O que aconteceu
A Nvidia liberou nesta quarta-feira (28) o Nemotron 3.5 Transcribe, modelo de IA com pesos disponíveis para quem desenvolve aplicativos de áudio. Ele transforma gravações em texto, identifica quem falou e pode traduzir trechos. A empresa o disponibilizou no Hugging Face junto com o Granary v2, conjunto de dados de fala para desenvolver e adaptar sistemas semelhantes. TechCrunch e The Decoder também registraram o lançamento nesta quarta.
Segundo a Nvidia, a transcrição cobre 40 idiomas, entre eles o português. O sistema aceita gravações de até uma hora e pode distinguir até oito pessoas. Tradução e identificação de falantes têm cobertura menor que a transcrição: são 31 idiomas para tradução de ou para inglês e 13 para identificação de falantes. A ficha do modelo detalha as diferenças entre tarefas por idioma. O produto trabalha com arquivos gravados, sem transcrição simultânea de conversas ao vivo.
A empresa diz que o modelo alcançou as primeiras posições em testes de reconhecimento de fala e separação de falantes. Esses resultados são de conjuntos de avaliação específicos. Eles não garantem precisão igual numa reunião brasileira com ruído, nomes de clientes e pessoas falando ao mesmo tempo.
Por que importa
Uma agência que entrevista consumidores ou grava reuniões de planejamento precisa localizar decisões e falas sem ouvir tudo de novo. Com a identificação de falantes no mesmo sistema de transcrição, a equipe pode preparar uma ata pesquisável e voltar ao trecho original quando houver dúvida. A Nvidia oferece instruções em linguagem comum para orientar o formato da saída e sugerir termos técnicos que o modelo deve reconhecer. A orientação da própria empresa é usar os termos apenas quando forem sustentados pelo áudio.
Para uma operação brasileira, a primeira decisão é separar o que se pode experimentar do que precisa virar processo. Uma reunião fictícia de campanha permite medir quanto tempo a equipe gasta para corrigir nomes de pessoas, marcas e valores. A gravação real de cliente envolve autorização, armazenamento do arquivo e revisão do resultado antes de alimentar um relatório. A opção de executar o modelo em infraestrutura escolhida pela empresa pode interessar a quem precisa controlar onde o áudio é processado, mas exige capacidade técnica e equipamento. Ter os pesos disponíveis não transforma a instalação em um serviço pronto para a equipe de atendimento.
Há também um limite de uso que evita uma promessa precipitada. Transcrever português consta na ficha oficial. As demais tarefas variam por idioma, e a própria Nvidia avisa que as perguntas sobre o conteúdo de uma gravação foram treinadas em inglês. Uma agência que pretende resumir entrevistas em português deve conferir essa função separadamente e preservar a gravação para auditoria. Nomes de produtos, trocas de falantes e decisões atribuídas à pessoa errada merecem revisão humana.
O lançamento recente do Voxtral 3 para agentes de voz em tempo real ajuda a distinguir aplicações: o anúncio da Nvidia mira o processamento de gravações, enquanto um atendimento durante a chamada depende de resposta imediata. A escolha do fornecedor começa pelo tempo em que o texto precisa ficar pronto.
Como testar
A página oficial do modelo reúne a ficha técnica e aponta para uma demonstração pública. O TechCrunch descreve os pesos como gratuitos, mas rodar o modelo em servidor próprio requer equipamento e pode gerar custo de infraestrutura. A Nvidia informa suporte a transcrição em português; é necessário conferir na ficha a cobertura de cada função antes de adotar a ferramenta.
Para um teste de dez minutos, use um áudio de demonstração ou uma gravação sua, sem dados de clientes. Peça uma transcrição com identificação de falantes e compare o resultado ao áudio, especialmente nomes, números e momentos de interrupção. Registre as correções necessárias. Esse procedimento serve para avaliar a utilidade no seu fluxo; a redação não testou o modelo nem verificou o desempenho da demonstração em português.
O que observar
A Nvidia diz que versões ajustadas para execução local em outros equipamentos estão a caminho. Quem cogita instalar o modelo deve acompanhar a documentação de hardware e as diferenças entre a versão aberta e as otimizações usadas pela empresa em seus testes de velocidade. A ficha atual cita uma GPU H100 de 80 GB como referência para a configuração inicial.
Para equipes que compram serviço de transcrição, o próximo dado útil virá dos testes próprios com áudio brasileiro. Compare a taxa de correção, a identificação de falantes e o custo total de processamento antes de alterar o contrato ou a rotina de entrevistas. A empresa recomenda conferir manualmente nomes, mudanças de voz e respostas extraídas da gravação.
Fontes
- Nvidia no Hugging Face: anúncio do Nemotron 3.5 Transcribe e do Granary v2
- Ficha técnica do modelo: idiomas, tarefas, limitações e equipamento de referência
- TechCrunch: cobertura do lançamento e limite de áudio ao vivo
- The Decoder: funções e desempenho divulgado pela Nvidia
