INTELIGÊNCIA ARTIFICIAL. PENSAMENTO CRÍTICO.Acompanhe por RSS
AnálisesANÁLISE COM FONTES

Nemotron 3.5 Transcribe ou LFM3-Audio: o que avaliar para aplicações em português?

Compare transcrição de gravações e interação por voz, estágios de implantação e verificações necessárias antes de usar os modelos em português brasileiro.

EM POUCAS LINHAS

  • O Nemotron é voltado à transcrição e análise de áudio gravado, não à transmissão ao vivo.
  • O LFM3-Audio-2B também recebe texto e pode produzir respostas faladas.
  • A NVIDIA anuncia vLLM para o checkpoint disponível; NeMo-Speech.cpp e versões quantizadas ainda estão previstos.
  • As contagens de idiomas não demonstram cobertura uniforme das tarefas em português brasileiro.

Os dois modelos lidam com áudio, mas a escolha começa pela saída desejada: extrair e organizar informações de gravações ou conversar por voz e gerar fala. Para uma aplicação em português brasileiro, a quantidade de idiomas anunciada não resolve a decisão. É preciso verificar quais tarefas estão cobertas, como o sistema poderá ser executado e o que acontece com o áudio real da aplicação. Os textos consultados da NVIDIA e da Liquid AI não oferecem um teste comparativo direto dos modelos em português brasileiro; esta é uma comparação de finalidades declaradas, não de desempenho medido.

O que foi anunciado — e o que está disponível

A NVIDIA publicou em 28 de outubro de 2026 a apresentação do Nemotron 3.5 Transcribe, descrito como modelo de pesos abertos com checkpoint disponível no Hugging Face e no ModelScope. O anúncio também apresenta o conjunto de dados e o processo de curadoria Granary v2, além de caminhos para adaptação. A disponibilidade declarada do checkpoint não equivale a serviço contratado, hardware disponível ou condições de operação verificadas no Brasil.

A Liquid AI publicou em 27 de outubro de 2026 a apresentação da família LFM3; o LFM3-Audio-2B é seu modelo para tarefas de áudio. O artigo mostra um exemplo de carregamento pelo Hugging Face Hub e uso com Transformers. Esse exemplo de integração não demonstra que o modelo atenderá à latência ou à qualidade exigidas em determinado equipamento.

Essas são datas de publicação dos anúncios, não de um estudo comparativo. A NVIDIA relata resultados de avaliações em contextos específicos, enquanto a Liquid AI apresenta capacidades de sua família. Não há base, nesses dados, para montar um placar entre as duas opções para o público brasileiro.

Quando a transcrição de gravações é o centro do projeto

A NVIDIA descreve o Nemotron 3.5 Transcribe como um checkpoint para transcrever, atribuir trechos a falantes, traduzir e responder perguntas sobre áudio. Segundo a empresa, ele transcreve 40 idiomas, traduz 31 deles de ou para o inglês e atribui falas em 13; as contagens variam conforme a tarefa. O anúncio declara suporte a gravações de até uma hora e identificação de até oito falantes. A empresa ressalva que o modelo foi concebido para áudio gravado, não para transmissão ao vivo.

Considere-o como candidato, por exemplo, em um projeto hipotético que precise produzir o texto de entrevistas gravadas, distinguir quem falou e aplicar convenções de escrita. Isso não descreve uma implantação comprovada no Brasil. Instruções em linguagem natural podem especificar o formato da transcrição e sugerir termos do domínio, conforme os exemplos da NVIDIA, mas não tornam a saída automaticamente fiel ao áudio. A própria NVIDIA recomenda conferir nomes, mudanças de falante e respostas contra a gravação.

A NVIDIA também apresenta Granary v2 e ferramentas NeMo Speech como caminhos para adaptar o reconhecimento. O estudo de caso de ajuste descrito no anúncio usa fala médica indiana e avalia o resultado em falantes separados daqueles usados para selecionar o ajuste. Ele não mede ganhos com gravações brasileiras. Antes de aproveitar dados de terceiros nesse processo, é necessário conferir as condições de uso de cada corpus; a publicação da NVIDIA indica que o áudio de origem deve ser obtido separadamente, sob a licença original de cada conjunto.

