NVIDIA Nemotron 3.5 Transcribe API
nemotron-3.5-transcribeO Nemotron 3.5 Transcribe é o modelo de fala da NVIDIA de pesos abertos, lançado em 28 de outubro de 2026. Ele transforma fala gravada em texto em 40 idiomas e detecta o idioma sozinho; em 31 deles também traduz de ou para o inglês, e consegue identificar até 8 falantes. No APIMODELS ele é um único id de modelo, nemotron-3.5-transcribe (nemotron-3-5-transcribe, nemotron-transcribe e nvidia/nemotron-3-5-transcribe também funcionam), no endpoint de tarefas de áudio, e é o primeiro modelo de fala para texto da plataforma: o resultado é texto, não um arquivo de áudio. Envie audio_url: um arquivo MP3, WAV, M4A, AAC, FLAC, OGG, Opus ou WebM que possa ser baixado publicamente, um vídeo MP4 ou MOV com faixa de áudio, ou um data URI. Cada requisição aceita até 60 minutos e 200 MB. Com timestamps em true, o arquivo de resultado completo traz o tempo de início, o tempo de fim e a identificação do falante para cada palavra (para cada caractere em chinês). Com target_language você recebe uma tradução em vez da transcrição; ela só é confiável quando o inglês está de um dos lados, e não pode ser combinada com timestamps (essa requisição retorna 400). A chamada é assíncrona: você recebe um taskId, consulta GET /v1/audio/generations?task_id= ou passa callback_url, e lê text, duration e transcript_url em resultJson; o arquivo de resultado fica guardado por 30 dias. No nosso próprio teste, uma gravação em inglês de 47 segundos com duas pessoas, com as marcações de tempo ligadas, voltou em cerca de 4 segundos com 143 palavras, cada uma com início, fim e falante. Ele serve para atas de reuniões e entrevistas separadas por falante, legendas montadas com os tempos de cada palavra, análise de chamadas de suporte e de vendas, acervos pesquisáveis de aulas e teleconferências de resultados, conversão de gravações em vários idiomas para texto em inglês e transcrições para busca ou para entregar a um modelo de linguagem; não serve para legendas ao vivo nem para assistentes de voz em tempo real. Limites para considerar: é uma transcrição offline do arquivo inteiro, não streaming em tempo real; falantes com vozes parecidas podem ser unidos em um só; o fim de cada palavra costuma ter precisão de dezenas de milissegundos, enquanto o início pode desviar cerca de meio segundo, o que aparece mais em inglês; transcrever o mesmo áudio duas vezes pode mudar algumas palavras; na saída em chinês, nomes estrangeiros costumam vir transliterados e alguns números são escritos em caracteres chineses; e nem toda tarefa dá certo, por exemplo quando um link não pode ser baixado ou o arquivo não tem áudio decodificável. A cobrança é de $0.0025 por minuto de áudio ($0.15 por hora), proporcional à duração arredondada para cima até o segundo: 10 minutos custam $0.025 e um arquivo completo de 60 minutos, $0.15. Marcações de tempo, identificação de falantes e tradução não têm custo extra. Os valores usam unidades de $0.0001, então qualquer valor menor é cobrado como $0.0001 (áudio de cerca de 2 segundos ou menos). Um arquivo cuja duração não pode ser lida é recusado com 400 sem cobrança, e tarefas com falha não são cobradas.
Transcribe audio to text
MP3, WAV, M4A, AAC, FLAC, OGG, Opus or WebM, or an MP4 / MOV video with an audio track. The API takes up to 60 minutes and 200 MB by URL; uploads here are limited to 10 MB for audio and 100 MB for video.
Adds a start time, an end time and a speaker label for every word to the full result JSON. No extra charge.
Returns a translation instead of a transcript. Dependable only when English is on one side: another language into English, or English into the language you pick. No extra charge.
$0.0025 per minute of audio ($0.15 per hour), prorated by the second. Timestamps, speaker labels and translation are included. Amounts below $0.0001 are billed $0.0001. Failed tasks are not charged.
Calling it from code? See the API docs.
