A NVIDIA publicou nesta quarta-feira, 28 de outubro de 2026, o Nemotron 3.5 Transcribe, um modelo de reconhecimento de fala de peso aberto com arquitetura mista de especialistas (MoE) de 30 bilhões de parâmetros — dos quais apenas 4,3 bilhões são ativos a cada etapa. O modelo combina transcrição literal, tradução para e a partir de 31 idiomas, atribuição de falantes (até oito vozes distintas) e marcações temporais de palavras, tudo dentro de um único checkpoint que cabe numa GPU de consumer grade como uma RTX 5090.
O que distingue o Nemotron 3.5 Transcribe de sistemas de reconhecimento de fala convencionais é a capacidade de receber instruções em linguagem natural antes mesmo de "ouvir" o áudio. Você pode pedir para transcrever uma gravação de reunião de forma literal, para resumir os pontos-chave, ou para formatar a saída de um jeito específico — o modelo adapta a saída conforme o prompt sem precisar de fine-tuning. Essa abordagem, chamada de "intelligent transcription" pela própria NVIDIA, transforma um problema estático de reconhecimento de fala em uma interface flexível onde o mesmo checkpoint produz diferentes saídas conforme o contexto.
Nos benchmarks públicos, o modelo lidera a Hugging Face Open ASR Leaderboard para modelos open-weight com uma taxa média de erro de palavras (WER) de 4,71% em nove conjuntos de teste em inglês, e 4,62% no leaderboard multilingual. Na plataforma independente Artificial Analysis, que mede o AA-WER (Adjusted Word Error Rate), o modelo marca 2,81% — o segundo entre todos os modelos open-weight, a 0,04 pontos de distância do líder Voxtral Small da Mistral, que usa cerca de seis vezes mais parâmetros ativos (24 bilhões contra 4,3 bilhões).
A eficiência é o ponto mais impressionante. Para alcançar performance comparável a modelos muito maiores, a NVIDIA usou uma combinação de arquitetura Mamba-Transformer com mixture-of-experts granular, onde apenas uma fração dos parâmetros é ativada para cada token. O modelo foi treinado no Granary-v2, um dataset multilíngue de 844 mil horas de fala em 48 idiomas — quase um milhão de horas — com transcrições variadas que cobrem diferentes sotaques, registros e domínios. A maioria dos dados de treinamento é sintética, o que levanta uma questão importante sobre a generalização do modelo para situações do mundo real.
O lançamento acontece em meio a uma corrida intensa no setor de voice AI. A Mistral lançou a família Voxtral no início de outubro, a ElevenLabs推出了 seu Realtime para agents de voz instantâneos, e a Salesforce releaseu o Launa-Omni. A NVIDIA posiciona o Transcribe como uma alternativa mais leve e acessível, especialmente para desenvolvedores que querem rodar transcrição de alta qualidade localmente — seja num laptop com Jetson AGX Thor, num DGX Spark, ou num servidor com GPUs Blackwell de datacenter.
Mas o modelo não é perfeito. O Transcribe funciona apenas com áudio gravado, não com streaming ao vivo — um limitation significativa para aplicações de voice agents em tempo real. Além disso, benchmarks em domínios específicos mostram que a WER cai para 30,8% em conteúdo domain-specific antes do prompting cuidadoso, caindo para 20,8% depois. Ou seja, para uso médico, jurídico ou técnico, o modelo precisa de adaptação adicional e verificação humana. A própria NVIDIA recomenda que usuários façam spot-checks de nomes próprios, mudanças de falante e respostas do modelo.
Os pesos estão disponíveis sob a licença OpenMDW-1.1, que permite uso comercial, modificação e redistribuição — embora a Open Source Initiative ainda esteja avaliando se a licença cumpre formalmente a definição de open source. Model weights estão no Hugging Face e ModelScope, com suporte de deploy via vLLM e NVIDIA NeMo Speech. Há também um demo interativo no Hugging Face Spaces para experimentar o modelo antes de fazer deploy em produção.
A questão que fica é se o Transcribe representa o futuro da transcrição local — um modelo capaz de rodar no laptop de qualquer pessoa, em dezenas de idiomas, sem depender de serviços cloud de empresas como Google, Apple ou Microsoft — ou se as limitações de domínio específico e a ausência de streaming em tempo real serão barreiras suficientes para que ele fique como ferramenta de nicho, enquanto os giants continuam dominando o mercado de voice AI com suas APIs fechadas e infraestruturas massivas.
Fontes: NVIDIA Research, TechCrunch, The Decoder
✓ Fontes independentes cruzadas e verificadas antes da publicação
