A NVIDIA publicou em 28 de outubro de 2026 o Nemotron 3.5 Transcribe, um modelo de pesos abertos que reúne em um único checkpoint funções que normalmente exigem uma pilha de ferramentas separadas: transcrever fala, identificar quem falou, traduzir o conteúdo e responder perguntas sobre o áudio. O anúncio saiu no blog da Hugging Face, assinado por pesquisadores da NVIDIA como Maryam Motamedi, Piotr Żelasko, Kunal Dhawan, Nikolay Karpov, Nune Tadevosyan, Meline Mkrtchyan, Nithin Rao Koluguri e Francesco Ciannella, e o modelo está disponível no Hugging Face e no ModelScope, sob o identificador NVIDIA-Nemotron-3.5-Transcribe-30B-A4B.
Quatro tarefas em um só checkpoint
O ponto central do lançamento é a consolidação. Em vez de encadear um transcritor, um separador de falantes, um tradutor e um modelo de perguntas e respostas, o Nemotron 3.5 Transcribe entrega tudo na mesma execução.
Segundo a NVIDIA, o modelo transcreve 40 idiomas, traduz 31 deles de ou para o inglês e atribui falantes em 13 idiomas. Ele processa gravações de até uma hora de duração e consegue rotular até oito interlocutores diferentes em uma mesma sessão — um requisito típico de reuniões, atendimentos e ligações multilíngues.
A atribuição de falantes, conhecida como diarização, é justamente o tipo de recurso que costuma ficar de fora dos transcritores abertos ou aparecer apenas como serviço pago. Ao juntá-la ao reconhecimento de fala no mesmo modelo, a NVIDIA reduz o número de etapas e de dependências que um desenvolvedor precisa orquestrar para montar um pipeline de áudio minimamente útil.