Transcript
The transcript will appear here as text
Fala em texto em 40 idiomas
Transcreve fala gravada e detecta o idioma sozinho, do inglês, mandarim, japonês e coreano ao árabe, hindi, tailandês e vietnamita
Tempos por palavra e falantes
Com timestamps ligado, o arquivo de resultado traz início, fim e falante para cada palavra, com até 8 falantes
Tradução de ou para o inglês
Defina target_language e receba uma tradução em vez da transcrição: 31 idiomas para o inglês, ou do inglês para eles
Até 60 minutos por arquivo
MP3, WAV, M4A, AAC, FLAC, OGG, Opus ou WebM, ou um vídeo MP4 / MOV com faixa de áudio, até 200 MB
Só é cobrado o que dá certo
Tarefas com falha não são cobradas, e um arquivo cuja duração não pode ser lida é recusado com 400 antes de qualquer cobrança
$0.0025 por minuto de áudio
Calculado por segundo: 10 minutos $0.025, 60 minutos $0.15. Marcações de tempo, falantes e tradução sem custo extra
Nemotron 3.5 Transcribe API: speech to text in 40 languages, with timestamps and speakers
Nemotron 3.5 Transcribe is NVIDIA's open-weight speech model, released on 28 October 2026: it takes a recorded audio or video file of up to 60 minutes and returns the transcript as text, in 40 languages with automatic language detection.
On APIMODELS the Nemotron 3.5 Transcribe API is a single model id, nemotron-3.5-transcribe, on POST /v1/audio/generations. A failed Nemotron 3.5 Transcribe task is not charged; a finished one costs $0.0025 per minute of audio, with word timestamps, speaker labels and translation included.
- Model ID
nemotron-3.5-transcribe- Input
- Audio or video, up to 60 min / 200 MB
- Languages
- 40, detected automatically
- Output
- Text + full result JSON
- Billing
- $0.0025 per minute of audio
What Nemotron 3.5 Transcribe does
A speech-to-text model for recorded files: the transcript, who said it, and when.
Speech to text in 40 languages
Language detected automatically
Nemotron 3.5 Transcribe transcribes English, Mandarin Chinese, Japanese, Korean, the major European languages, Arabic, Hindi, Thai, Vietnamese and more, 40 in all. You do not tell it which language the recording is in.
audio_urlWord-level timestamps
A start and end time for every word
With timestamps on, the full result file lists every word with its start and end time, which is what subtitles, search-in-audio and clip cutting are built from. Chinese comes back character by character.
timestampsSpeaker labels
Up to 8 speakers
The same switch adds a speaker label to every word and a list of who spoke when, so a meeting or an interview reads as a dialogue. Speakers with similar voices can be merged into one.
Translation to or from English
31 languages paired with English
Set a target language and Nemotron 3.5 Transcribe returns a translation instead of a transcript. It is dependable when English is on one side; it cannot be combined with timestamps.
target_languageAudio or video in
Up to 60 minutes, 200 MB
MP3, WAV, M4A, AAC, FLAC, OGG, Opus and WebM audio, or an MP4 or MOV video with an audio track, sent as a public link or a data URI. There is no need to extract the audio first.
Text plus a full result file
text, duration, transcript_url
The task result carries the full text and the audio length; transcript_url points to a JSON file with the words, speakers and segments. The file is kept for 30 days.
What Nemotron 3.5 Transcribe is a good fit for
Six jobs it suits, each with what you send, which switch you set and what comes back, plus the one it does not.
Meeting and interview minutes
Send the recording of a call, a meeting or an interview with timestamps: true. You get the full text, plus a result file in which every word carries a speaker label and diarization lists who spoke when, so the transcript can be laid out speaker by speaker.
timestampsSubtitles for video and podcasts
Send the MP4 or MOV itself, or the episode audio, with timestamps: true. Build SRT or VTT cues yourself from the start and end times in words. Start times can drift by about half a second, so check where each cue begins.
timestampswordsSupport calls and sales recordings
Send long, multi-speaker call recordings with timestamps: true. Speaker labels tell apart up to 8 people, so agent and customer turns can be separated for review, keyword checks and analysis. Voices that sound alike can be merged, so spot-check the labels.
