IA de voz em alta: Nvidia lança novo modelo aberto de transcrição

A Nvidia lançou na quarta-feira o Nemotron 3.5 Transcribe, um modelo gratuito de pesos abertos que transcreve áudio em até 40 idiomas. A empresa também lançou a versão 2 do Granary, seu conjunto de dados de fala de código aberto.

A Nvidia destaca que o Nemotron 3.5 pode traduzir 31 idiomas para o inglês e a partir dele, lidar com gravações de até uma hora de duração e distinguir até oito falantes diferentes. Ela afirma superar concorrentes em testes de referência (benchmarks), incluindo o Open ASR Leaderboard do Hugging Face.

Essas ferramentas são voltadas para desenvolvedores que criam aplicativos para reuniões de negócios e transcrição médica, duas das áreas mais consolidadas da IA no ambiente de trabalho. A Nvidia afirma que os desenvolvedores podem usar o modelo, o conjunto de dados Granary atualizado e ferramentas como seu modelo NeMo Speech para personalizar aplicativos e reconhecer o jargão de uma indústria em cada idioma. Uma desvantagem: o Transcribe funciona com áudio gravado, não com transmissões ao vivo.

Ainda assim, a empresa promete que o Transcribe, com 30 bilhões de parâmetros, pode rodar em um único chip, desde o controlador de robótica Jetson AGX Thor e o chip DGX Spark que equipam novos notebooks, até os chips de data center Blackwell. Ele se junta aos modelos de voz de pesos abertos da Nvidia, incluindo o super pequeno, mas poderoso Parakeet (1,1 bilhão de parâmetros).

A mais recente incursão da Nvidia no setor de voz chega em um período movimentado de lançamentos de voz por IA: a Mistral lançou o Voxtral 3 no início deste mês; a ElevenLabs lançou o Realtime para fala instantânea em agentes de voz; e a Salesforce lançou o Launa-Omni, seu próprio modelo de voz.