Nvidia 發布免費 100M 參數 Nemotron 3 語者分割模型，實時辨識多達八位說話者

Nvidia 宣佈

2026 年 9 月 27 日，Nvidia 推出 Nemotron 3 Diarization，這是一款公開權重的說話者分割模型。這套 1 億參數的系統可同時辨識多達八位說話者，並標示出多聲重疊的時刻。

模型規格與基準表現

Nemotron 3 能處理錄製與即時音訊串流，為每個聲音指派通用標籤，例如「speaker_2」。它可與如 Parakeet 等語音辨識引擎結合，產生包含說話者標記的文字稿。模型支援四種音訊緩衝設定，從 30.4 秒降至 0.32 秒；緩衝時間較短通常會降低準確度。

在 VoiceArena Diarization Benchmark v1 中，Nemotron 3 的語者分割錯誤率（DER）為 14.7%，位居排行榜首位。於更嚴格的 Diarization‑Bench 測試中，其錯誤率為 14.72%，超過第二名的 19.3%。此基準會對重疊語音以及說話者切換時的微小錯位進行懲罰。與 Nvidia 先前的 Streaming Sortformer 相比，Nemotron 3 在使用 1.04 秒緩衝時，於八項測試情境中平均降低錯誤率約 41%。

對語音 AI 的影響

Nvidia 提供免費且高效能的語者分割模型，降低了開發者建置多說話者文字轉錄管線的門檻。能處理多達八位說話者並偵測語音重疊的能力，使其適用於會議、播客及其他多方音訊情境，尤其結合現有辨識引擎時更顯優勢。優異的基準成績顯示，整體 AI 語音生態正朝向更精確、即時的說話者追蹤解決方案發展。