NVIDIA lança Nemotron 3.5 Transcribe, um modelo de voz controlável por prompt
A NVIDIA publicou o Nemotron 3.5 Transcribe sob OpenMDW-1.1: 40 idiomas, rótulos de falante, tradução e estilo controlado por prompt, para gravações de até uma hora.
A NVIDIA publicou o Nemotron 3.5 Transcribe em 28 de outubro de 2026 sob a licença permissiva OpenMDW-1.1. Junto com o modelo, publicou um kit de ferramentas de fine-tuning no NeMo Speech e a versão 2 do seu conjunto de dados de fala Granary.
O que há de novo
- Um modelo, muitos trabalhos. Um codificador de fala e um modelo de diarização — que descobre quem falou e quando — alimentam um modelo de linguagem de mistura de especialistas. Ele lida com transcrição, tradução de fala, transcrições com falante atribuído, identificação de idioma e perguntas sobre o áudio, e pode retornar carimbos de tempo no nível de palavra.
- Tamanho. O model card lista cerca de 34 bilhões de parâmetros no total e 4,3 bilhões ativos, incluindo o codificador de áudio.
- Cobertura. Suporta 40 idiomas, com tradução de ou para o inglês em 31 deles e atribuição de falante em 13, em gravações de até uma hora com até oito falantes.
- Estilo dirigível. Você descreve a transcrição que quer em uma instrução de texto — por exemplo, texto literal ou números em forma escrita — ou fornece uma lista de nomes e termos a esperar.
- Apenas offline. Ele processa gravações finalizadas. Não é um reconhecedor de streaming ao vivo.
A NVIDIA relata taxa média de erro de palavra de 4,71% no Open ASR Leaderboard em inglês e 4,62% no multilíngue. São medições do próprio desenvolvedor, então teste o modelo com o seu próprio áudio.
Como executar
Os pesos BF16 têm cerca de 68 GB, a versão FP8 cerca de 35 GB e a NVFP4 cerca de 22 GB. O model card lista uma única H100 de 80 GB como alvo de implantação, e há arquivos GGUF para o NeMo-Speech.cpp da NVIDIA. Isso o torna muito mais pesado que o Whisper large-v3-turbo, que precisa de cerca de 6 GB. Nossa comparação lado a lado mostra quando o tamanho extra vale a pena, e a página de modelos de fala lista as alternativas.
Licença
A OpenMDW-1.1 é uma licença permissiva e curta escrita para modelos de aprendizado de máquina. Ela permite usar, modificar, compartilhar e vender o modelo, e não impõe restrições às suas saídas. Você deve manter o texto da licença e os avisos de origem ao redistribuí-la, e a Open Source Initiative não aprovou a licença. Licenças de IA explicadas cobre como ela se compara com Apache 2.0 e MIT.
Fontes
- NVIDIA Research: Nemotron 3.5 Transcribe (28 Oct 2026) research.nvidia.com
- Nemotron 3.5 Transcribe model card (Hugging Face) huggingface.co
- Hugging Face blog: Nemotron 3.5 Transcribe and Granary v2 huggingface.co
Modelos nesta história
| Modelo | Lançamento | Parâmetros | Contexto | Licença | Memória da menor variante |
|---|---|---|---|---|---|
| Nemotron 3.5 Transcribe EN NVIDIA | 34B 4.3B ativos | 64K | OpenMDW-1.1 (Permissiva) | 25 GB GPU gamer |