---
title: "NVIDIA lança Nemotron 3.5 Transcribe com comandos em 40 idiomas"
author: "Gustavo Ramos O. Klein"
date: "2026-10-29 06:23:05.874-03"
category: "Inteligência Artificial & Dados"
url: "http://desbugados.scale.press/portal/desbugados/post/2026/10/29/nvidia-lanca-nemotron-35-transcribe-com-comandos-em-40-idiomas/md"
---

## Resumo
- A NVIDIA lançou o Nemotron 3.5 Transcribe em 28 de outubro de 2026 como um modelo de voz com pesos abertos.
- O modelo tem 30 bilhões de parâmetros, suporta 40 idiomas e traduz 31 idiomas de e para o inglês.
- A ferramenta processa gravações de até uma hora, identifica até oito falantes e é voltada para áudio offline.
- Com comandos em linguagem natural, desenvolvedores podem pedir tarefas como transcrever um áudio e listar as decisões tomadas.
- O modelo é direcionado a aplicações de reuniões de negócios e transcrição médica.
- O Granary v2 reúne 463.062 horas de áudio em 48 idiomas para treinamento e customização.

---

Uma reunião gravada pode exigir mais do que transformar voz em texto: alguém precisa separar os participantes, traduzir trechos e encontrar as decisões tomadas. Em 28 de outubro de 2026, a [**NVIDIA** lançou o Nemotron 3.5 Transcribe](https://techcrunch.com/2026/10/28/voice-ai-in-vogue-nvidia-releases-new-open-transcription-model), um modelo de voz com pesos abertos que suporta **40 idiomas**. O diferencial prático está nos comandos em linguagem natural, que permitem orientar o sistema sobre o que fazer com o áudio.

## O que há por baixo da transcrição

Por baixo da interface, o Nemotron 3.5 Transcribe reúne transcrição, tradução, identificação de falantes e entendimento de áudio em um único checkpoint, o arquivo de modelo usado pela aplicação. Ele tem **30 bilhões de parâmetros**. A identificação de falantes, chamada diarização, informa qual pessoa falou em cada trecho, algo útil quando a gravação tem mais de uma voz e o texto precisa preservar a dinâmica da conversa.

Essa combinação vem com limites bem definidos. O sistema traduz **31 idiomas de e para o inglês**, processa gravações de até uma hora e identifica até oito falantes. A NVIDIA o otimizou para áudio gravado e processamento offline, não para transmissões ao vivo. A distinção muda a escolha da ferramenta: uma reunião já registrada se encaixa na proposta, enquanto uma legenda em tempo real exige outra solução.

## Comandos em vez de etapas separadas

O salto de interface aparece quando o desenvolvedor deixa de tratar a transcrição como o resultado final. [A **NVIDIA** descreve o modelo como "promptable", ou seja, capaz de aceitar comandos em linguagem natural](https://blogs.nvidia.com/blog/local-ai-rtx-spark-laptops-updates-models-agents-games/?preview_id=99523), como "transcreva este áudio e liste as decisões tomadas". A instrução aproxima o áudio de uma tarefa de trabalho, em vez de entregá-lo apenas como um bloco de texto.

Quem decide quais informações atravessam essa ponte entre fala e ação? Na proposta apresentada, essa definição fica nas mãos de quem desenvolve a aplicação. O modelo é destinado a soluções para **reuniões de negócios** e transcrição médica, áreas em que separar vozes e organizar conteúdo pode ser mais útil do que simplesmente obter uma cópia da conversa. O comando facilita a orientação, mas não elimina a necessidade de revisar o resultado.

## Dados para adaptar o modelo

O segundo lançamento dá suporte à etapa menos visível dessa cadeia: o treinamento. A NVIDIA disponibilizou a versão 2 do dataset **Granary**, com **463.062 horas de áudio em 48 idiomas**, para ajudar no treinamento e na customização de aplicações específicas de cada setor. Um dataset é uma coleção organizada de dados usada para ensinar ou ajustar um modelo, e sua variedade influencia os tipos de voz e idioma que os desenvolvedores conseguem trabalhar.

Na prática, o Nemotron 3.5 Transcribe interessa a quem precisa processar áudio gravado com mais de uma tarefa no mesmo fluxo. O ponto a acompanhar é a fronteira entre essa proposta offline e os usos ao vivo: hoje, a própria descrição do produto separa as duas situações. Para escolher a ferramenta, o leitor deve começar por uma pergunta simples: o áudio já existe ou a resposta precisa acontecer enquanto alguém ainda está falando?