NVIDIA 开源 1 亿参数说话人分离模型,本地实时区分 8 人对话
Prompt Engineering · youtube · 2026-09-25
NVIDIA 发布开源小模型 Nemotron 3 Diarization(100M 参数),可在流式音频中实时区分最多 8 位说话人,甚至能处理两人同时说话的场景。工作方式:
- 每个极短时间片判断当前是 8 位说话人中的哪一位
- 说话人按首次出现顺序编号
- 用小型说话人记忆保持标签稳定,有人中途离开再回来也不会换标
与 Parakeet 等语音转文字模型搭配,可以让会议记录逐行标注谁在说话;全程本地运行,音频不出本机。模型、在线 demo、NeMo 工具包与相关论文(Sortformer/Streaming Sortformer)均已公开。
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)→
「多模态」频道最新
- 港科大腾讯提出 FAPL：让视频 DiT 真正用上 MLLM 表征做电影级控制 — tencent · 2026-10-23
- 牛津与 NUS 团队发视频世界模型综述:统一理解与生成四大操作 — Shengqiong Wu · 2026-10-23
- 开源 ComfyUI 节点耦合初始噪声，不加采样步数提升批量多样性 — Current-Ad-198 · 2026-10-23
- 复旦发布 Code2Video-Compass:2104 项任务考住 15 个多模态大模型 — Fudan-University · 2026-10-23
- Krea2Edit 细节丢失无解？用户试遍采样器与 LoRA 仍不满意 — taurine_bitch · 2026-10-23
- 创作者抱怨 SeeDance 2.5 生成成本过高,成 AI 视频最大瓶颈 — AIandDesign · 2026-10-23