モデル
誰がいつ話したかを識別：NVIDIA Nemotron 3 Diarizationでリアルタイム複数話者AIを構築
原題: Know Who Spoke When: Build Real-Time, Multi-Speaker AI with NVIDIA Nemotron 3 Diarization
最大8話者を録音とストリーミングで識別
NVIDIAの開発者は2026年9月23日、Nemotron 3 DiarizationをHugging Faceでオープンウェイト公開しました。
100Mパラメータのモデルで、会話中に誰がいつ話したかを時刻と匿名の話者ラベルで出力します。
録音とストリーミングの両方に1つのモデルで対応し、同時に話す重複発話と最大8人の話者を扱えます。
単独では発話内容の文字起こしを行わず、ASRの単語時刻と組み合わせて話者付き文字起こしを構成します。
入力は16kHzのモノラル音声で、WAV、FLAC、Opus、MP3を受け付けます。
推奨する入力バッファーは30.4秒、1.04秒、0.64秒、0.32秒の4段階で、待ち時間と精度のバランスを選べます。
モデルはLinuxとNVIDIAのAmpere、Hopper、Blackwell世代GPUを対象とし、NeMo Speechから読み込む実装例を公開しています。
Hugging Face上にはライブマイク、録音ファイル、8話者の合成会話を試せるデモも用意されています。
VoiceArena Diarization-Benchの初期結果で14.72％の話者ダイアライゼーション誤り率を記録したという評価は、記事とモデル提供側が示した結果で、最終版ではありません。
ウェイトはOpenMDW License Agreement 1.1の対象で、一般的なオープンソースライセンスではなく、利用時は同ライセンス条件の確認が必要です。