A Nvidia intensifica sua ofensiva no campo da inteligência artificial aplicada à voz com o lançamento do Nemotron 3.5 Transcribe. Este novo modelo, disponibilizado de forma gratuita e com código aberto, tem a capacidade de converter gravações de áudio em texto em até 40 idiomas distintos. Apresentado recentemente, o modelo permite o processamento de arquivos com até uma hora de duração, distinguindo até oito interlocutores e associando cada intervenção a marcas de tempo precisas, inclusive em nível de palavra.

A ferramenta foi concebida com foco em desenvolvedores e pesquisadores, visando facilitar a criação de aplicações voltadas para reuniões de negócios, transcrição médica, tradução e análise de conversas. Uma de suas características mais notáveis é a flexibilidade para adaptar o resultado da transcrição às necessidades específicas de cada usuário. A Nvidia parte do princípio de que não existe uma única maneira ideal de transcrever um áudio, pois o resultado final depende do propósito e do público-alvo.

Para isso, a empresa desenvolveu um modelo de linguagem aumentado por voz (SALM, na sigla em inglês) que interpreta instruções em linguagem natural. Isso permite, por exemplo, remover hesitações e vícios de linguagem para obter um texto mais limpo, ou mantê-los caso a intenção seja uma transcrição literal. O modelo também possibilita a tradução entre o inglês e outros 31 idiomas, além de identificar a língua falada no áudio. A personalização é um diferencial crucial, especialmente para setores que utilizam vocabulário técnico ou terminologia específica. O Nemotron 3.5 Transcribe foi projetado para se adaptar às particularidades de diferentes profissões e, segundo a Nvidia, ao receber listas de termos ou nomes próprios, pode reduzir em até seis vezes os erros na identificação de entidades nomeadas em comparação com métodos tradicionais.

A companhia também ressalta que o modelo pode ser executado em um único chip, o que facilita sua integração em diversas aplicações. Entre os potenciais usuários, destacam-se desenvolvedores de interfaces de voz, ferramentas de transcrição e tradução, sistemas de processamento de reuniões e plataformas de análise de atendimento ao cliente. Em termos de precisão, a Nvidia afirma que o Nemotron 3.5 Transcribe alcança os melhores resultados entre os modelos de código aberto avaliados no Open ASR Leaderboard do Hugging Face, com taxas de erro de 4,71% em inglês e 4,62% em avaliações multilíngues.

Embora a versão principal seja voltada para arquivos de áudio pré-gravados, a Nvidia também vislumbra uma variante de streaming para transcrição em tempo real. O lançamento é complementado pelo Granary 2, a segunda versão do conjunto de dados de voz de código aberto da Nvidia, que visa fornecer mais recursos para o desenvolvimento e adaptação de sistemas de reconhecimento de voz. Desenvolvedores podem ainda combinar esses modelos com ferramentas como o NeMo Speech para ajustar suas aplicações a idiomas e setores específicos. A publicação dos pesos abertos permite a integração do modelo em projetos próprios, sujeita à revisão das condições de licença e requisitos técnicos.

O Nemotron 3.5 se soma a outras ofertas de voz da Nvidia, como o Parakeet, um modelo menor com 1,1 bilhão de parâmetros. O lançamento insere a empresa em um mercado cada vez mais acirrado, com concorrentes como Voxtral 3 da Mistral e Realtime da ElevenLabs. A corrida atual na IA de voz vai além da simples conversão de fala em texto, focando na identificação de falantes, tradução de conversas e organização de informações para uso posterior. Nesse contexto, a Nvidia busca que suas ferramentas transformem gravações de reuniões, entrevistas e conversas profissionais em documentos mais precisos e contextualizados.

Com reportagem de Brazil Valley

Source · Forbes España