NVIDIA ने रियल-टाइम स्पीकर डायरिज़ेशन के लिए एक ओपन-वेट, 100M-पैरामीटर वाला मॉडल Nemotron 3 Diarization जारी किया है जो आठ स्पीकर्स तक का समर्थन करता है। यह मॉडल VoiceArena के डायरिज़ेशन-बेंच लीडरबोर्ड पर #1 स्थान पर है, जिसमें 14.72% डायरिज़ेशन एरर रेट (DER) है, जो अगले रैंक वाले सिस्टम की तुलना में लगभग 24% सापेक्ष कमी दिखाता है।

  • आठ स्पीकर चैनलों तक का समर्थन करता है और स्थिर स्पीकर लेबल्स के लिए आगमन-समय क्रम का उपयोग करके ओवरलैपिंग वार्तालाप को संभालता है।
  • दूसरे स्थान वाले सिस्टम के 19.3% की तुलना में VoiceArena के बेंचमार्क पर 14.72% DER हासिल किया।
  • सार्वजनिक डेटा और David AI से लाइसेंस प्राप्त मल्टी-स्पीकर वार्तालापों के साथ प्रशिक्षित, जिससे संयुक्त DER में 0.77 निरपेक्ष बिंदु की कमी आई।
  • कॉन्फ़िगर करने योग्य स्ट्रीमिंग लेटेंसी प्रदान करता है, जिसमें सिफारिश की गई इनपुट-बफर लेटेंसियां 30.4, 1.04, 0.64 और 0.32 सेकंड हैं।
  • NVIDIA के पिछले चार-स्पीकर स्ट्रीमिंग सॉर्टफॉर्मर बेलाइन की तुलना में आठ सार्वजनिक बेंचमार्क्स पर औसतन 41.0% सापेक्ष DER कमी दिखाता है।

यह मॉडल स्पीकर-अट्रिब्यूटेड ट्रांसक्रिप्ट बनाने के लिए डायरिज़ेशन टाइमस्टैम्प्स को ऑटोमैटिक स्पीच रिकग्निशन के साथ जोड़ने की अनुमति देता है, जिससे कनवर्सेशन एनालिटिक्स और वॉइस-एजेंट मेमोरी का उपयोग बढ़ता है।