NVIDIA 发 Nemotron 3 Diarization：100M 开放权重模型同时做流式与离线说话人分离
9 月 23 日，NVIDIA 发布 Nemotron 3 Diarization，一个 100M 参数的开放权重说话人分离模型，用来回答真实音频里「谁在什么时候说话」。同一检查点既支持流式会议与电话场景，也支持离线整段转写；最多处理 8 名说话人，并能在人声重叠时给出各说话人的活动区间。
它把延迟与准确率做成了可调工作点：输入缓冲最低可到 80ms，官方建议的最低配置为 0.32 秒，离线配置使用 30.4 秒缓冲。NVIDIA 报告模型在 VoiceArena 初始 Diarization-Bench 上为 14.72% DER、排名第一；在 1.04 秒延迟设置下，相对 DER 平均降低 40%，说话人越多，改进越明显。
它改变了什么：会议转写、客服质检和语音智能体不必再在「实时但身份更易混淆」与「离线更准但不能在线」之间二选一。边界：榜单和降幅均由 NVIDIA/Hugging Face 官方材料报告，本轮未独立复跑；DER 越低越好，但跨数据集与不同重叠语音条件下的实际差异仍需第三方验证。
核验记录
Hugging Face 官方社区文章直读 200（263,474 字节），页内 Published September 23, 2026，JSON-LD datePublished=2026-09-23T13:17:01.139Z；NVIDIA 官方模型卡 Release Date 明确 September 23, 2026，HF API 显示仓 createdAt=2026-09-01T13:16:57Z（权重仓早于公告，非发布日），lastModified=2026-09-24T05:52:51Z。100M、8 人、80ms/0.32s/30.4s、14.72% DER、40% 相对降幅均逐项取官方正文；未独立复跑。配图双测均 200，PNG 1920×1607，145,006 bytes，MD5 一致。
← 上一篇Anthropic：Claude 用 950 个智能体、21 小时筛出未知逆转录酶系统下一篇 →Black Forest Labs 发 FLUX 3 Action：7B 开源世界动作模型把 2 秒动作与未来画面一起规划