Nvidia开源100M参数说话人分离模型，最多实时识别8人

Nvidia 发布 Nemotron 3 Diarization，这是一款能够识别对话中当前说话者的 AI 模型。该模型约有 1 亿参数，权重可免费获取。它能区分最多 8 名说话者，并检测多人同时说话的情况。参与者越多、背景噪音越重或混响越明显，错误率就越高。配合 Parakeet 等语音识别系统，该模型可以生成带说话者标签的转录文本，不过标签是匿名形式，如"speaker_2"。它支持录音和实时音频两种模式。

在 VoiceArena Diarization Benchmark v1 中，可免费获取的 Nemotron 3 以 14.7% 的 DER 领先，并比其前身 Streaming Sortformer 提升了 41%。

音频缓冲区可设置为四个等级，从 30.4 秒到 0.32 秒不等。缓冲区越短，通常准确率越低。在 VoiceArena 的 Diarization-Bench 上，该模型目前以 14.72% 的错误率位居第一，领先于紧随其后的系统（19.3%）。该基准测试非常严格，重叠语音会被计入错误，甚至说话者转换时微小的对齐偏差也会被判定为错误。相比前身 Streaming Sortformer，在使用 1.04 秒缓冲区时，新模型的错误率在八个测试场景中平均降低了 41%。

AI News Without the Hype – Curated by Humans

订阅 THE DECODER，享受无广告阅读、周报 AI 通讯、每年六期的独家"AI Radar"前沿报告、完整档案访问权限，以及评论 section。