Nvidia 免费开源 1 亿参数模型，可实时区分最多八位说话者

Nvidia 发布了 Nemotron 3 Diarization，这是一个能在对话中实时识别当前说话者的 AI 模型。该模型约有 1 亿参数，权重已在 Hugging Face 上免费开放。它最多可以区分八位说话者，还能检测出多人同时说话的情况。参与者更多、背景噪音大或有混响时，错误率会升高。配合Parakeet 这类语音识别系统，该模型可以生成带说话者标签的转录文本，不过标签只是"speaker_2"这样的匿名标识。它既支持录音文件，也支持实时音频。

音频缓冲区可在 30.4 秒到 0.32 秒之间设置四档，缓冲越短，准确率通常越低。在 VoiceArena 的 Diarization-Bench 上，该模型目前以 14.72% 的错误率排名第一，次优系统为 19.3%。这项基准测试标准很严格：重叠语音会计入评分，说话者切换时哪怕极小的错位也会被算作错误。与上一代 Streaming Sortformer 相比，在 1.04 秒缓冲设置下，新模型在八个测试场景中的错误率平均降低了 41%。