Quando a aplicação precisa ouvir e também falar

A Liquid AI apresenta o LFM3-Audio-2B para conversa por voz, reconhecimento, síntese de fala e tradução, com cobertura declarada de 18 idiomas. Segundo o anúncio, o modelo recebe texto ou áudio e devolve texto, fala ou ambos; também pode transformar solicitações faladas em chamadas de ferramentas. Isso o torna um candidato a investigar quando responder oralmente faz parte do produto, em vez de somente registrar uma gravação.

Em um assistente hipotético de atendimento, reconhecer corretamente o pedido seria apenas uma etapa: também importariam o conteúdo da resposta, a pronúncia e o comportamento antes de acionar ferramentas. O artigo da Liquid AI mostra uma pergunta em áudio com resposta em texto e fala e remete à ficha do modelo para reconhecimento de fala ao vivo. O exemplo não comprova qualidade dessas funções para usuários brasileiros.

Os estágios de implantação descritos diferem. Segundo a NVIDIA, o checkpoint disponível pode ser servido com vLLM agora; a execução local com NeMo-Speech.cpp ainda está prevista, junto das futuras versões quantizadas. A empresa associa a implantação em uma única GPU NVIDIA a essas versões quantizadas futuras. O resultado de desempenho em uma GPU relatado no anúncio também usa uma versão quantizada que, segundo a empresa, ainda será disponibilizada; não deve ser tomado como medição do checkpoint atualmente oferecido. A Liquid AI informa execução em Transformers e apresenta as dependências de áudio para carregar o LFM3-Audio-2B. Nenhuma dessas instruções estabelece memória, custo ou latência na infraestrutura do leitor. É preciso dimensionar a solução para o volume de áudio, o equipamento disponível e a necessidade — ou não — de resposta em tempo real.

O que conferir para português brasileiro antes de escolher

Não trate as contagens de idiomas como notas de desempenho. A NVIDIA adverte que o suporte varia por tarefa, informa que perguntas sobre áudio foram treinadas em inglês e remete à matriz de tarefas por idioma na ficha do modelo. A Liquid AI declara cobertura de 18 idiomas, mas a seção de áudio consultada não enumera quais são eles nem detalha cobertura por tarefa e variedade do português. Essas informações, assim como as licenças dos modelos, preços e condições de oferta no Brasil, permanecem pendentes de conferência nas respectivas fichas e termos.

Uma avaliação para o produto deve usar gravações autorizadas e representativas: fala espontânea, sotaques, nomes próprios, vocabulário específico, ruído e sobreposição de vozes, quando pertinentes. Para transcrição, compare saídas com referências revisadas e examine erros que mudem o sentido ou atribuam falas à pessoa errada. Se houver resposta falada, avalie também inteligibilidade, pronúncia, conteúdo e ações propostas; para tradução, defina antes o idioma de destino. Esses são critérios para um teste futuro, não resultados obtidos aqui.

Assim, priorize investigar o Nemotron se o objetivo principal for extrair texto e estrutura de gravações. Investigue o LFM3-Audio-2B se gerar fala e interagir por voz forem partes necessárias da aplicação. Para ampliar as alternativas, consulte a análise do acervo sobre Granite Speech 5.0 e Voxtral 3. A decisão final ainda depende de verificar suporte e condições de uso e comparar saídas nos mesmos áudios representativos do projeto.

Fontes e referências

  1. NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapthuggingface.co · Consultado em 28/10/2026
  2. Build specialized multimodal models with LFM3huggingface.co · Consultado em 28/10/2026
Transparência editorial. Este texto foi pesquisado, redigido e revisado com agentes de IA. A revisão automatizada confere fontes, consistência e clareza; não equivale a uma auditoria humana independente. Resultados de terceiros são identificados. Conheça a política editorial.
Compartilhar no WhatsAppSugerir correção