A Nvidia apresentou na última terça-feira (28 de outubro) o Nemotron 3.5 Transcribe, um modelo de reconhecimento de fala em pesos abertos que executa transcrição inteligente em 40 idiomas — com tradução simultânea para 31 línguas, identificação de até oito falantes em áudio sobreposto e capacidade de processar gravações de até uma hora. O que chama atenção não é apenas o desempenho, mas o posicionamento estratégico: a empresa quer que um único modelo substitua a pilha de ferramentas tradicionais de reconhecimento de fala, reduzindo o custo de deploy e oferecendo flexibilidade de prompt em linguagem natural. Com 30 bilhões de parâmetros totais e cerca de 4,3 bilhões de parâmetros ativos graças à arquitetura MoE (Mixture of Experts), o Transcribe é classificado pela Nvidia como um "Speech-Augmented Language Model" — um híbrido entre um sistema tradicional de reconhecimento automático de fala (ASR) e um modelo de linguagem grande. A arquitetura combina um codificador de áudio Transformer com um encoder de diarização congelado (Nemotron 3 Diarization) e o backbone Nemotron 3.5 Lightning, que usa uma estrutura híbrida Mamba-2–Transformer MoE. O resultado é um modelo que não apenas reconhece palavras, mas entende contexto, separa quem fala e permite ajustar o estilo da transcrição com instruções em linguagem natural. Nos benchmarks, o modelo alcançou uma taxa de erro de palavras (WER) de 4,71% no leaderboard open da Hugging Face para transcrição em inglês, empatando com o estado da arte entre modelos de pesos abertos e superando o Qwen3-ASR-1.7B (4,94%). Na versão multilingue — avaliada em sete idiomas — o WER médio foi de 4,62%, com destaque para português (2,82%) e hindi (5,96%). No benchmark de transcrição de áudio longo, o WER de 10,98% ficou significativamente abaixo do segundo melhor modelo aberto (13,37%). Segundo dados independentes da Artificial Analysis, o modelo obteve 2,8% no AA-WER Index, empatando com o Voxtral Small da Mistral, porém com seis vezes menos parâmetros ativos (4,3B contra 24B). Um aspecto pouco explorado na cobertura jornalística é a estratégia de deploy da Nvidia: o modelo está disponível em quatro versões de pesos (BF16, FP8, NVFP4 e GGUF), permitindo execução local em GPUs Blackwell, em laptops DGX Spark ou até em dispositivos edge como o Jetson AGX Thor. O uso de especulação multi-token (MTP) nativa acelera a inferência no vLLM, reduzindo o tempo de geração em até dois terços em relação a modelos similares. A Nvidia também disponibilizou o conjunto de dados Granary v2, um pipeline de curadoria de dados de fala multilingue com mais de 843 mil horas em 48 idiomas — o que significa que desenvolvedores não precisam apenas baixar o modelo, mas podem reproduzir e adaptar o próprio pipeline de curadoria. A decisão de abrir o modelo em vez de mantê-lo fechado é coerente com a estratégia de ecossistema que a Nvidia vem construindo há anos. O setor de Voice AI vive uma fase de intensa competição: a Mistral lançou o Voxtral 3 no início de outubro, a ElevenLabs apresentou o Realtime para fala instantânea em agentes de voz, e a Salesforce liberou o Launa-Omni. A diferença do Transcribe é que ele não tenta fazer tudo ao mesmo tempo — ele foca em transcrição inteligente (e não streaming), o que o posiciona como a escolha ideal para aplicações empresariais onde a precisão importa mais que a latência em tempo real. O modelo também traz uma capacidade que muitos analistas consideram subvalorizada: a adaptação por fine-tuning em domínio específico. A Nvidia demonstrou que é possível adaptar o Transcribe a vocabulário médico, jurídico ou financeiro em apenas 0,5 a 2,3 horas de GPU por tarefa, com redução de até 33% na taxa de erros de reconhecimento de nomes próprios. Em benchmarks médicos indianos, o WER caiu de 12,17% para 11,8% após adaptação — uma diferença aparentemente pequena, mas com implicações enormes em ambientes clínicos onde a pronúncia de termos técnicos determina o diagnóstico. A limitação mais evidente é que o Transcribe não processa streaming ao vivo, o que significa que ele não substitui ferramentas como o Whisper da OpenAI para ditado em tempo real. Mas para transcrição de reuniões gravadas, minutas clínicas, atendimento ao cliente e análise de chamadas telefônicas — segmentos que juntos representam bilhões de dólares em receita para empresas de Voice AI — a ausência de streaming real é um trade-off aceitável pela precisão superior e pelo controle contextual. O que resta por responder é se a combinação de arquitetura eficiente com prompt controlável vai se tornar o padrão para Voice AI corporativo, ou se os concorrentes vão responder com modelos igualmente eficientes. A Nvidia demonstrou que é possível entregar performance de fronteira com um modelo de 4,3 bilhões de parâmetros — e que, talvez, a próxima revolução no reconhecimento de fala não venha de modelos cada vez maiores, mas de modelos que entendem melhor o que querem os usuários antes mesmo de começarem a falar.
Fontes: TechCrunch, SiliconANGLE, NVIDIA Research
✓ Fontes independentes cruzadas e verificadas antes da publicação