Archives of lectures, courses and earnings calls
Send long recordings one file per request, up to 60 minutes and 200 MB each; cut anything longer into parts. The text makes every recording searchable, at $0.15 per hour of audio.
Multilingual content to or from English
Set target_language to en and a talk in Japanese, German or Spanish comes back as English text; or send English audio and pick one of the 31 other languages. The text field holds the translation. Timestamps are not available on translation requests.
target_languageTranscripts for search and LLM summaries
Send voice notes, recordings or media files without extra options and store the returned text. It can be indexed for search, or passed as plain text to one of the language models on apimodels.app, which the same API key and balance also cover.
Live captions and realtime voice assistants
Nemotron 3.5 Transcribe works offline on a whole recorded file and returns nothing until the task finishes, so it cannot caption a live stream or drive a voice assistant. For a live two-way voice conversation, use Grok Voice 3.0.
How the Nemotron 3.5 Transcribe API works
One required field, two optional switches, and limits that are checked before a task is created.
Transcribe
Send the file to POST /v1/audio/generations with model nemotron-3.5-transcribe. Add timestamps: true when you need word times and speakers.
audio_urlRequired. A publicly downloadable audio or video file, or a data URI; up to 60 minutes and 200 MB.timestampsOptional boolean, false by default. True adds word-level times and speaker labels to the full result file.callback_urlOptional. We POST the finished task here; leave it out and poll the GET endpoint.
Translate
Same endpoint and file field; add target_language and the text comes back in that language. Leave timestamps off.
audio_urlRequired, same rules as above.target_languageOne of 32 codes such as en, zh, ja, ko, fr, de, es. Dependable for another language into English, or English into one of these.
| Nemotron 3.5 Transcribe input | Accepted | If it is out of range |
|---|---|---|
| File format | MP3, WAV, M4A, AAC, FLAC, OGG, Opus, WebM; MP4 or MOV with an audio track | Rejected or the task fails; nothing is charged |
| Length | Up to 60 minutes per request | 400 before a task is created |
| File size | Up to 200 MB | Rejected or the task fails; nothing is charged |
| Readable length | We must be able to measure the audio | 400 before a task is created, no charge |
| timestamps + target_language | One or the other | 400 before a task is created |
| Output | text, duration and transcript_url (full result JSON, kept 30 days) | — |
There is no source-language, prompt or output-format parameter. For SRT or VTT subtitles, request timestamps: true and build the cues from the word times in the result file.
Nemotron 3.5 Transcribe pricing: $0.0025 per minute of audio
One rate, counted on the audio length and prorated by the second.
$0.15
One hour of audio
60 minutes × $0.0025. Word timestamps, speaker labels and translation do not change the price, and failed Nemotron 3.5 Transcribe tasks are not charged.
| Audio length | Nemotron 3.5 Transcribe price |
|---|---|
| 47 s (our test clip) | about $0.002 |
| 1 minute | $0.0025 |
| 10 minutes | $0.025 |
| 30 minutes | $0.075 |
| 60 minutes (maximum per request) | $0.15 |
2-minute voice memo
$0.005
2 min × $0.0025
20-minute podcast segment with speakers
$0.05
20 min × $0.0025, timestamps included
40-minute lecture translated into English
$0.10
40 min × $0.0025, translation included
3-hour workshop, split into three files
$0.45
3 requests × 60 min × $0.0025
How the amount is counted: we read the audio length when the task is created, round it up to the whole second and multiply by the per-minute rate. Amounts are in units of $0.0001, so anything smaller is billed $0.0001 (audio of about 2 seconds or less). If the length cannot be read, the Nemotron 3.5 Transcribe request returns a 400 and nothing is charged.
What we measured with Nemotron 3.5 Transcribe
One run of our own. It is one example, not a promised speed.
Input
47 s of English, two speakers
A short two-person conversation, sent with timestamps: true.
Output
143 words with times and speakers
Every word came back with a start time, an end time and a speaker label, alongside the full text.
Time and price
About 4 seconds, about $0.002
Longer files take longer. Poll every few seconds, or pass callback_url and wait for the result.
Limits of Nemotron 3.5 Transcribe to plan for
What the model does not do, and where its output needs a second look.
