A Nvidia anunciou nesta quarta-feira o lançamento do Nemotron 3.5 Transcribe, um modelo de inteligência artificial de código aberto e gratuito, capaz de transcrever áudios em até 40 idiomas diferentes. Junto com o lançamento, a empresa também apresentou a versão dois do Granary, seu conjunto de dados de fala de código aberto.
Entre os recursos oferecidos pelo novo modelo, destacam-se a capacidade de traduzir entre 31 idiomas e o inglês, processar gravações com duração de até uma hora e identificar até oito interlocutores diferentes em uma mesma gravação. A Nvidia afirma que o Nemotron 3.5 supera seus concorrentes em testes de referência, incluindo o ranking Open ASR da plataforma Hugging Face.
Essas ferramentas são voltadas para desenvolvedores que trabalham com aplicativos para reuniões corporativas e transcrição médica, duas das áreas mais consolidadas da inteligência artificial no ambiente de trabalho. A empresa possibilita que os programadores utilizem o modelo, o conjunto de dados atualizado e ferramentas como o NeMo Speech para adaptar aplicativos ao jargão específico de cada setor e idioma.
Uma limitação importante é que o Transcribe funciona apenas com áudios gravados, não suportando transmissões ao vivo. Apesar disso, a Nvidia garante que o modelo, com seus 30 bilhões de parâmetros, pode ser executado em um único chip, abrangendo desde o controlador de robótica Jetson AGX Thor e o chip DGX Spark que alimenta novos notebooks, até os chips de datacenter da linha Blackwell.
O lançamento integra o portfólio de modelos de voz de código aberto da Nvidia, que inclui o Parakeet, um modelo compacto porém poderoso com 1,1 bilhão de parâmetros. A entrada mais recente da empresa no mercado de voz ocorre em um período movimentado de lançamentos de inteligência artificial para áudio: a Mistral disponibilizou o Voxtral 3 no início deste mês, a ElevenLabs lançou o Realtime para conversão instantânea de fala em agentes de voz, e a Salesforce apresentou o Launa-Omni, seu modelo de voz.
Fonte: TechCrunch
