Nemotron-3-Diarization完全指南NVIDIA开放权重说话人分离模型如何搞定8人会议的谁在何时说话【免费下载链接】Nemotron-3-Diarization项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/Nemotron-3-DiarizationNemotron-3-Diarization 是 NVIDIA 于 2026 年 9 月发布的开放权重说话人分离Speaker Diarization模型它回答音频领域最基础也最难的问题之一谁在什么时候说话了。无需区分具体身份只需把一段多人对话切分成说话人 A 在 0.5 秒到 12.6 秒发言这样的带时间戳片段。它最多支持8 位说话人同时兼容流式实时与离线推理最低可做到0.32 秒输入缓冲延迟且已获准商用。本文用通俗的方式带你看懂它是什么、怎么跑起来、性能有多强、如何搭配 ASR 产出带说话人归属的转录文本。 什么是说话人分离和语音识别有什么区别先理清两个容易混淆的概念概念回答的问题输出示例语音识别ASR说了什么我们下周三开会说话人分离Diarization谁在何时说话说话人1: 0.51s – 12.62s在真实的会议、电话、播客录音里多人交替甚至同时说话。说话人分离模型会把音频切成一条条时间段 说话人标签的片段。虽然标签只是匿名的说话人 0 / 说话人 1不识别真实姓名但它是生成会议纪要、通话质检、播客剪辑等应用的地基。⚡ 为什么 Nemotron-3-Diarization 值得关注它是 NVIDIA 上一代 4 人版流式 Sortformer 的重大升级对新手和工程团队最实用的三个卖点8 人上限模型固定输出 8 条说话人通道前 8 位出场者按谁先开口谁占第 1 通道的规则自动排好序省去传统方案里最头疼的说话人对齐permutation问题。流式与离线一个模型通吃同一个检查点通过调整几个参数就能在超低延迟实时和离线最高精度之间切换。小模型、快推理仅100M 参数基于 31 层 Transformer 编码器 RoPE 位置编码16 kHz 单声道音频输入wav / flac / opus / mp3 均可分块推理下音频时长不限。详细架构说明可参考仓库内的模型说明README.md 如何运行 Nemotron-3-Diarization三步上手模型运行在 NVIDIA NeMo Speech 框架上。新手只需三步第一步安装环境需要 Python 3.12 和较新的 PyTorchapt-get update apt-get install -y libsndfile1 ffmpeg uv pip install Cython packaging uv pip install nemo-toolkit[asr]第二步加载模型。仓库自带模型权重文件 Nemotron-3-Diarization.nemo可直接从本地路径加载from nemo.collections.asr.models import SortformerEncLabelModel diar_model SortformerEncLabelModel.from_pretrained(nvidia/Nemotron-3-Diarization) diar_model.eval()第三步跑一次分离predicted_segments diar_model.diarize(audio[/path/to/your/audio.wav], batch_size1) for segment in predicted_segments[0]: print(segment) # 输出形如说话人1, 0.51s, 12.62s输入支持单文件、文件列表、numpy 波形数组16 kHz甚至逐行 JSON 清单manifest批量处理非常省事。完整输入格式说明见 README.md。⚙️ 流式还是离线一张表选对延迟配置所有流式参数都以80 ms 帧为单位。官方推荐四档配置CHUNK_LEN、RIGHT_CONTEXT决定输入缓冲延迟场景延迟SPKCACHE_LENFIFO_LENCHUNK_LENRIGHT_CONTEXTUPDATE_PERIOD离线最高精度30.4 s2644034040300低延迟1.04 s26426494222超低延迟0.64 s26426462222极低延迟最低推荐0.32 s26426431222新手建议先按上表抄作业调完参数后调用diar_model._check_streaming_parameters()校验合法性。