O que foi anunciado como um lançamento de pesos Nemotron de rotina acaba sendo um relato de construção: a equipe do engenheiro da NVIDIA Rick Grandy usou uma pilha de modelos Nemotron abertos já existentes para montar uma decoração de Halloween falante e animada, publicada no Hugging Face sob o título "nemotron-halloween." Nenhum novo checkpoint de modelo acompanha a publicação — a novidade é a arquitetura de referência, não um lançamento.

O sistema, chamado MonsterHouse, encadeia cinco componentes da NVIDIA em um pipeline de voz em cascata. O NVIDIA Nemotron 3 ASR (o checkpoint de streaming em inglês, nemotron-speech-streaming-en-0.6b.q8_0.gguf) converte a fala do visitante em texto. O NVIDIA Nemotron 3.5 Bolt E4B 4GB, um modelo de linguagem pequeno quantizado em 4 bits criado para agentes conversacionais, gera cada resposta, com um checkpoint BF16 mantido para comparação. O NVIDIA Magpie TTS Zeroshot transforma esse texto em fala usando uma amostra curta de áudio de referência em vez de uma voz treinada. O NVIDIA Audio2Face-3D mapeia a fala limpa em um rig facial construído no Autodesk Maya e exportado para o Unreal Engine 5. Uma camada visual opcional — NVIDIA Nemotron 3 Nano Omni combinado com YOLO e ByteTrack — lê quadros de câmera para descrever fantasias e rastrear quantos visitantes estão em vista. O framework NVIDIA Nemotron Voice Agent coordena todo o pipeline.

A personalidade veio de um adaptador LoRA, não apenas de prompts. Grandy construiu um conjunto de dados com mais de 5,000 conversas de múltiplos turnos, geradas e avaliadas por um LLM grande separado, e então treinou adaptadores para cada modelo candidato — alguns em cerca de uma hora, outros levando algumas horas — usando a receita LoRA do NVIDIA NeMo AutoModel para o Bolt E4B. Ele escreve que testou mais de uma dezena de modelos antes de optar pelo Bolt E4B, citando uma pegada menor do que Qwen3 30B-A3B e Qwen 3.6 35B-A3B como rivais que considerou.

A implantação roda em duas GPUs em uma única workstation, divididas por carga de trabalho: o pipeline de linguagem e voz em uma NVIDIA RTX PRO 6000 Blackwell Max-Q, e a renderização no Unreal Engine mais o Audio2Face-3D em uma NVIDIA RTX PRO 4000 Blackwell. A publicação de Grandy afirma que a memória não era a restrição — o processamento era, já que a taxa de quadros da animação precisava permanecer estável independentemente do que o pipeline do agente estivesse fazendo.

O único número de latência concreto na publicação: a mediana de fim-de-fala até áudio com o Bolt Q4 e o TTS fica em 1.70 segundos, caindo para 0.72 segundos em respostas em cache, com a ressalva de que a detecção de fim de fala atualmente espera 300 ms de silêncio antes de disparar a geração. Essa lacuna é o motivo pelo qual Grandy recorre a um texto preparado e a um banco de áudio em cache para falas comuns — texto escrito pula a geração do modelo de linguagem, e áudio salvo pula a síntese por completo, permitindo que o personagem "comece a falar enquanto o resto da frase ainda está a caminho."

A camada de visão é explicitamente não comprovada em produção. Grandy testou o reconhecimento de fantasias do Nemotron 3 Nano Omni em um vídeo sintético de cinco ovelhas fantasiadas, identificando corretamente trajes de pirata, vampiro, bruxa, abóbora e fantasma, mas escreve claramente que "as ovelhas são um teste sintético, não evidência de uma noite de Halloween bem-sucedida" e que grupos reais na calçada, fantasias e iluminação noturna ainda precisam ser testados. Ele também aponta que a identificação de fantasias da moda e as respostas espirituosas "podem precisar de algum pós-treinamento," e que o código de aplicação do próprio MonsterHouse não está sendo lançado — apenas os modelos NVIDIA subjacentes e o framework Nemotron Voice Agent estão disponíveis para que outros montem.

Para equipes avaliando pilhas de pesos abertos contra APIs fechadas, o caminho acionável aqui é estreito, mas concreto: clonar o exemplo Generic Assistant do Nemotron Voice Agent para obter uma cascata ASR-LLM-TTS funcional com detecção de atividade de voz já incluída, substituir pelo Bolt E4B usando os perfis que a NVIDIA disponibiliza para implantação em GPU única, e empurrar o rastreamento de estado da conversa para a camada de aplicação em vez de pedir que o modelo o mantenha — essa é a única decisão arquitetônica que Grandy destaca como responsável por manter um modelo quantizado de 4GB coerente ao longo de uma troca de múltiplos turnos em uma única workstation.