Se você já perdeu tempo tentando descobrir quem disse o quê numa reunião, sabe o problema. Uma transcrição pode registrar cada palavra e ainda deixar essa dúvida.
A Nvidia lançou o NVIDIA Nemotron 3.5 Transcribe para tentar resolver isso. O modelo está disponível no Hugging Face e no ModelScope.
O que o modelo faz
Segundo a descrição do lançamento, o modelo reúne quatro tarefas em um único checkpoint:
- Transcrição: 40 idiomas
- Tradução: 31 deles para ou do inglês
- Atribuição de falantes (diarização)
- Perguntas e respostas sobre áudio
> "Um modelo aberto para transcrição multilíngue, atribuição de falantes, tradução e perguntas sobre áudio."
Por que o formato de saída importa
A fonte cita três cenários: ligações multilíngues, reuniões rápidas e ditado médico. Cada um pede um tipo de texto diferente.
Numa ligação, pode ser preciso uma tradução. Numa reunião, os rótulos de quem falou. No ditado médico, os termos técnicos precisam estar escritos corretamente.
Qual é o ganho disso na prática? Você não recebe um texto genérico e ajusta depois, porque a instrução já define o formato da saída. Por isso o modelo é promptável, ou seja, a saída muda conforme a instrução dada.
Aberto, mas com detalhes a conferir
O modelo é descrito como de pesos abertos (open-weight). Além disso, a fonte cita o Granary v2, um pipeline de dados aberto, e receitas de fine-tuning.
Isso sugere que equipes podem adaptar o modelo ao próprio vocabulário, mas a fonte não detalha o processo.
Os números que o Nemotron 3.5 Transcribe ainda não mostrou
A fonte diz que o modelo tem resultados de destaque em leaderboards. O trecho disponível, porém, não traz nenhuma métrica.
Não há taxa de erro, posição no ranking, comparação com concorrentes nem preço. Rankings públicos como o Open ASR Leaderboard, do Hugging Face, costumam reunir esse tipo de comparação, mas a fonte não diz em qual posição o Nemotron 3.5 Transcribe aparece.
Nemotron 3.5 Transcribe da Nvidia: vale testar com seus áudios?
Para quem trabalha com áudio em vários idiomas, o modelo merece atenção. Na prática, o desempenho depende do tipo de gravação, e a fonte não traz dados que permitam comparar isso sem teste.
Como os pesos estão abertos, dá para testar o Nemotron 3.5 Transcribe com os próprios áudios antes de decidir. Qual tipo de gravação você transcreve com mais frequência?