基于英伟达 Nemotron 3 说话人日志构建实时多说话人 AI 系统

英伟达于 2026 年 9 月 23 日发布开源权重的 Nemotron 3 Diarization 说话人日志模型，解决了多人重叠交谈场景下谁在何时发言的精准时间戳切分问题。

• 该模型参数量为 100M，在 VoiceArena 的 Diarization-Bench 基准榜单中取得 14.72% 的说话人日志错误率（DER）。
• 模型使用统一架构同时支持离线批处理与实时流式输入，支持最多 8 名说话人的重叠语音分离与分块处理，并允许开发者自定义流式延迟参数。
• 相较于此前支持 4 人的 Streaming Sortformer 基线模型，新模型扩展了说话人容量上限，并改进了长时间静音或轮替发言后的身份记忆保持能力。
• 影响/看点：该模型意味着轻量级多方实时说话人识别能够更便捷地部署在本地或边缘端，但在多人密集抢话和复杂回声环境下的分离精度仍需结合具体业务场景验证。
• 资料依据：
• Hugging Face Blog（2026-09-23）：https://huggingface.co/blog/nvidia/nemotron-diarization

本内容由 AI 生成，仅供参考，请注意甄别