Reson8 abre modelo de fala 60 vezes menor que o da NVIDIA: 7,86% de erros em palavras contra 7,78%
Transcrever ligações costuma exigir uma API de nuvem paga ou um modelo pesado rodando em uma GPU cara. A startup Reson8, de Amsterdã, abriu sob a licença Apache 2.0 o Rumble-2-Flash, modelo de 0,5 bilhão de parâmetros para mais de 40 idiomas. No teste da AppTek, com 302 horas de ligações de call center, ele erra 7,86% das palavras. O Nemotron 3.5 Transcribe, da NVIDIA, com 30 bilhões de parâmetros, erra 7,78%. Os números foram divulgados pelo próprio desenvolvedor, então vale rodar o modelo em 5–10 horas das suas próprias gravações.
Processado por IA de X: @curratedbrief; editado por Hamidun News
Imagine que você precise transformar em texto milhares de horas de ligações para o suporte ao cliente. Em geral, há dois caminhos: pagar a um serviço de nuvem por cada minuto de gravação ou manter por conta própria um modelo pesado em uma GPU cara. A startup Reson8, de Amsterdã, propõe uma terceira opção: o Rumble-2-Flash, um modelo compacto e aberto de reconhecimento de fala. Ele tem 0,5 bilhão de parâmetros e, em um teste com gravações de call center, erra 7,86% das palavras. Para comparação, o Nemotron 3.5 Transcribe, da NVIDIA, com 30 bilhões de parâmetros, erra 7,78%. A diferença é de 0,08 ponto percentual, e os tamanhos diferem em 60 vezes.
O que exatamente foi lançado
O Rumble-2-Flash é um modelo de speech-to-text, ou seja, de conversão de fala em texto. Ele aceita mais de 40 idiomas e é distribuído sob a licença Apache 2.0. Para quem vai colocar o modelo em produção, esse detalhe importa: a licença permite usá-lo em produtos comerciais, fazer fine-tuning e embuti-lo em serviços fechados. Não é preciso abrir o código próprio, nem negociar acordos específicos com o autor.
A Reson8 mediu a qualidade no benchmark da AppTek. São 302 horas de gravações de conversas em call centers, com ruído, interrupções e fala espontânea, e não leitura limpa feita em estúdio. A métrica se chama WER (word error rate) e indica a proporção de palavras reconhecidas incorretamente. Com WER de 7,86%, a cada 100 palavras ditas o modelo erra, em média, cerca de oito.
Por que a comparação com a NVIDIA chama atenção
No mesmo teste, o Nemotron 3.5 Transcribe, da NVIDIA, tem WER de 7,78%. Na prática, a diferença quase não aparece: em 10 000 palavras, são cerca de 8 palavras. Ainda assim, o Rumble-2-Flash tem 60 vezes menos parâmetros.
Uma analogia do dia a dia: um carro compacto de cidade chega ao mesmo destino quase no mesmo tempo que um caminhão com motor enorme, gastando bem menos combustível. Um modelo menor costuma exigir menos memória, rodar mais rápido e caber em hardware mais barato. Quando se processam milhares de horas de ligações por dia, isso pode mudar bastante a conta de infraestrutura. Porém, o comunicado original não traz dados de velocidade, consumo de memória nem custo, então a economia terá de ser calculada por conta própria.
O que verificar antes de adotar
O resultado foi publicado pelo próprio desenvolvedor, e por ora não há medições independentes. Além disso, trata-se de um único benchmark, com um único tipo de fala. Se o seu produto lida com podcasts, aulas, videochamadas com microfone ruim ou vocabulário especializado, como medicina e direito, os números podem ser diferentes.
Outra ressalva: "mais de 40 idiomas" não significa a mesma qualidade em todos. Nesse tipo de modelo, os idiomas com poucos dados de treinamento costumam ser os mais prejudicados, e um bom resultado em inglês não garante nada para um idioma raro ou um dialeto. Por fim, o WER não leva em conta pontuação, identificação de falantes nem marcações de tempo, e na transcrição de reuniões esses elementos costumam pesar mais que uma palavra errada.
O que fazer na prática
Se você desenvolve uma interface de voz, análise de ligações ou um pipeline de transcrição para RAG, vale incluir o Rumble-2-Flash na lista de testes rápidos. O plano é simples: pegue 5–10 horas das suas gravações reais com transcrição de referência, rode-as por este modelo e pelo que você usa hoje, e calcule o WER nos seus dados. Aproveite para medir também a latência e o consumo de memória no hardware de destino.
Se a qualidade for comparável, o ganho estará no controle. O modelo pode rodar na sua infraestrutura, os dados dos clientes não vão para a nuvem de terceiros e a licença não cria complicações jurídicas. Para startups e equipes com orçamento limitado de GPU, é um argumento forte. Já se as suas gravações forem muito diferentes de ligações de call center, os 7,86% declarados continuam sendo uma referência, e não uma garantia.
- 30 de abr. de 2026Reson8 capta €5 milhões para desenvolver IA de voz europeia com reconhecimento de fala preciso
- 12 de nov. de 2026ElevenLabs Scribe v3 Live ensina agentes de voz a não interromper: 25% menos erros
- 29 de out. de 2026NVIDIA lança Nemotron 3.5 Transcribe: 40 idiomas e 100 horas de áudio em 3 minutos
- 12 de nov. de 2026ElevenLabs Scribe v3: 27% menos erros na transcrição de fala e identificação de falantes em tempo real
Perguntas frequentes sobre a notícia
O que exatamente foi lançado?
O Rumble-2-Flash é um modelo de speech-to-text, ou seja, de conversão de fala em texto. Ele aceita mais de 40 idiomas e é distribuído sob a licença Apache 2.0. Para quem vai colocar o modelo em produção, esse detalhe importa: a licença permite usá-lo em produtos comerciais, fazer fine-tuning e embuti-lo em serviços fechados. Não é preciso abrir o código próprio, nem negociar acordos específicos com o autor. A Reson8 mediu a qualidade no benchmark da AppTek.
Por que a comparação com a NVIDIA chama atenção?
No mesmo teste, o Nemotron 3.5 Transcribe, da NVIDIA, tem WER de 7,78%. Na prática, a diferença quase não aparece: em 10 000 palavras, são cerca de 8 palavras. Ainda assim, o Rumble-2-Flash tem 60 vezes menos parâmetros. Uma analogia do dia a dia: um carro compacto de cidade chega ao mesmo destino quase no mesmo tempo que um caminhão com motor enorme, gastando bem menos combustível. Um modelo menor costuma exigir menos memória, rodar mais rápido e caber em hardware mais barato.
O que verificar antes de adotar?
O resultado foi publicado pelo próprio desenvolvedor, e por ora não há medições independentes. Além disso, trata-se de um único benchmark, com um único tipo de fala. Se o seu produto lida com podcasts, aulas, videochamadas com microfone ruim ou vocabulário especializado, como medicina e direito, os números podem ser diferentes. Outra ressalva: "mais de 40 idiomas" não significa a mesma qualidade em todos.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.