英伟达发布Nemotron 3说话人日志模型，实时多人分离

英伟达（NVIDIA）近日正式发布开源模型NVIDIA Nemotron 3 Diarization，专为实时多说话人AI应用提供高精度语音分离能力。该一亿参数级模型支持同时处理多达八人的对话场景，可精准识别语音重叠、静音间隙及流式传输中的说话人切换。在权威评测榜单VoiceArena Diarization-Bench中，该模型以14.72%的错误率（DER）拔得头筹，性能较次席模型相对提升约24%，较英伟达上一代产品准确率平均提高41%。在架构设计上，模型采用Sortformer技术与首次出声排序机制，有效解决了流式推理中说话人标签漂移的难题。系统支持从离线分析到0.32秒超低延迟的多种运行模式，帮助开发者在计算延迟与识别精度间取得最优平衡。通过与自动语音识别技术联动，该方案可直接生成带时间戳的说话人归属文本，大幅提升会议摘要、智能客服及语音记忆库的构建效率。目前，该模型已按开源协议上架，并深度集成至NVIDIA NeMo工具包。头部生态伙伴Argmax亦在最新开发套件中率先完成适配，标志着多说话人实时语音解析能力正加速迈向产业落地。