英伟达于 9 月 23 日发布了 Nemotron 3 Diarization。这是一款开放权重 AI 模型,旨在实时音频中识别和跟踪多位说话者。该模型在 AISHELL-4 基准测试中的说话人分离错误率为 9.8%,较其前代模型于 2025 年 7 月发布时的 27.2% 错误率显著降低。它最多支持 8 位同时说话者,是此前 4 位说话者上限的两倍。
该模型可在 Hugging Face 以及英伟达的 NeMo 框架中免费使用。通过精选推理服务商部署时,成本低至每小时音频 0.01 美元。目标应用包括会议转录、呼叫中心分析和播客制作。