NVIDIA 发布了 Nemotron 3 Diarization，这是一款用于实时说话人分离的开源权重、100M 参数模型，支持多达八位说话人。该模型在 VoiceArena 的 Diarization-Bench 排行榜上排名第一，说话人错误率（DER）为 14.72%，比排名第二的系统相对降低了约 24%。

  • 支持多达八个说话人通道，并使用到达时间排序处理重叠语音，以提供稳定的说话人标签。
  • 在 VoiceArena 的基准测试中取得了 14.72% 的 DER，而第二名系统的 DER 为 19.3%。
  • 使用公共数据和 David AI 授权的多说话人对话数据进行训练，使复合 DER 绝对值降低了 0.77 个百分点。
  • 提供可配置的流式延迟，推荐的输入缓冲区延迟分别为 30.4、1.04、0.64 和 0.32 秒。
  • 与 NVIDIA 之前的四说话人 Streaming Sortformer 基线相比，在八个公共基准测试中平均实现了 41.0% 的相对 DER 降低。

该模型通过将说话人分离时间戳与自动语音识别相结合，使应用程序能够创建带有说话人归属的转录文本，从而提升对话分析和语音代理记忆的实用性。