NVIDIA lança Nemotron 3.5 Transcribe e Granary v2

A NVIDIA liberou Nemotron 3.5 Transcribe e Granary v2, dois modelos multilíngues de transcrição feitos para dar aos desenvolvedores mais controle sobre fluxos de fala para texto. Os modelos podem ser guiados por prompts, ou seja, o usuário pode fornecer contexto, terminologia ou instruções de formatação em vez de depender apenas de uma transcrição genérica. Essa é uma mudança relevante para aplicações em que a precisão depende de conhecimento de domínio, como direito, medicina, áreas técnicas ou gravações de atendimento multilíngue. A transcrição com prompts pode ajudar o modelo a lidar com nomes, siglas, termos de produto e estilos de saída preferidos. Por exemplo, um time que trabalha com áudio especializado pode informar que tipo de conteúdo esperar ou como um transcrito deve ser estruturado. O objetivo não é só converter palavra por palavra, mas gerar um texto mais útil para tradução, busca, sumarização ou análise posteriores. A NVIDIA diz que o lançamento busca melhorar precisão e controle entre idiomas para desenvolvedores que criam aplicações de transcrição, tradução e análise de áudio. Granary v2 e Nemotron 3.5 Transcribe ampliam um ecossistema crescente de modelos de fala abertos e acessíveis. Isso importa porque muitos times querem ajustar, hospedar por conta própria ou integrar a transcrição aos próprios pipelines, em vez de depender totalmente de APIs fechadas. Ao mesmo tempo, sistemas guiados por prompt trazem novas questões de avaliação: os times precisam verificar se os prompts melhoram a consistência, como os modelos lidam com sotaques e áudio ruidoso e se o desempenho se mantém entre idiomas. A oportunidade prática está em fluxos especializados. Uma transcrição genérica muitas vezes é só o ponto de partida; o valor real aparece quando a saída é limpa, terminologicamente correta e fácil de processar automaticamente. A atualização da NVIDIA sinaliza que a competição em IA de fala está caminhando para controlabilidade e adequação ao domínio, não apenas para precisão bruta de transcrição. Desenvolvedores vão querer testar os modelos com seus próprios áudios antes de decidir onde eles encaixam.