Transcrever uma reunião não basta: é preciso medir quem disse o quê

A NVIDIA apresentou o Nemotron 3.5 Transcribe, um checkpoint de pesos abertos que reúne transcrição, identificação de falantes, tradução e perguntas sobre áudio.[7] O suporte anunciado varia por tarefa: 40 idiomas para transcrição, 31 para tradução de ou para inglês e 13 para atribuição de falantes.[7]

O ponto de engenharia é não tratar todas essas saídas como um único problema resolvido. Um texto pode parecer correto e ainda atribuir uma decisão à pessoa errada. Para uma aplicação de reuniões, esse erro merece avaliação própria.

O que muda para quem desenvolve

O modelo aceita gravações de até uma hora, até oito falantes e timestamps por palavra; foi projetado para áudio gravado, não transmissão em tempo real.[7] A tarefa de perguntas sobre áudio foi treinada em inglês.[7] Portanto, suporte multilíngue de transcrição não deve virar promessa automática sobre perguntas e respostas em português.

O anúncio permite orientar a saída por linguagem natural e recomenda tentar contexto e um bom prompt antes de partir para treinamento.[7] Minha sugestão é separar transcrição, identificação de participantes e síntese de decisões em etapas avaliáveis. Assim, uma falha na síntese não fica escondida dentro de uma impressão geral sobre a qualidade do texto.

Como aplicar

Comece com gravações autorizadas e um conjunto de referência revisado por uma pessoa. Inclua variações de ruído, sobreposição de vozes e termos técnicos relevantes para o produto. Reserve parte do material para avaliação final, sem usá-la para escolher prompts.

Compare uma transcrição sem contexto com outra que receba uma lista curta de nomes e termos esperados. Registre substituições, omissões e inserções, mas conte separadamente erros em entidades críticas e trocas de falante.

Para perguntas sobre decisões, exija que a aplicação apresente o trecho de áudio associado à resposta. Quando não houver suporte claro, prefira uma indicação de incerteza a uma ata preenchida por inferência.

Meça também tempo de processamento e recursos consumidos com arquivos do tamanho esperado em produção. Uma demonstração com clipes curtos não substitui esse ensaio.

Cuidados e limites

A vazão divulgada de 100 horas em menos de três minutos usou uma RTX PRO 6000 Blackwell Server Edition, clipes de 30 segundos, alta concorrência e uma versão NVFP4 ainda futura.[7] Esse resultado não descreve a latência de uma reunião longa em uma GPU doméstica.

O Granary v2 publica manifestos de dados, mas os áudios devem ser obtidos nas fontes e continuam sujeitos às licenças originais.[7] Pesos abertos e manifestos públicos não dispensam a revisão das condições de uso.

Há ainda um custo de produto a decidir: consentimento, retenção do áudio e revisão de conteúdo sensível. Minha recomendação é vender primeiro uma transcrição verificável, não uma promessa de memória perfeita das reuniões.

Fonte

[7] Fonte: Hugging Face Blog / NVIDIA