NVIDIA lança Nemotron 3.5 Transcribe e Granary v2 para transcrição multilíngue personalizável

O Nemotron 3.5 Transcribe junta transcrição, atribuição de falantes (diarização), tradução e perguntas e respostas sobre áudio em um único checkpoint open-weight, disponível no Hugging Face e no ModelScope. Transcreve 40 idiomas, traduz 31 de ou para inglês e atribui falantes em 13. Aguenta gravações de até uma hora e rotula até oito falantes. O comportamento muda por instrução em linguagem natural, e a pergunta sobre áudio é treinada em inglês.

Na arquitetura, o codificador de fala se une a um modelo de linguagem híbrido Mamba-Transformer com mixture-of-experts: são cerca de 4B de parâmetros ativos de 30B totais. Segundo a fonte, isso o coloca na fronteira de Pareto de acurácia versus parâmetros ativos da Artificial Analysis, com 2,8% de AA-WER (empatado em primeiro entre open-weight). No Open ASR Leaderboard, tem 5,33% de WER médio em inglês, primeiro entre open-weight. Na diarização, marca 18,26% de DER no leaderboard da David AI, à frente do Nemotron 3 Diarization (18,38%). Quantizações e o NeMo-Speech.cpp para rodar local ainda estão por vir. Hoje dá para servir com vLLM. O modelo é feito para áudio gravado, não para streaming ao vivo.

O Granary v2 cobre 463.062 horas em 48 idiomas e 16 corpora (eram 25 idiomas no v1), com pipeline de curadoria no NeMo Curator. No estudo de caso médico, o fine-tuning reduziu o WER em falantes não vistos de 22,44% para 12,17%, queda relativa de 45,8%. O WER em LibriSpeech test-clean subiu de 1,54% para 1,69%.

Em 28 de outubro de 2026, o CEVIU noticiou "NVIDIA lança Nemotron 3.5 Transcribe e Granary v2 para transcrição multilíngue controlada por prompt", sobre o mesmo lançamento. A edição desta data traz o recorte de leaderboards, a comparação de parâmetros ativos e os números do estudo médico.

Para quem opera transcrição em produção, a leitura é que um checkpoint só pode substituir pipelines separados de ASR e diarização, com custo de inferência de cerca de 4B de parâmetros ativos. Os benchmarks vêm da fonte e do fabricante, então vale validar com o seu áudio. A ausência de streaming e das versões quantizadas por ora limita uso em tempo real e local.