Nemotron-3-Diarization-preview
nvidia/Nemotron-3-Diarization-preview
সরকারি · BF16 · nemo
Runtime সনদপ্রাপ্ত: NeMo
| Precision / quantization | ফরম্যাট | বিট | প্রকাশকের বিশ্বাসযোগ্যতা | স্থাপনার অবস্থা |
|---|---|---|---|---|
| BF16 | nemo | 16 | সরকারি | Runtime সনদপ্রাপ্ত |
NVIDIA Nemotron · বক্তা diarization · Nemotron 3
Nemotron 3 Diarization Preview: বৈশিষ্ট্য, GPU চাহিদা ও লাইসেন্স
Nemotron 3 Diarization Preview is NVIDIA’s 100M-parameter speaker-diarization model for identifying who spoke when in streaming or recorded audio.
মোট প্যারামিটার১০০M
সক্রিয় প্যারামিটারঘন মডেল
প্রসঙ্গ-উইন্ডোপ্রযোজ্য নয় / সরাসরি তুলনাযোগ্য নয়
প্রকাশনার অবস্থাPreview · সাম্প্রতিক
স্থাপত্যStreaming Sortformer Transformer
মোডালিটিঅডিও
লাইসেন্সother
স্থাপনার অবস্থামূল্যায়নের জন্য কারিগরিভাবে চালানো যায়
বাণিজ্যিক অবস্থাঅজানা / সুপারিশযোগ্য নয়
প্রকাশের তারিখ2026-08-27
কারিগরি প্রোফাইল
| ক্ষেত্র | মান |
|---|---|
| Purpose | Speaker diarization: identify who spoke when |
| Speaker capacity | Up to 8 speakers, ordered by arrival |
| Inference modes | Streaming and offline |
| Input | 16 kHz mono WAV, FLAC, OPUS or MP3 |
| Output | [T, 8] speaker activity probabilities |
| Input buffer | 80 ms to 30.4 s; chunked inference has no fixed duration limit |
| runtime | NVIDIA NeMo with PyTorch |
| Precision | BF16 |
| Reference hardware | NVIDIA Blackwell RTX PRO 5000 |
স্থাপত্য, শক্তির দিক ও ব্যবহার
This gated, self-hostable preview belongs to the Nemotron Audio/Speech domain and Speaker Diarization track. It accepts 16 kHz mono audio and returns activity probabilities for as many as eight speakers ordered by arrival.
The 100M-parameter model uses a 31-layer Streaming Sortformer Transformer with rotary position embedding. Ten-millisecond Mel frames are downsampled to 80 ms encoder frames, then a Conv1D stage produces speaker activity probabilities.
Streaming and offline diarization
Up to eight arrival-ordered speakers
Official NeMo checkpoint with BF16 evidence
Evaluation of meeting and call speaker segmentation
Streaming speaker-change analysis
Offline diarization research on recorded audio
সনদপ্রাপ্ত checkpoint ও quantization
শুধু এই release-এর সঙ্গে যুক্ত নির্দিষ্ট, উৎস-সনদপ্রাপ্ত variant দেখানো হয়।
প্রস্তাবিত হার্ডওয়্যার
Use the exact gated .nemo checkpoint through NVIDIA NeMo with the documented PyTorch backend and BF16 precision. The NVIDIA reference measurement used an RTX PRO 5000 Blackwell GPU; this is test hardware, not a commercial hosting offer.
অজানা / সুপারিশযোগ্য নয়
বাণিজ্যিক ব্যবহারের অধিকার যাচাই করা হয়নি, তাই এই release বাণিজ্যিক ব্যবহারের জন্য সুপারিশযোগ্য নয়।
লাইসেন্স ও নিজস্ব অবকাঠামোয় চালানোর বিবেচনা
Access requires acceptance of NVIDIA’s evaluation license. Input must be 16 kHz mono audio; chunked inference supports long recordings, while the buffer can be configured from 80 ms to 30.4 seconds.
The NVIDIA permits internal testing and evaluation only. It prohibits production use and commercial hosting, and restricts use to NVIDIA GPU systems. Consult the official terms for the complete obligations.
অজানা / সুপারিশযোগ্য নয়. বাণিজ্যিক ব্যবহারের অধিকার যাচাই করা হয়নি, তাই এই release বাণিজ্যিক ব্যবহারের জন্য সুপারিশযোগ্য নয়।
Release-এর সময়রেখা
nvidia/nemotron/nemotron-3-diarization-preview
উৎসের বিবরণ
উৎস revision: a43022e40b9883fb75078c47c5d4c995436863bb26e26f13a1a7e836ea519229
সাধারণ জিজ্ঞাসা
What does Nemotron 3 Diarization Preview do?
It identifies speaker activity over time and assigns activity probabilities to as many as eight speakers in arrival order.
Can it process live and recorded audio?
Yes. NVIDIA documents both streaming and offline inference through the NeMo checkpoint.
Can it be used for commercial production?
No commercial offer is shown. The verified NVIDIA license limits this release to internal testing and evaluation and prohibits production use.
সরকারি তথ্যসূত্র
সর্বশেষ যাচাই: 2026-09-03