Offline only, no realtime streaming
It transcribes a whole recorded file after you submit it. There are no partial results while it runs and no live captioning.
60 minutes and 200 MB per request
Longer recordings have to be split and submitted as separate requests.
Timestamps or translation, not both
Word times and speaker labels exist only for transcripts. A request with timestamps: true and target_language returns a 400.
Similar voices can be merged
Up to 8 speakers are told apart, but two people who sound alike can end up under one label.
Timestamps are approximate
Word end times are usually within tens of milliseconds. Start times can be off by about half a second, more noticeably in English.
Runs are not identical
Transcribing the same audio twice can change a few words. Keep the result you got rather than assuming a rerun will match it.
Chinese names and numbers
In Chinese output, foreign names are often transliterated and some numbers are written as Chinese characters.
Non-English language pairs
Translation is dependable to or from English. Going directly between two other languages is not guaranteed.
How to call the Nemotron 3.5 Transcribe API
From API key to transcript in four steps.
Get an API key
Sign up at apimodels.app and create a key in the console. One key and one USD balance cover Nemotron 3.5 Transcribe and every other model.
Host the recording
Put the audio or video file at a link anyone can download directly. Links behind a login, and temporary links that expire within minutes, make the task fail.
Send the request
POST /v1/audio/generations with model nemotron-3.5-transcribe and audio_url, plus timestamps or target_language if you need them. The response holds a taskId.
Read the transcript
Poll GET /v1/audio/generations?task_id= until the state is completed, or wait for the callback. JSON.parse resultJson once, read text, and fetch transcript_url for the word-level file within 30 days.
curl -X POST https://api.apimodels.app/v1/audio/generations \
-H "Authorization: Bearer YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "nemotron-3.5-transcribe",
"audio_url": "https://example.com/meeting.mp3",
"timestamps": true
}'
# { "code": 200, "msg": "success", "data": { "taskId": "clxxx", "state": "pending", "model": "nemotron-3.5-transcribe" } }
curl "https://api.apimodels.app/v1/audio/generations?task_id=TASK_ID" -H "Authorization: Bearer YOUR_API_KEY"
# data.resultJson (a JSON string): { "text": "...", "duration": 47.2, "transcript_url": "https://r2.apimodels.app/transcripts/clxxx.json" }Why run Nemotron 3.5 Transcribe on apimodels.app
What you can check for yourself, before the price.
Failed tasks are not charged
If a Nemotron 3.5 Transcribe task ends in failed, the charge is returned automatically and the reason is in failMsg.
Bad inputs stop before billing
A missing audio_url, an unreadable file length, a file over 60 minutes, or timestamps combined with translation all return a clear 400 before a task exists.
Async tasks with a callback
Create, then poll the task id or receive the result at callback_url. An hour-long file never holds a connection open.
One API key for every model
The same key and balance call Nemotron 3.5 Transcribe, LLMs, text-to-speech, image and video models, so transcribe-then-summarize needs one integration.
Your own copy of the result file
The full result JSON is stored at transcript_url for 30 days, so you can fetch the word-level data again without re-running the task.
Per-minute pricing, by the second
$0.0025 per minute of audio, measured from your file. Pay as you go, no subscription; the playground shows the estimate before you run it.
Nemotron 3.5 Transcribe vs Whisper-large-v3: word error rate
These are the numbers NVIDIA published in the Nemotron 3.5 Transcribe Technical Report (28 October 2026); they are not our own measurements. The metric is word error rate (WER), the share of words a model gets wrong, so lower is better. NVIDIA takes the baseline figures from the Hugging Face Open ASR Leaderboard.
In the report's English, long-form and multilingual tables, Nemotron 3.5 Transcribe has the lowest average word error rate among the open-weight models listed. It is not first overall: the same report lists commercial systems that score better on long-form and multilingual audio.
| Benchmark | What it covers | Nemotron 3.5 Transcribe | Whisper-large-v3 |
|---|---|---|---|
| Open ASR (average of 9 English test sets) | General English speech | 4.71% | 6.66% |
| Earnings21/22 and CORAAL (average) | Long-form audio | 10.98% | 13.92% |
| AMI | Meeting recordings | 7.81% | 13.63% |
| Average of 7 languages | Multilingual speech | 4.62% | 7.94% |
Source: NVIDIA Nemotron 3.5 Transcribe Technical Report, Table 6 (English), Table 7 (long-form) and Table 9 (multilingual). The 7 languages are German, French, Italian, Spanish, Portuguese, Dutch and Hindi.
