Nvidia发布免费100M参数说话人分离模型Nemotron 3 Diarization
Nvidia推出约1亿参数的说话人分离模型Nemotron 3 Diarization，权重免费开放，最多可区分8位说话人并检测同时发言；在VoiceArena基准上以14.7%的DER领先，较前代Streaming Sortformer平均降低41%错误率。
AI解读：Nvidia发布了一个叫Nemotron 3 Diarization的模型，干的事很简单：在一段对话里判断此刻是谁在说话。权重免费开放，参数量约1亿，最多能分辨8个说话人，还能识别出多人同时开口的情况。
它可以直接配合像Parakeet这样的语音识别系统，生成带说话人标签的文字记录——但标签是匿名的，比如speaker_2，不会告诉你真实姓名。录音和实时音频都能处理。
文章汇总的测试数据显示，在VoiceArena Diarization Benchmark v1上它的DER为14.7%，比前代Streaming Sortformer平均降低41%错误率，目前在该榜排第一，领先第二名19.3%的水平。
限制也很明确：人更多、背景噪声大或混响强，错误率都会上升；音频缓冲越短，精度一般越差。所以它更适合说话人数量可控、录音质量过得去的场景。
需要留意的是，由于标签是匿名的，它只解决“谁在说”，不解决“说话的人是谁”。对做会议记录、播客转录的开发者来说，省掉的是人工标注说话人切换那一步。
Nvidia发布说话人分离模型Nemotron 3 Diarization，用于判断对话中特定时刻是哪位说话人在发言。该模型参数量约1亿，权重免费开放。
模型最多可区分8位说话人，并检测多人同时说话的情况。它与Parakeet等语音识别系统配合时，可生成带说话人标签的转录，但标签为匿名形式，如speaker_2。该模型同时支持录音和实时音频。
据The Decoder报道，在VoiceArena Diarization Benchmark v1中，Nemotron 3以14.7%的DER（说话人分离错误率）领先，比前代Streaming Sortformer改善41%。报道称该基准较严格：重叠语音计入错误，说话人切换处的微小错位也按错误计分。
同一报道显示，在VoiceArena的Diarization-Bench上，该模型当前以14.72%的错误率排第一，领先第二名系统的19.3%。在使用1.04秒缓冲区的条件下，相比Streaming Sortformer，新模型在8个测试场景中平均将错误率降低41%。
模型音频缓冲区可设为四档，范围从30.4秒到0.32秒。报道指出，缓冲区越短，准确率通常越低。
报道同时指出，参与者更多、背景噪声严重或存在混响时，模型的错误率会升高。该模型生成的说话人标签为匿名标签，不识别具体身份。