Em 28 de outubro, a Nvidia lançou o Nemotron 3.5 Transcribe, um modelo de transcrição de áudio com pesos abertos. Na prática, isso quer dizer que qualquer empresa pode baixar o modelo e usar, inclusive comercialmente, sem pagar licença.
O que ele faz:
- Transcreve áudio em 40 idiomas e traduz 31 deles de e para o inglês.
- Identifica quem está falando, com até 8 falantes por gravação.
- Responde perguntas sobre o áudio, como “o que o cliente pediu?”.
- Aceita gravações de até 1 hora.
O português do Brasil e de Portugal aparece no nível mais alto de qualidade que a Nvidia lista para o modelo, com transcrição, tradução, separação de falantes e mistura de idiomas. A Nvidia divulgou números de precisão bons em inglês, mas ainda não há teste independente da qualidade em português.
Por que isso importa pra PME
Muita informação importante de uma pequena empresa vive em áudio: ligação com cliente, reunião com fornecedor, atendimento por telefone, a enxurrada de áudios de WhatsApp. Quase nada disso vira registro. O que foi combinado fica na memória de quem atendeu.
Transcrever resolve uma parte grande disso. Com o texto em mãos, dá pra resumir a reunião, achar o que o cliente reclamou, registrar o pedido no sistema e treinar quem está chegando com conversas reais.
Até aqui, isso dependia de ferramentas pagas por usuário. Um modelo aberto e de boa qualidade em português barateia bastante a conta.
A vantagem que interessa à LGPD
O ponto mais interessante é outro: o modelo pode rodar no servidor da própria empresa. Nesse caso, a gravação não sai pra terceiros.
Pra quem grava conversa com paciente, cliente de banco, dado financeiro ou de saúde, isso faz diferença. Mandar o áudio pra uma ferramenta na nuvem significa compartilhar dado pessoal com outra empresa, com as obrigações que isso traz. Rodar em casa reduz bastante esse risco. A gente já falou sobre esse cuidado em LGPD e IA.
Os limites, antes do entusiasmo
- Não funciona ao vivo. É pra áudio já gravado, não pra legendar uma ligação em tempo real.
- Rodar em casa exige infraestrutura. O modelo é grande e pede placa de vídeo potente, ou um parceiro técnico que instale e mantenha. Pra quem não quer isso, há versões hospedadas em provedores de nuvem, mas aí o áudio volta a sair da empresa.
- Qualidade em português ainda precisa ser testada com os áudios reais da sua operação: sotaque, barulho de fundo, jargão do setor.
- Gravar exige transparência. Avisar o cliente de que a conversa é gravada continua sendo obrigação, com ou sem IA.
Por onde começar
Escolha um uso só, com volume e dor clara. Por exemplo, resumir as reuniões semanais com clientes ou registrar os pedidos que chegam por telefone. Teste com uma amostra de gravações reais, compare com o que a equipe anotaria na mão e só depois pense em escalar.
Esse é o tipo de decisão que a gente organiza no Raio-X de IA: onde a voz vira dado útil, com qual ferramenta e com que cuidado. Vale ler também atendimento por voz com IA.
Fontes
- Nemotron 3.5 Transcribe and Granary v2 — Nvidia, no blog do Hugging Face
- Página do modelo NVIDIA-Nemotron-3.5-Transcribe-30B-A4B — Hugging Face
- Voice AI in vogue: Nvidia releases new open transcription model — TechCrunch
- Nvidia’s open Nemotron 3.5 Transcribe combines transcription, translation, and speaker recognition — The Decoder