For recordings with several speakers, Table 14 of the same report gives cpWER (a word error rate that also counts words assigned to the wrong speaker, lower is better) on whole meeting recordings, macro-averaged over AMI, CALLHOME, Mixer 6 and NOTSOFAR-1: Nemotron 3.5 Transcribe 15.80%, against 16.83% for DiCoW v3.3 + DiariZen-v2.
Sources for Nemotron 3.5 Transcribe
Model facts and benchmark numbers on this page come from NVIDIA's own publications. Prices, limits and the 47-second test are ours.
- NVIDIA Nemotron 3.5 Transcribe Technical Report (28 October 2026) ↗
Word error rates in Tables 6, 7 and 9, and the multi-speaker cpWER in Table 14.
- Nemotron 3.5 Transcribe model card on Hugging Face ↗
Open weights, supported languages and stated limitations.
- NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt (28 October 2026) ↗
NVIDIA's release article on Hugging Face.
- Hugging Face Open ASR Leaderboard ↗
Where the baseline figures in the comparison come from.
Sobre Nemotron 3.5 Transcribe
Nemotron 3.5 Transcribe é uma API de fala para texto da NVIDIA. O Nemotron 3.5 Transcribe é o modelo de fala da NVIDIA de pesos abertos, lançado em 28 de outubro de 2026. Ele transforma fala gravada em texto em 40 idiomas e detecta o idioma sozinho; em 31 deles também traduz de ou para o inglês, e consegue identificar até 8 falantes. No APIMODELS ele é um único id de modelo, nemotron-3.5-transcribe (nemotron-3-5-transcribe, nemotron-transcribe e nvidia/nemotron-3-5-transcribe também funcionam), no endpoint de tarefas de áudio, e é o primeiro modelo de fala para texto da plataforma: o resultado é texto, não um arquivo de áudio. Envie audio_url: um arquivo MP3, WAV, M4A, AAC, FLAC, OGG, Opus ou WebM que possa ser baixado publicamente, um vídeo MP4 ou MOV com faixa de áudio, ou um data URI. Cada requisição aceita até 60 minutos e 200 MB. Com timestamps em true, o arquivo de resultado completo traz o tempo de início, o tempo de fim e a identificação do falante para cada palavra (para cada caractere em chinês). Com target_language você recebe uma tradução em vez da transcrição; ela só é confiável quando o inglês está de um dos lados, e não pode ser combinada com timestamps (essa requisição retorna 400). A chamada é assíncrona: você recebe um taskId, consulta GET /v1/audio/generations?task_id= ou passa callback_url, e lê text, duration e transcript_url em resultJson; o arquivo de resultado fica guardado por 30 dias. No nosso próprio teste, uma gravação em inglês de 47 segundos com duas pessoas, com as marcações de tempo ligadas, voltou em cerca de 4 segundos com 143 palavras, cada uma com início, fim e falante. Ele serve para atas de reuniões e entrevistas separadas por falante, legendas montadas com os tempos de cada palavra, análise de chamadas de suporte e de vendas, acervos pesquisáveis de aulas e teleconferências de resultados, conversão de gravações em vários idiomas para texto em inglês e transcrições para busca ou para entregar a um modelo de linguagem; não serve para legendas ao vivo nem para assistentes de voz em tempo real. Limites para considerar: é uma transcrição offline do arquivo inteiro, não streaming em tempo real; falantes com vozes parecidas podem ser unidos em um só; o fim de cada palavra costuma ter precisão de dezenas de milissegundos, enquanto o início pode desviar cerca de meio segundo, o que aparece mais em inglês; transcrever o mesmo áudio duas vezes pode mudar algumas palavras; na saída em chinês, nomes estrangeiros costumam vir transliterados e alguns números são escritos em caracteres chineses; e nem toda tarefa dá certo, por exemplo quando um link não pode ser baixado ou o arquivo não tem áudio decodificável. A cobrança é de $0.0025 por minuto de áudio ($0.15 por hora), proporcional à duração arredondada para cima até o segundo: 10 minutos custam $0.025 e um arquivo completo de 60 minutos, $0.15. Marcações de tempo, identificação de falantes e tradução não têm custo extra. Os valores usam unidades de $0.0001, então qualquer valor menor é cobrado como $0.0001 (áudio de cerca de 2 segundos ou menos). Um arquivo cuja duração não pode ser lida é recusado com 400 sem cobrança, e tarefas com falha não são cobradas. Pela plataforma APIMODELS, você acessa este modelo por uma API unificada com preços transparentes de pagamento por uso. Preço atual: per minute of audio (billed by the second): $0.0025, 10 minutes: $0.025, 30 minutes: $0.075, 60 minutes (maximum per request): $0.15.
