NVIDIA 开源说话人分离模型 Nemotron 3

第 1 集 · NVIDIA 开源 Nemotron 3 说话人分离模型并登顶 Diarization-Bench(2026-09-23,7 条)

NVIDIA 于 9 月 23 日发布并开源 Nemotron 3 Diarization 说话人分离模型。该模型参数量仅 100M，可在多人重叠语音中追踪「谁在何时说话」，支持批处理与流式两种输出模式，最多跟踪 8 个说话人，已在 Hugging Face 上提供并采用商业友好许可证，可用于为现有 ASR 工作流加入实时说话人归属能力而无需替换转写模型。它在 voicearena.ai 首轮 Diarization-Bench 的 12 个系统中排名第一，分离错误率 14.72%，比第二名低约 24%。

已确认

• Nemotron 3 Diarization 由 NVIDIA 官方发布并开源，已上架 Hugging Face，@alexcovoeth 转发称其也上架 ModelScope；参数量 100M（转发帖称 99.2M），支持最多 8 个说话人，输出说话人标签与时间戳而非转写文本。
• 官方基准成绩：在 voicearena.ai 首轮 Diarization-Bench 的 12 个系统中排名第一，错误率 14.72%，比第二名低约 24%。
• 模型支持批处理与流式两种模式，可搭配任意 ASR 使用。

开发者实测与评价

• @futterneid 用 1 秒流式分块做本地语音 agent 实测，认为该模型解决了「谁在说话」这一痛点，可用于让机器人记忆不同说话人（新面孔）。
• @andimarafioti 指出当前语音 agent 的关键缺口正是分不清说话人身份，各类电话演示掩盖了这一点；Nemotron 3 Diarization 采用商业友好许可证，适合实际落地。
• @Sam Witteveen 发布视频介绍该模型，称其在「谁在什么时候说话」的任务上大幅超越同类模型。

为什么重要

• 说话人分离是实时语音 agent（会议转录、客服、家庭机器人等场景）的长期短板，此前开源方案在重叠语音下表现不佳。
• 小参数量（100M）+ 流式输出 + 商业友好许可的组合意味着本地部署门槛低，个人开发者（如 @futterneid 的实践所示）也能直接接入自己的语音 agent 管线，且可作为插件与任意 ASR 组合而不必更换转写模型。

• NVIDIA 发布 Nemotron 3 说话人分离模型，支持 8 人重叠语音 — NVIDIAAI · 2026-09-23
• Nemotron 3 说话人分离登顶 Diarization-Bench：错误率低 24% — NVIDIAAI · 2026-09-23
• NVIDIA Nemotron 3 说话人分离错误率 14.72%，登顶 Diarization-Bench — NVIDIAAI · 2026-09-23
• NVIDIA 开源 Nemotron 3 Diarization,补上语音 agent 认人短板 — andimarafioti · 2026-09-23
• Nemotron 3 Diarization 实测:流式识别 8 说话人,接入机器人记忆新面孔 — futterneid · 2026-09-23
• NVIDIA发布Nemotron 3说话人分离模型，性能大幅领先 — Sam Witteveen · 2026-09-23
• 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 · 2026-09-24

第 2 集 · Baseten 上线 NVIDIA 说话人分离模型，单卡 500 路(2026-09-24,2 条)

NVIDIA 开源的端到端实时说话人分离模型 Nemotron 3 Diarization 以 day 0 支持上线 Baseten Model Library，单张 GPU 即可支持 500 路实时分离流，定位为替代传统分离方案的高性能选择。Baseten 同时提供了部署入口，用户可在平台上一键部署该模型。

• Baseten 上线 Nemotron 3 Diarization：单卡支持 500 路实时分离流 — baseten · 2026-09-24
• Baseten 提供 Nemotron 3 Diarization 一键部署入口 — baseten · 2026-09-24