Nvidia publica conjunto "Nemotron Halloween" de modelos abertos de voz e visão
A Nvidia publicou, a 30 de outubro de 2026, na Hugging Face, um conjunto de modelos abertos sob o nome "nemotron-halloween", combinando diálogo, reconhecimento de fala, visão e síntese de voz num agente conversacional de demonstração.
O pacote inclui o Nemotron 3.5 Bolt E4B, um modelo de diálogo pequeno (8 mil milhões de parâmetros, com versão quantizada a 4 bits de cerca de 4 GB) pensado para agentes conversacionais locais; o Nemotron Speech ASR em streaming para inglês (0,6 mil milhões de parâmetros); o Nemotron 3 Nano Omni, um modelo de visão-linguagem de 33 mil milhões de parâmetros capaz de descrever imagens de câmara; e o Magpie TTS Zeroshot, que clona uma voz a partir de uma amostra de referência de 3 a 10 segundos por emoção. Os modelos são combinados num pipeline aberto, o Nvidia Nemotron Voice Agent, disponível no GitHub da Nvidia-AI-Blueprints.
A equipa autora testou o sistema completo numa única estação de trabalho com GPUs Nvidia RTX PRO Blackwell, obtendo tempos medianos de resposta entre 0,72 e 1,70 segundos entre o fim da fala do utilizador e o início do áudio de resposta. A publicação não indica licenças formais para todos os componentes nem apresenta valores de referência (benchmarks) formais, servindo essencialmente como demonstração técnica e caso de uso para a pilha de modelos abertos da Nvidia.
Fontes
- Hugging Face Blog — Nvidia Nemotron Halloween huggingface.co
Resumo editorial em português feito com apoio de inteligência artificial a partir das fontes indicadas. Como fazemos o Boletim IA.