O Nemotron 3.5 Transcribe transcreve gravações de até uma hora e funciona com áudios em até 40 idiomas.
A ferramenta identifica até oito falantes e traduz 31 idiomas para o inglês e do inglês para esses idiomas.
O modelo é de código aberto, mas não transcreve transmissões ao vivo; a Nvidia também lançou a versão 2 do Granary.
Foto: wikimedia commons
Quer transcrever áudios com IA? Conheça a ferramenta gratuita da Nvidia
A Nvidia lançou o Nemotron 3.5 Transcribe, modelo de inteligência artificial gratuito e de código aberto que transcreve áudios em até 40 idiomas. A novidade permite processar gravações de até uma hora, identificar diferentes falantes e traduzir conteúdos entre idiomas. As informações são do TechCrunch.
A ferramenta foi apresentada na quarta-feira (28) e tem como público principal desenvolvedores que criam aplicações para empresas. Entre os usos previstos estão a transcrição de reuniões de negócios e de registros médicos, áreas em que a inteligência artificial já encontra aplicações no ambiente de trabalho.
Além do modelo, a Nvidia anunciou a segunda versão do Granary, seu conjunto de dados de fala de código aberto. Os recursos podem ajudar desenvolvedores a adaptar sistemas de transcrição às necessidades de diferentes setores.
Como funciona o modelo de transcrição da Nvidia
O Nemotron 3.5 Transcribe consegue transcrever áudios em até 40 idiomas. Além disso, o modelo traduz 31 idiomas para o inglês e do inglês para esses idiomas, segundo a empresa.
Outro recurso é a identificação de falantes. A ferramenta consegue distinguir até oito pessoas em uma mesma gravação, o que pode facilitar a organização de entrevistas, reuniões e conversas com vários participantes. O modelo também aceita arquivos de áudio com duração de até uma hora. No entanto, há uma limitação importante: ele processa gravações já realizadas, mas não transcreve transmissões ao vivo.
A Nvidia afirma que o Nemotron 3.5 Transcribe supera concorrentes em testes de desempenho, incluindo o Open ASR Leaderboard, ranking mantido na plataforma Hugging Face. A comparação, porém, corresponde a resultados divulgados pela própria empresa e não significa que o modelo terá o melhor desempenho em todas as situações.
Nvidia permite adaptar a transcrição a diferentes setores
A proposta da empresa vai além de converter falas em texto. Com o modelo de transcrição, o conjunto de dados Granary atualizado e ferramentas como o NeMo Speech, desenvolvedores podem personalizar aplicações para reconhecer termos técnicos e expressões específicas de cada área.
Siga o Times | CNBC no Google e receba as principais notícias do Brasil e do Mundo.
Esse recurso pode ser útil em ambientes que utilizam vocabulários especializados. Na área médica, por exemplo, uma aplicação pode precisar reconhecer nomes de procedimentos e termos clínicos. Já em reuniões corporativas, o sistema pode lidar com expressões próprias de determinado setor.
Como o modelo tem código e pesos abertos, desenvolvedores podem utilizá-lo e adaptá-lo em seus projetos, de acordo com as condições de uso aplicáveis. Isso amplia as possibilidades de integração com ferramentas e fluxos de trabalho próprios.
Modelo de 30 bilhões de parâmetros pode rodar em um único chip
Apesar de contar com 30 bilhões de parâmetros, o Nemotron 3.5 Transcribe foi projetado, segundo a Nvidia, para funcionar em um único chip. A empresa cita possibilidades de execução em equipamentos como o controlador robótico Jetson AGX Thor, o DGX Spark e os chips Blackwell usados em data centers.
O lançamento também amplia o portfólio de modelos de voz abertos da Nvidia, que inclui o Parakeet, uma alternativa menor, com 1,1 bilhão de parâmetros.
A iniciativa ocorre em meio a uma sequência de lançamentos no mercado de inteligência artificial voltada à voz. No mesmo mês, a Mistral apresentou o Voxtral 3, a ElevenLabs lançou o Realtime, voltado à geração instantânea de fala em agentes de voz, e a Salesforce apresentou o Launa-Omni, seu modelo de voz.
Com o Nemotron 3.5 Transcribe, a Nvidia busca ampliar o acesso a recursos de transcrição e tradução de áudio. A principal diferença para quem pretende usar a ferramenta é que ela oferece uma base aberta para desenvolver aplicações próprias, mas não substitui soluções de transcrição ao vivo.
Defesa, saúde, criptomoedas e inteligência artificial: como as eleições de meio de mandato podem mexer com o mercado de ações nos Estados Unidos 