Modelo relacionado: Grok Voice 3.0 — when you need a live two-way voice conversation instead of transcribing a recorded file — realtime speech-to-speech over WebSocket, $0.104/min
Modelo relacionado: AI Dubbing — when you want the recording re-voiced in another language rather than a text translation
Modelo relacionado: Voice Isolator — when the recording is noisy — isolate the voice first, then transcribe the cleaned file
Principais recursos
- Fala em texto em 40 idiomas -- Transcreve fala gravada e detecta o idioma sozinho, do inglês, mandarim, japonês e coreano ao árabe, hindi, tailandês e vietnamita
- Tempos por palavra e falantes -- Com timestamps ligado, o arquivo de resultado traz início, fim e falante para cada palavra, com até 8 falantes
- Tradução de ou para o inglês -- Defina target_language e receba uma tradução em vez da transcrição: 31 idiomas para o inglês, ou do inglês para eles
- Até 60 minutos por arquivo -- MP3, WAV, M4A, AAC, FLAC, OGG, Opus ou WebM, ou um vídeo MP4 / MOV com faixa de áudio, até 200 MB
- Só é cobrado o que dá certo -- Tarefas com falha não são cobradas, e um arquivo cuja duração não pode ser lida é recusado com 400 antes de qualquer cobrança
- $0.0025 por minuto de áudio -- Calculado por segundo: 10 minutos $0.025, 60 minutos $0.15. Marcações de tempo, falantes e tradução sem custo extra
Casos de uso
Locução e narração
Gere locuções de nível profissional para vídeos, animações e anúncios, com vozes variadas.
Produção de podcast
Produza rapidamente o áudio do seu podcast, com suporte a diálogos de vários personagens.
Criação de audiolivros
Converta texto em voz natural e fluida para produzir audiolivros.
Dublagem multilíngue
Dublagem e tradução multilíngue com IA para alcançar audiências globais.
Por que a APIMODELS
- API unificada -- Uma única chave para todos os modelos, sem se cadastrar em várias plataformas
- Preços transparentes -- Pagamento por uso com o preço por chamada publicado em cada página de modelo, ideal para desenvolvedores independentes e startups
- Acesso instantâneo -- Comece logo após o cadastro; pague com cartão, PayPal, Alipay ou USDT
- Documentação completa -- Documentação de API detalhada com exemplos em cURL, Python e Node.js
Perguntas frequentes
Qual a diferença entre a APIMODELS e a API oficial da NVIDIA?
A APIMODELS oferece o mesmo modelo Nemotron 3.5 Transcribe pela nossa plataforma de agregação. Fornecemos uma interface de API unificada, então você não precisa de contas separadas por provedor: uma única chave para acessar todos os modelos.
O que é a API do Nemotron 3.5 Transcribe?
O Nemotron 3.5 Transcribe é o modelo de fala da NVIDIA de pesos abertos, lançado em 28 de outubro de 2026, e a API do Nemotron 3.5 Transcribe transforma um arquivo de áudio ou vídeo gravado em texto. Ele transcreve 40 idiomas e detecta o idioma sozinho, pode incluir marcações de tempo por palavra com identificação de falantes (até 8 pessoas) e traduz entre o inglês e outros 31 idiomas. Na apimodels.app ele é um único id de modelo, nemotron-3.5-transcribe, em POST /v1/audio/generations, a $0.0025 por minuto de áudio; tarefas com falha não são cobradas.
