Nemotron 3 Diarization 实测：1 亿参数实时说话人分离，本地跑效果超预期

视频加载中

视频加载中

日本开发者 @ouchi 测试 NVIDIA 9 月 23 日开源的 Nemotron 3 Diarization 说话人分离模型：实时流式下精度相当不错。该模型约 1 亿参数，基于 Streaming Sortformer 架构（31 层 Transformer + Arrival-Order Speaker Cache），单次前向即完成分离，支持最多 8 个说话人、10 毫秒分辨率、最低约 320 毫秒流式延迟，OpenMDW 1.1 许可，4GB 显存即可跑。作者观察：模型会边听边积累各说话人声纹特征，长音频离线分析精度略高于实时；HF 在线 demo 只支持 2 分钟音源所以效果一般，本地跑效果超出预期。VoiceArena Diarization-Bench 榜一（DER 14.72%）、AISHELL-4 9.8%（前代 27.2%）。语音 Agent 感知「谁在说话」的关键拼图，机器人语音交互直接相关。