O que é NVIDIA Nemotron 3.5 Transcribe?
O Nemotron 3.5 Transcribe é um modelo de fala offline da NVIDIA, lançado no Hugging Face, no NGC e no build.nvidia.com em 28 de outubro de 2026. Ele combina um codificador de ASR de 600M parâmetros e um codificador de falantes de 99M parâmetros com o modelo de linguagem Nemotron 3.5 Lightning, um mixture-of-experts híbrido Mamba-Transformer: 34 bilhões de parâmetros no total, cerca de 4,3 bilhões ativos por token, incluindo o codificador de áudio.
Um único checkpoint faz transcrição em 40 idiomas, texto literal ou limpo, transcrições atribuídas por falante com timestamps de palavras, tradução de e para o inglês, identificação de idioma, dicas de vocabulário no prompt e respostas a perguntas sobre áudio em inglês. Ele aceita gravações de até uma hora e não é um modelo de streaming.
Os pesos estão sob a licença OpenMDW-1.1, que permite uso comercial, em builds BF16, FP8 e NVFP4. A NVIDIA também lançou o Granary v2, com 463.062 horas de dados de fala em 48 idiomas. A DeepInfra o hospeda a $0,002 por minuto de áudio.
Quanto custa NVIDIA Nemotron 3.5 Transcribe?
| Plano | Preço | O que inclui |
|---|---|---|
| Weights | Free | OpenMDW-1.1, uso comercial permitido |
| DeepInfra API | $0.002 per audio minute | Até 60 minutos por requisição |
Pesos abertos sob OpenMDW-1.1. DeepInfra: $0,002 por minuto de áudio ($0,12 por hora); o OpenRouter encaminha para a DeepInfra por cerca da mesma tarifa.
NVIDIA Nemotron 3.5 Transcribe vale a pena?
O Nemotron 3.5 Transcribe é o modelo aberto de transcrição mais forte em testes independentes, e é o primeiro aberto que faz a maior parte de um pipeline de atas de reunião em uma única chamada. A Artificial Analysis o coloca em 2,8% no seu índice AA-WER, empatado em primeiro entre os modelos de pesos abertos com o Voxtral Small da Mistral (2,77% contra os seus 2,81%), usando cerca de um sexto dos 24B parâmetros ativos do Voxtral. No Open ASR Leaderboard do Hugging Face, ele fica em primeiro entre os modelos abertos, com 5,33% de WER médio em inglês, à frente do Qwen3-ASR-1.7B, com 5,4.
O diferencial é o prompt. Estilo de transcrição, dicas de vocabulário, tags de falantes e tradução são escolhidos na instrução, e os números da própria NVIDIA para vários falantes (15,80 de cpWER médio nas sessões completas de AMI, CALLHOME, Mixer 6 e NOTSOFAR-1, contra 16,83 do melhor sistema publicado seguinte) são autodeclarados, mas coerentes com os rankings externos. A adaptação de domínio é barata: no conjunto de fala médica da Eka Care, o WER caiu de 30,8% para 23,8% com um prompt melhor e para 11,8% depois de cerca de 14 horas de GPU de fine-tuning em uma GB300.
Os limites estão claros no card. Ele é só offline, então legendas ao vivo e agentes de voz que precisam de resultados parciais ainda pedem um modelo de streaming como o Parakeet. O suporte a idiomas é desigual: 40 idiomas para transcrição, 31 para tradução e 13 para identificação de falantes, com mandarim, árabe e bengali classificados só como "supported". As respostas a perguntas sobre áudio foram treinadas em inglês. Os modelos fechados continuam à frente no geral; o Gemini 3.5 Transcribe está em 2,60% no ranking Open ASR.
Hospedar por conta própria exige uma H100 de 80GB para os pesos BF16. Os números de serving mais rápidos da NVIDIA, 2.238 segundos de áudio por segundo em uma RTX PRO 6000, vêm do seu build NIM; o caminho aberto com vLLM lançado no dia é, pela estimativa da própria NVIDIA, cerca de metade dessa velocidade. Pelo preço da DeepInfra, a transcrição custa um terço da tarifa histórica da Whisper API da OpenAI, então o caminho hospedado será o padrão sensato para a maioria das equipes abaixo de alguns milhares de horas por mês.
Onde ele se destaca
Um engenheiro de dados em uma central de atendimento de 300 posições
Transcrever e atribuir por falante 10.000 horas de chamadas gravadas por mês
Na DeepInfra, a $0,12 por hora, isso dá cerca de $1.200 por mês, com tags de falante <spk:N> e timestamps de palavras em uma única resposta. Os nomes de produtos vão no prompt como termos de contexto, em vez de uma etapa separada de biasing.
Um engenheiro de ML em uma startup de saúde digital
Adaptar a transcrição ao vocabulário clínico
O exemplo da Eka Care da NVIDIA reduziu o WER de 30,8% para 11,8% com cerca de 245 horas de dados e 14 horas de GPU em uma GB300. O inglês geral piorou um pouco (LibriSpeech clean de 1,54% para 1,69%), então teste os dois.