Quais idiomas o Nemotron 3.5 Transcribe suporta? Ele transcreve em português?
Sim, o português está incluído. A transcrição funciona em 40 idiomas com detecção automática: inglês, chinês mandarim, japonês, coreano, francês, alemão, espanhol, português, italiano, russo, holandês, polonês, tcheco, eslovaco, hindi, búlgaro, croata, dinamarquês, estoniano, finlandês, húngaro, letão, lituano, romeno, esloveno, sueco, tailandês, turco, ucraniano, árabe, bengali, grego, hebraico, indonésio, maltês, marata, tagalo, tâmil, télugo e vietnamita. Desses, 31 também podem ser traduzidos de ou para o inglês. Não é preciso informar o idioma de origem.
Quais arquivos de áudio e vídeo o Nemotron 3.5 Transcribe aceita?
Áudio MP3, WAV, M4A, AAC, FLAC, OGG, Opus e WebM, ou um vídeo MP4 ou MOV com faixa de áudio. O arquivo vai em audio_url: um link que qualquer pessoa consiga baixar diretamente, ou um data URI. Cada requisição aceita até 60 minutos e 200 MB; gravações mais longas precisam ser divididas e enviadas em partes. Um arquivo cuja duração não pode ser lida é recusado com 400 antes de qualquer cobrança.
Como obtenho marcações de tempo por palavra e identificação de falantes?
Envie timestamps: true. O resultado da tarefa continua trazendo o texto completo, e o arquivo em transcript_url (também resultUrls[0]) inclui words, uma lista de {word, start, end, speaker}, além dos segmentos de diarization e de text_with_speakers. Até 8 falantes são diferenciados; o chinês volta caractere por caractere. No nosso teste, uma gravação em inglês de 47 segundos com duas pessoas voltou com 143 palavras, cada uma com início, fim e falante. Marcações de tempo e identificação de falantes não têm custo extra.
O Nemotron 3.5 Transcribe consegue traduzir a fala?
Sim. Defina target_language com um dos 32 códigos aceitos (en, zh, ja, ko, fr, de, es e outros) e o texto volta traduzido em vez de transcrito. A qualidade só é confiável quando o inglês está de um dos lados: de outro idioma para o inglês, ou do inglês para um desses idiomas. A tradução direta entre dois idiomas que não sejam o inglês não é garantida. Ela não pode ser combinada com timestamps: true; essa requisição retorna 400. A tradução está incluída no preço por minuto.
O Nemotron 3.5 Transcribe faz transcrição em tempo real ou em streaming?
Não. Ele transcreve um arquivo gravado inteiro, de forma offline: você cria uma tarefa e depois consulta o status ou espera o callback. No nosso teste, um clipe de 47 segundos com marcações de tempo ficou pronto em cerca de 4 segundos, mas isso é uma única medição, não uma promessa de latência, e resultados parciais não são enviados durante o processamento. Para uma conversa de voz ao vivo, o Grok Voice 3.0 na apimodels.app é a opção em tempo real.
Qual é a precisão do Nemotron 3.5 Transcribe e quais são os limites conhecidos?
Ele foi feito para fala gravada com clareza, e vale considerar alguns limites. Falantes com vozes parecidas podem ser unidos em um só. O fim de cada palavra costuma ter precisão de dezenas de milissegundos, enquanto o início pode desviar cerca de meio segundo, o que aparece mais em inglês. Transcrever o mesmo áudio duas vezes pode mudar algumas palavras. Na saída em chinês, nomes estrangeiros costumam vir transliterados e alguns números são escritos em caracteres chineses. Se o resultado trouxer truncated: true, a saída atingiu o teto, normalmente por repetição, e deve ser descartada ou revisada; silent: true significa que quase nenhuma fala foi encontrada.
Como o Nemotron 3.5 Transcribe se compara ao Whisper large-v3?
