Interfaze lança modelo ASR aberto baseado em difusão para seis idiomas

Em 2 de julho de 2026, a Interfaze publicou em acesso aberto o diffusion-gemma-asr-small, um modelo multilíngue de reconhecimento automático de fala que transcreve áudio por difusão, e não por autorregressão. O adaptador, de cerca de 42 milhões de parâmetros, se conecta aos pesos congelados do DiffusionGemma, do Google, e cobre seis idiomas sem se dividir em ramos específicos para cada um.

Como funciona o reconhecimento de fala por difusão?

A maioria dos sistemas ASR públicos é autorregressiva: o modelo gera a transcrição de forma sequencial, token por token, e o tempo de execução cresce em proporção à duração da gravação. Whisper, da OpenAI, MMS e Seamless, da Meta, e Distil-Whisper funcionam assim.

O diffusion-gemma-asr-small é diferente. Ele se baseia no DiffusionGemma, um modelo de linguagem do Google treinado por difusão: em vez de gerar texto em sequência, reconstrói o texto em paralelo a partir de um estado ruidoso, em vários passos de remoção de ruído. A Interfaze adicionou um adaptador de áudio a essa base. Ele ensina o modelo a associar o sinal sonoro ao texto correto, enquanto os pesos do DiffusionGemma continuam congelados e não são atualizados durante o treinamento do adaptador.

A consequência prática: o custo computacional da transcrição é definido pelo número de passos de denoising escolhido, não pela duração do áudio. O desenvolvedor decide o equilíbrio entre velocidade e qualidade: mais passos significam maior precisão, mas também mais tempo.

O que há dentro do modelo?

• Data de lançamento em acesso aberto: 2 de julho de 2026
• Tamanho do adaptador de áudio: cerca de 42 milhões de parâmetros
• Modelo base: DiffusionGemma, do Google (pesos congelados, não atualizados)
• Idiomas suportados: seis (a lista não foi divulgada no anúncio)
• O custo de inferência depende do número de passos de remoção de ruído, não da duração da gravação

Um único adaptador para seis idiomas é a aposta arquitetural central. A maioria dos modelos multilíngues usa cabeças específicas por idioma ou um checkpoint separado para cada um. Aqui, o DiffusionGemma já contém representações textuais multilíngues, e o adaptador só precisa ensiná-lo a aceitar áudio, sem duplicar pesos por idioma.

Para comparar: a versão completa do Whisper large-v3, da OpenAI, tem 1,5 bilhão de parâmetros, então o adaptador da Interfaze é cerca de 35 vezes mais compacto em pesos treináveis.

O que isso significa para desenvolvedores de ASR?

A abordagem por difusão é rara no reconhecimento de fala público. A maioria dos sistemas ASR abertos usa autorregressão ou decodificação CTC. O diffusion-gemma-asr-small é o primeiro exemplo público de reaproveitamento de um modelo de linguagem de difusão como backend de ASR por meio de um adaptador mínimo.

Para a comunidade de pesquisa, é uma prova de conceito e um ponto de partida: os pesos abertos permitem estudar a arquitetura e tentar adaptá-la a tarefas próximas, como ASR multilíngue, code-switching e reconhecimento de fala com sotaque.

Para uso prático, faltam dados que o anúncio não revela: os idiomas específicos, a precisão em benchmarks padrão (WER em LibriSpeech, Common Voice, Fleurs) e a velocidade real de inferência em comparação com o Whisper. Sem esses números, ainda é difícil avaliar a competitividade do modelo em produção.

O que isso significa

A Interfaze abriu uma direção praticamente inexplorada: ASR por difusão que ajusta apenas um adaptador leve sobre um modelo de linguagem pronto. Se a abordagem confirmar qualidade competitiva nos benchmarks, oferecerá uma alternativa interessante aos sistemas autorregressivos: latência previsível, qualidade ajustável pelo número de passos e um orçamento de pesos compacto.

*A Meta foi reconhecida como organização extremista e é proibida na Rússia.