背后的机制值得一提流式推理依赖AOSC按到达顺序维护的说话人缓存记住早期说话人特征配合FIFO 队列提供最近帧上下文这样即使对话跨越多块处理说话人 1 还是那个说话人 1始终一致。 8 人会议实测性能数据有多能打在 DIHARD III 多语言基准含 5–9 人的最难区间上与上一代 4 人版基线对比模型延迟全量 DER ↓说话人数统计准确率 ↑4spk 基线v2.130.4 s19.0975.29Nemotron-3-Diarization30.4 s12.7381.47Nemotron-3-Diarization0.32 s13.5576.45几个值得注意的亮点多人区间提升最猛5–9 人片段 DER 从 40.21 降到27.58这正是 8 人会议的真实工况延迟代价很小从 30.4 s 压到 0.32 sDER 只恶化约 0.8 个百分点推理极快离线配置下单卡 RTX PRO 5000 上编译后实时加速比高达15113 倍即 1 秒可处理约 4 小时的音频。各基准CALLHOME、AliMeeting、AMI、NOTSOFAR1的完整 DER / SCA / MAE 数据及评测规范见 diarization_evaluation.md。️ 进阶搭配流式 ASR 产出谁说了什么光知道谁在何时说还不够多数应用最终想要带说话人归属的转录文本。官方推荐两条流式 ASR 配对路线详见 ASR_INTEGRATION_GUIDE.mdMultitalker Parakeet0.6B专为重叠语音微调的流式 ASR仅支持英语说话人活动作为条件输入重叠段处理更强Nemotron 3.5 ASR0.6B通用单说话人流式 ASR开箱支持32 种语言-地区借助分离结果对每个说话人做掩码识别多语言场景首选。用法上两者共用同一个 NeMo 推理脚本区别仅在masked_asr与上下文参数。产出示例说话人 0: 欢迎大家我们开始吧。 说话人 1: 我这里有最新的数据。 说话人 2: 同意但还有一个遗留问题。音频记得先转成单声道 16 kHzffmpeg 一条命令即可。两个要点新手务必记住max_num_of_spks8只是上限模型会从音频中自动发现真实说话人数说话人编号是会话级的不是生物特征身份。重连后会变化如需显示真实姓名要另做声纹注册或应用层映射。⚠️ 使用限制与实用建议来自官方可解释性说明的边界条件部署前务必了解超过 8 人必丢音频里若有第 9 位说话人会被遗漏或张冠李戴长录音与恶劣声学环境强噪声、严重混响下性能会下降延迟是双刃剑延迟调得越低精度和速度都会下降按业务容忍度选档分离错误漏检、误报、边界偏移在重叠、远场条件下更易出现下游系统应保留不确定性并做针对性测试。 许可证与仓库文件速览许可证OpenMDW 1.1可商用、可非商用全球可部署训练数据约 10,000 小时真实对话 82,611 小时模拟多人混音英语、普通话等多语言在 8 节点 8×A100 上两阶段训练支持硬件Ampere / Ada / Hopper / Blackwell 全系 NVIDIA GPU推荐 Linux NeMo v3.0 运行时。仓库核心文件一览文件内容README.md模型卡架构、输入输出、性能数据、上手示例ASR_INTEGRATION_GUIDE.md与流式 ASR 集成的完整指南diarization_evaluation.mdDER 评测方法与报告规范explainability.md / bias.md / safety.md / privacy.md可信 AI 子卡Nemotron-3-Diarization.nemo模型检查点权重文件总结Nemotron-3-Diarization 用一个100M 参数的小模型把8 人会议里谁在何时说话这件事做到了开放权重阵营的领先水平离线 DER 12.73%、流式最低 0.32 秒延迟、长音频无上限、可商用授权。如果你正在搭建会议纪要、实时字幕或通话分析系统它是目前最省心的起点——先抄官方参数表跑通离线模式再按业务逐步切到流式最后配上 ASR 拿到完整的谁说了什么。【免费下载链接】Nemotron-3-Diarization项目地址: https://ai.gitcode.com/hf_mirrors/nvidia/Nemotron-3-Diarization创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考