Pelas taxas de erro por palavra (WER, quanto menor, melhor) que a NVIDIA publicou no relatório técnico de 28 de outubro de 2026, o Nemotron 3.5 Transcribe fica à frente do Whisper-large-v3 nas quatro comparações: 4.71% contra 6.66% na média de 9 conjuntos em inglês do Open ASR; 10.98% contra 13.92% em áudio longo (média de Earnings21/22 e CORAAL); 7.81% contra 13.63% nas gravações de reuniões do AMI; e 4.62% contra 7.94% na média de 7 idiomas (alemão, francês, italiano, espanhol, português, holandês e hindi). São números da NVIDIA, com os resultados do modelo de comparação retirados do Hugging Face Open ASR Leaderboard, e não medições da apimodels.app. Nessas três tabelas ele tem o menor erro médio entre os modelos de pesos abertos; o mesmo relatório traz sistemas comerciais com resultados melhores em áudio longo e multilíngue.
Relatório técnico da NVIDIA Nemotron 3.5 Transcribe (tabelas 6, 7 e 9) ↗Quanto custa a API do Nemotron 3.5 Transcribe?
$0.0025 por minuto de áudio, ou seja, $0.15 por hora, proporcional à duração arredondada para cima até o segundo. Um clipe de 47 segundos custa cerca de $0.002, 10 minutos $0.025, 30 minutos $0.075 e um arquivo de 60 minutos $0.15. Marcações de tempo por palavra, identificação de falantes e tradução estão incluídas. Os valores usam unidades de $0.0001, então qualquer valor menor é cobrado como $0.0001 (áudio de cerca de 2 segundos ou menos). Tarefas com falha e arquivos cuja duração não pode ser lida não são cobrados.
Como chamo a API do Nemotron 3.5 Transcribe e leio o resultado?
Crie uma conta na apimodels.app e gere uma API key; uma única chave e um saldo em USD valem para todos os modelos. Depois envie: curl -X POST https://api.apimodels.app/v1/audio/generations -H "Authorization: Bearer YOUR_API_KEY" -H "Content-Type: application/json" -d '{"model": "nemotron-3.5-transcribe", "audio_url": "https://example.com/meeting.mp3", "timestamps": true}'. A resposta traz um taskId. Consulte GET /v1/audio/generations?task_id= até state ser completed, aplique JSON.parse uma vez em resultJson e leia text, duration e transcript_url. O arquivo de resultado fica guardado por 30 dias.
Posso testar o Nemotron 3.5 Transcribe de graça?
Contas novas elegíveis recebem $0.10 de crédito de teste, o que, a $0.0025 por minuto, cobre cerca de 40 minutos de áudio. Depois disso o pagamento é por uso, sem assinatura, e as recargas começam em $10. No playground desta página você envia um arquivo ou cola um link: ele mostra o preço estimado pela duração do áudio antes de rodar e devolve a transcrição como texto que dá para copiar.
O que o Nemotron 3.5 Transcribe pode fazer?
O Nemotron 3.5 Transcribe suporta: Speech to Text, 40 Languages, Auto-Detected, Word-Level Timestamps, Speaker Labels (up to 8), Translation to/from English, Audio or Video, up to 60 min, $0.0025 per Minute. Consulte a documentação da APIMODELS para todos os parâmetros e exemplos de chamada.
Posso usar a API do Nemotron 3.5 Transcribe de qualquer país?
Sim. A APIMODELS não restringe o acesso por país: o site e a API respondem de qualquer lugar, e apimodels.app e api.apimodels.app também podem ser acessados diretamente da China continental, sem proxy. Você chama o Nemotron 3.5 Transcribe com uma única chave da APIMODELS, sem precisar de conta separada com o desenvolvedor do modelo.
Posso pagar com PayPal ou cripto? Quais formas de pagamento são aceitas?
Pode. Dá para recarregar com PayPal, USDT na TRON (TRC20) ou na BNB Smart Chain (BEP20), cartão (Visa, Mastercard e outros, via Stripe) ou Alipay. Recargas com cartão, PayPal e Alipay caem na hora; as de USDT, assim que a transferência é confirmada na rede. Também dá para ativar a recarga automática, e uma recarga de $50 ganha $1 de bônus ($3 na de $100). O saldo é em dólar e cobrado por uso, sem assinatura.