NVIDIA lança tecnologia Nemotron 3

NVIDIA lança tecnologia Nemotron 3, que identifica até 8 falantes simultaneamente. O modelo é classificado como #1 no Diarization-Bench da Voice Arena. Preço no Brasil não foi confirmado

NVIDIA lança a tecnologia Nemotron 3 Diarization, um modelo de 100M parâmetros que identifica até 8 falantes simultaneamente. A tecnologia é classificada como #1 no Diarization-Bench da Voice Arena, com 14,72% de DER. O modelo suporta latência ajustável e sobreposição de voz, permitindo que a desdiarização aconteça em tempo real. Ele foi treinado com dados de David AI e oferece timestamps de falantes, facilitando a integração com sistemas de reconhecimento de fala. O modelo está disponível no Hugging Face e está alinhado com tendências de inteligência artificial e processamento de linguagem natural.

NVIDIA lança tecnologia Nemotron 3 para identificação de múltiplos falantes — Imagem: Divulgação/huggingface.co

O modelo também pode ser integrado a ASR para transcrições atribuídas a falantes, garantindo que cada participante seja corretamente identificado. A tecnologia suporta latência ajustável, permitindo flexibilidade em diferentes cenários de uso. A capacidade de oferecer timestamps de falantes ajuda a atribuir transcrições corretamente, facilitando a análise de conteúdo. O suporte a ASR torna o sistema mais versátil, integrando-se a ferramentas de reconhecimento de voz.

Disponível no Hugging Face, o modelo pode ser adaptado por desenvolvedores. A tecnologia também foi treinada com dados de David AI, o que aumenta sua precisão em contextos reais. Essa flexibilidade é útil em ambientes dinâmicos, onde a precisão precisa se adaptar ao ritmo das interações. A versão anterior, Nemotron 2, já permitia identificar múltiplos falantes, mas com limitações em desempenho e escalabilidade.

A NVIDIA, que já lidera em inovações de inteligência artificial, reforça sua posição com essa atualização. A tecnologia está integrada a soluções como o TensorRT, que permite distribuir cargas de processamento entre múltiplos GPUs. Isso abre espaço para aplicações em conferências, reuniões e sistemas de transcrição automatizada. A latência ajustável e suporte à sobreposição de voz permitem operações em tempo real em cenários dinâmicos, como reuniões ou gravações de podcasts. Isso abre espaço para aplicações mais complexas, como transcrições de eventos multilíngues ou gravações de debates.

O modelo está disponível no Hugging Face, pronto para integração com sistemas de reconhecimento de voz. O modelo foi treinado com dados de David AI, o que amplia sua eficácia em ambientes com múltiplos participantes.