NVIDIA publica Nemotron 3.5 Transcribe: pesos abertos para áudio gravado, entre detalhes técnicos e verificações pendentes

Num outono em que a tecnologia de voz atrai grande atenção do mercado, como mostram os lançamentos recentes de concorrentes como Mistral e ElevenLabs citados pelo TechCrunch, a NVIDIA publicou em 28 de outubro de 2026 o modelo Nemotron 3.5 Transcribe. Ao contrário do Nemotron 3.5 ASR, modelo de 0,6 bilhão de parâmetros para streaming em tempo real lançado em junho de 2026, a nova versão de pesos abertos se destina à análise de arquivos de áudio já gravados. Segundo os canais oficiais da empresa no Hugging Face, o sistema reúne numa única solução transcrição, tradução, atribuição de falantes e perguntas sobre o sinal de voz, com uma arquitetura híbrida Mamba-2/Transformer do tipo mixture-of-experts associada a um codificador de áudio paralelo.

Nos dados técnicos, a ficha do modelo descreve um tamanho total de cerca de 34 bilhões de parâmetros (cerca de 4,3 bilhões ativos, incluindo o codificador), enquanto o nome oficial "30B-A4B" e o blog indicam cerca de 30 bilhões no total e 4 bilhões ativos: a diferença depende de o codificador de áudio ser contado ou não. Distribuído sob a licença OpenMDW-1.1 para usos comerciais e não comerciais, o modelo suporta o italiano na classe de desempenho que a empresa chama de 'Leading'. Como infraestrutura, recomenda-se uma GPU H100 de 80 GB. Junto com o modelo, a NVIDIA disponibilizou o conjunto de dados aberto Granary v2, com 463.062 horas de fala em 48 idiomas; os arquivos de áudio originais devem ser baixados diretamente das plataformas de origem, respeitando a licença de cada corpus. Entre os casos de uso citados, a adaptação do modelo à área médica com o benchmark Eka Care mostrou que, após cerca de 14 horas-GPU de treinamento numa NVIDIA GB300, o WER nos clipes excluídos do treinamento caiu de 22,44% para 12,17%, uma redução relativa de 45,8% em 2.764 clipes.

A análise dos dados divulgados revela, porém, algumas discrepâncias e limites de verificação. As medições de desempenho vêm de testes internos ou feitos com parceiros, sem replicação independente, como admite o próprio blog da NVIDIA. Há também uma diferença entre os 5,33% de taxa média de erro declarados no post para o ranking inglês Open ASR e os 4,71% indicados na ficha como média de pesos iguais em nove conjuntos de dados: provavelmente são dois cálculos diferentes, mas a diferença não é explicada. Também o dado de velocidade (100 horas de áudio transcritas em menos de três minutos) se refere a uma versão NVFP4 ainda não lançada. A NVIDIA deixou claro o âmbito de uso, ressaltando no blog que "Transcribe is built for recorded audio, not live streaming" e reiterando na ficha oficial que o processamento interno em blocos não transforma o sistema num serviço de transcrição em tempo real; da mesma forma, os rótulos distinguem até oito falantes por arquivo, sem identificá-los.

Liberar pesos e dados abertos dá recursos concretos a quem desenvolve, mas quando a eficácia de um modelo é medida apenas pelas métricas do próprio fabricante, a transparência técnica fica a meio caminho entre o anúncio e a verificação real.

— Olya