (huggingface.co)

Reflexões e insights ao longo do caminho

Modelos de fala abertos com licença comercial mudam o jogo para quem precisa de custos previsíveis e controle de dados. No curto prazo, a disputa se divide entre qualidade em arquivo, onde o Nemotron 3.5 Transcribe desponta, e latência interativa, onde pilhas especializadas ainda dominam. A ponte entre os mundos virá de otimizações de decodificação, quantização e servidores que aproximem qualidade e tempo de resposta. (huggingface.co)

Há também o vetor dados, a liberação do Granary v2 somada a matrizes de suporte de idioma ajuda a orientar investimentos em sotaques, ruído e domínios de alto valor. Esse mix, licença aberta mais dataset prático, tende a acelerar o ciclo aprendizado‑produção, reduzindo dependência de APIs proprietárias em workloads previsíveis de transcrição. (huggingface.co)

Conclusão

O lançamento do Nemotron 3.5 Transcribe consolida uma trilha forte de speech‑to‑text aberto, com ganhos reais em WER, suporte multilíngue consistente, diarização pronta e contexto longo. Para quem monetiza em cima de notas de reunião, atendimento e documentação técnica, os sinais são positivos, com margens melhores e mais controle de rota. (huggingface.co)

O quadro competitivo segue aquecido, com Mistral e Salesforce puxando o eixo de conversas em tempo real. A escolha certa depende do tipo de interação, arquivo com fidelidade alta versus turn‑taking com latência mínima. Hoje, o Nemotron 3.5 Transcribe ocupa com autoridade o espaço de transcrição offline aberta, e a curva de otimizações anunciadas sugere avanços de performance nos próximos ciclos. (mistral.ai)