NVIDIA 开源 99.2M 参数流式说话人分离模型,可搭配任意 ASR 使用
alexcovo_eth · x · 2026-09-24
NVIDIA Nemotron 3 Diarization 上架 ModelScope,为现有 ASR 工作流加入实时说话人归属能力,无需替换转写模型。
要点:
- 处理流式音频,单次会话最多支持 8 个说话人槽位,输出说话人标签与时间戳
- 端到端流式架构,免去了传统方案中 VAD、说话人嵌入、聚类与后处理的分别拼接
- 99.2M 参数,31 层 Transformer 编码器 + RoPE,基于 NVIDIA Streaming Sortformer 架构
- 可与 Nemotron ASR、Parakeet、Canary、Whisper 等 ASR 系统组合,生成带说话人归属的转写
- 面向会议、客服中心、临床对话、实时字幕、媒体分析与多方语音 agent 场景
- 支持 Ampere、Hopper、Blackwell GPU
所属事件:NVIDIA 开源 Nemotron 3 说话人分离模型，登顶基准榜(16 条相关)→
「模型」频道最新
- 模型不会「用自己」：昂贵编排模型该自动分配任务层级 — iruletheworldmo · 2026-11-11
- OpenCode 工程师:Carbon 一夜从零写出 Rust UI 库并重写桌面应用 — m4rkmc · 2026-11-11
- Gemini 4 Carbon 登陆 Databricks,企业文档测试得分 66.7% — matei_zaharia · 2026-11-11
- 网友整理 MiniMax H3 生态族谱：49 个家族、63 个衍生节点 — cocktailpeanut · 2026-11-11
- 微软专利曝光：实时改写直播语音并同步口型 — Significant_Mail5398 · 2026-11-11
- Claude Code 网页搜索内置分类器，会拒绝搜它认为你该知道的事 — NathanpmYoung · 2026-11-11