Um produtor de localização em uma empresa de mídia europeia
Produzir transcrições e traduções para o inglês de entrevistas em tcheco, polonês ou alemão
Esses idiomas são classificados como "leading" para transcrição e tradução nos dois sentidos. Gravações de uma hora cabem em uma única requisição; nomes e lugares ainda precisam ser conferidos por amostragem contra o áudio, como a NVIDIA recomenda.
Antes de decidir
- Configuração
- Hospedado: uma chamada no estilo OpenAI à DeepInfra ou ao OpenRouter (nvidia/nemotron-3.5-transcribe). Self-hosting: vLLM 0.32.0 com o plugin NeMo Speech em uma H100 80GB, ou SGLang-Omni 0.2.0; o Transformers funciona a partir do código-fonte.
- Integrações
- vLLM, SGLang-Omni, Hugging Face Transformers, GGML em RTX 5090 e RTX PRO 6000, NeMo Speech para fine-tuning; hospedado na DeepInfra, Baseten e Simplismart.
- Dados e privacidade
- A OpenMDW-1.1 permite uso comercial. A NVIDIA diz que nenhuma interação de usuários com produtos implantados foi usada no treino. A DeepInfra diz que não guarda áudio nem transcrições depois de uma requisição.
- Custo em escala
- 1.000 horas de áudio custam $120 na DeepInfra, que cobra cada minuto, incluindo silêncio. O self-hosting exige uma H100 de 80GB (BF16) ou uma L40S de 48GB (FP8).
- Limites
- Até uma hora e 65.536 tokens por requisição, até oito falantes; só offline; perguntas sobre áudio testadas só em inglês; o card observa que não há garantia de generalização além do limite de uma hora usado no treino.
O que é bom
- Empatado em primeiro entre os modelos abertos na Artificial Analysis com 2,8% de AA-WER, com cerca de 4B parâmetros ativos
- Identificação de falantes, timestamps de palavras, tradução e dicas de vocabulário em um único checkpoint
- $0,002 por minuto de áudio na DeepInfra
- Licença OpenMDW-1.1 e receitas de fine-tuning publicadas no NeMo Speech
O que não é
- Só offline; sem resultados parciais em streaming
- Identificação de falantes em 13 idiomas, tradução em 31
- O caminho de serving mais rápido é só NIM por enquanto; o vLLM aberto tem cerca de metade da velocidade
- Os pesos BF16 precisam de uma GPU de 80GB
Ideal para
Equipes que transcrevem em volume chamadas gravadas, reuniões ou mídia e querem identificação de falantes e vocabulário de domínio sem costurar vários modelos.
Alternativas ao NVIDIA Nemotron 3.5 Transcribe
NVIDIA Nemotron 3.5 Transcribe: perguntas frequentes
- NVIDIA Nemotron 3.5 Transcribe vale a pena?
- Um modelo de fala aberto que iguala os melhores rivais abertos em precisão e reúne diarização, tradução e vocabulário personalizado em um único prompt, por $0,12 a hora na versão hospedada. Damos nota 4.5 de 5.
- Quanto custa NVIDIA Nemotron 3.5 Transcribe?
- Pesos abertos sob OpenMDW-1.1. DeepInfra: $0,002 por minuto de áudio ($0,12 por hora); o OpenRouter encaminha para a DeepInfra por cerca da mesma tarifa.
- Quais são as desvantagens de NVIDIA Nemotron 3.5 Transcribe?
- Só offline; sem resultados parciais em streaming; identificação de falantes em 13 idiomas, tradução em 31; o caminho de serving mais rápido é só NIM por enquanto; o vLLM aberto tem cerca de metade da velocidade; os pesos BF16 precisam de uma GPU de 80GB.
- Para quem NVIDIA Nemotron 3.5 Transcribe é indicado?
- Equipes que transcrevem em volume chamadas gravadas, reuniões ou mídia e querem identificação de falantes e vocabulário de domínio sem costurar vários modelos.
- Quanto custa NVIDIA Nemotron 3.5 Transcribe para uma equipe ou em produção?
- 1.000 horas de áudio custam $120 na DeepInfra, que cobra cada minuto, incluindo silêncio. O self-hosting exige uma H100 de 80GB (BF16) ou uma L40S de 48GB (FP8).
- NVIDIA Nemotron 3.5 Transcribe é seguro para dados da empresa?
- A OpenMDW-1.1 permite uso comercial. A NVIDIA diz que nenhuma interação de usuários com produtos implantados foi usada no treino. A DeepInfra diz que não guarda áudio nem transcrições depois de uma requisição.
- Quais são as melhores alternativas ao NVIDIA Nemotron 3.5 Transcribe?
- As alternativas mais próximas que analisamos são Voxtral 3 (Transcribe and TTS), Parakeet TDT 0.6B v3, Whisper large-v3-turbo e MOSS-Transcribe-Diarize 0.9B.
Respostas verificadas em 31 de out. de 2026.