A Nvidia lançou o Nemotron 3.5 Transcribe, um modelo de transcrição de áudio com pesos abertos que cobre 40 idiomas, entre eles o português do Brasil. Para quem grava chamadas de atendimento e reuniões comerciais, a novidade reduz a dependência de serviços de transcrição pagos por minuto.
Segundo o TechCrunch, o modelo foi apresentado em 28 de outubro de 2026, junto com a versão 2 do Granary, conjunto de dados de fala aberto da empresa. Os detalhes técnicos, inclusive licença e benchmarks, estão na ficha técnica do modelo no Hugging Face.
Neste artigo: o que o modelo faz, o que a ficha técnica informa sobre português, licença e hardware, as divergências que encontramos entre as fontes e como transcrição entra em um fluxo de atendimento e CRM. Os números de desempenho são divulgados pela própria Nvidia.
O que é o Nemotron 3.5 Transcribe
É um modelo de reconhecimento automático de fala (ASR, na sigla em inglês) que converte gravações em texto. A reportagem do TechCrunch o descreve como gratuito, de pesos abertos, capaz de transcrever até 40 idiomas e de traduzir 31 idiomas de e para o inglês. Ele processa gravações de até uma hora e funciona com áudio gravado, não com transmissão ao vivo.
A Nvidia também afirma que o modelo supera concorrentes em benchmarks, incluindo o Open ASR Leaderboard da Hugging Face. A ficha técnica traz os números, resumidos no quadro a seguir.
Nemotron 3.5 Transcribe em 4 números
Dados da ficha técnica do modelo, divulgados pela Nvidia.
Taxa de erro de palavras (WER, word error rate) é o percentual de palavras transcritas de forma incorreta: quanto menor, melhor. O valor multifalante usa uma variante (cpWER) que também considera a atribuição de cada trecho ao falante correto. O dado de português é uma média do idioma no leaderboard, não o resultado em ligações de atendimento brasileiras, que têm ruído, gírias e sobreposição de vozes.
Licença, português e hardware
A ficha técnica informa licença OpenMDW-1.1 e diz que o modelo está pronto para uso comercial ou não comercial, cabendo ao usuário cumprir a licença e as de terceiros. O português aparece nas variantes de Portugal e do Brasil, com qualidade classificada como “Leading” nas tarefas de transcrição, tradução, multifalante e troca de idioma na mesma fala. Compreensão de áudio e instruções faladas foram avaliadas apenas em inglês.
| Característica | Dado informado | Implicação prática (Analytikos) |
|---|---|---|
| Licença | OpenMDW-1.1, uso comercial permitido | Jurídico deve ler os termos antes de produção |
| Português | Portugal e Brasil, qualidade “Leading” | Testar com áudio real de atendimento antes de decidir |
| Tamanho | 34 bilhões de parâmetros, cerca de 4,3 bilhões ativos | Exige GPU: referência de uma H100 de 80 GB |
| Modo de uso | Offline, até 1 hora por gravação | Serve para análise pós-chamada, não para legenda ao vivo |
| Falantes | Marcação de falantes na gravação | Útil para separar atendente e cliente |
Divergências entre as fontes
Duas diferenças merecem checagem antes de qualquer projeto. A reportagem do TechCrunch fala em 30 bilhões de parâmetros, e o nome do modelo carrega “30B”, mas a ficha técnica informa 34 bilhões no total, com cerca de 4,3 bilhões ativos. Além disso, a reportagem diz que o modelo diferencia até oito falantes, enquanto a ficha lista rótulos de falante de 0 a 3 no trecho que consultamos. Há mais conteúdo na ficha que não lemos por inteiro, então a conferência com a documentação completa é indispensável.
A ficha informa, como configuração de referência, uma GPU H100 de 80 GB com vLLM 0.32.0 e NeMo Speech, nas precisões BF16, FP8 e NVFP4, e lista outras placas, como A100, L40S e RTX 5090. Os resultados de comparação com concorrentes podem ser acompanhados no Open ASR Leaderboard.
Onde a transcrição entra no atendimento e no CRM
O ganho prático de uma transcrição precisa e barata é transformar conversa em dado: motivos de contato, objeções de venda, promessas feitas ao cliente. Isso alimenta o CRM com contexto que hoje fica preso em áudio. É o tipo de base que sustenta agentes de voz com IA e a qualidade do handoff de IA para humano.

Piloto de transcrição em 5 passos
Sugestão da Analytikos para times de atendimento e vendas.
Gravações de clientes são dados pessoais. Antes de transcrever em escala, defina base legal, aviso e prazo de retenção. Para o desenho de um projeto de IA do diagnóstico ao piloto, veja como implementar IA na empresa, e para o custo recorrente de rodar modelos, custo de IA.
Limites
O modelo não faz transcrição ao vivo, e os benchmarks são divulgados pela Nvidia. O TechCrunch também cita outros lançamentos recentes de voz, como o Voxtral 3 da Mistral, o Realtime da ElevenLabs e o Launa-Omni da Salesforce, o que indica um mercado em movimento: compare alternativas com a mesma amostra de áudio antes de decidir.
Perguntas frequentes
O Nemotron 3.5 Transcribe transcreve em português do Brasil?
Sim, segundo a ficha técnica: o português aparece nas variantes de Portugal e do Brasil, com qualidade classificada como “Leading”. Teste com áudio real do seu atendimento, porque o benchmark não reproduz ruído de chamadas.
O modelo pode ser usado comercialmente?
A ficha técnica informa a licença OpenMDW-1.1 e diz que o modelo está pronto para uso comercial ou não comercial. Leia os termos completos e as licenças de terceiros antes de usar em produção.
Ele funciona em tempo real?
Não. Segundo a ficha técnica e o TechCrunch, o modelo trabalha com gravações de até uma hora, não com transmissão ao vivo.
O que significa WER?
É a taxa de erro de palavras, o percentual de palavras transcritas incorretamente. Quanto menor, melhor. O valor de 4,06% para português é uma média do leaderboard, não o resultado em chamadas reais.
É seguro transcrever chamadas de clientes?
Gravações contêm dados pessoais. É preciso definir base legal, avisar o cliente e limitar o prazo de retenção, conforme a LGPD. Consulte o jurídico da empresa.



