英伟达开放八说话人分离模型

英伟达发布了 Nemotron 3 Diarization。The Decoder 9 月 27 日报道，这个模型判断一段对话里此刻是谁在说话，大约 1 亿参数，权重可以免费取得。它能分开至多八名说话人，也能发现多人同时开口。人再多、背景噪声大，或者房间有混响，错误率会升高。

和 Parakeet 这类语音识别接在一起，它可以给转写加上说话人标签。标签是匿名的，例如 speaker_2。录音和实时音频都能用。本篇没有另行打开排行榜，数字来自 The Decoder，文末注明来源是 Hugging Face。

VoiceArena 的 Diarization-Bench 上，报道写道，这个免费模型目前排第一，错误率 14.72%，下一名是 19.3%。基准把重叠说话算进去，说话人切换处很小的时间错位也算错。和前代 Streaming Sortformer 比，在 1.04 秒缓冲、八个测试场景上，错误率平均下降 41%。同一篇里还有一处写成 DER 14.7%，并说在这项基准上领先前代 41%。两处都保留：14.72% 是榜上的错误率，41% 对应的是 1.04 秒缓冲下八个场景的平均降幅，不是任意房间里的降幅。

音频缓冲有四档，从 30.4 秒收到 0.32 秒。缓冲越短，准确率一般越低。

这些数字没有说清测试音频是会议、电话还是演播室，也没有说八名说话人是否就是日常会议的上限之外还能不能用。报道已经写了边界：人再多、噪声大、混响重，错误率上去；缓冲缩短，准确率一般下降。因此不能把「榜上第一」读成任何现场都能分清谁在说话。权重免费，也不等于已经接到某一家产品的转写服务里。本篇没有另做评测。