Nemotron-3-Diarization-preview
nvidia/Nemotron-3-Diarization-preview
فەرمی · BF16 · nemo
ژینگەی کارپێکردن پشتڕاستکراوەتەوە: NeMo
| وردی / کوانتایزکردن | فۆرمات | بیت | متمانە بە بڵاوکەرەوە | دۆخی جێبەجێکردن |
|---|---|---|---|---|
| BF16 | nemo | 16 | فەرمی | ژینگەی کارپێکردن پشتڕاستکراوەتەوە |
NVIDIA Nemotron · ناسینەوەی قسەکەر · Nemotron 3
Nemotron 3 Diarization Preview: تایبەتمەندییەکان، پێداویستییەکانی GPU و مۆڵەت
Nemotron 3 Diarization Preview is NVIDIA’s 100M-parameter speaker-diarization model for identifying who spoke when in streaming or recorded audio.
کۆی پارامەتەرەکان١٠٠M
پارامەتەرە چالاکەکانمۆدێلی چڕ
پەنجەرەی کۆنتێکستN/A / ڕاستەوخۆ بەراوردنەکراو
دۆخی بڵاوکردنەوەپێشبینی · نوێ
تەلارسازیStreaming Sortformer Transformer
شێوازەکاندەنگ
مۆڵەتother
دۆخی جێبەجێکردنلە ڕووی تەکنیکییەوە بۆ هەڵسەنگاندن جێبەجێ دەبێت
دۆخی بازرگانینەزانراو / پێشنیار ناکرێت
بەرواری بڵاوکردنەوە2026-08-27
زانیاری تەکنیکی
| خانە | بەها |
|---|---|
| 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 |
| ژینگەی جێبەجێکردن | NVIDIA NeMo with PyTorch |
| Precision | BF16 |
| Reference hardware | NVIDIA Blackwell RTX PRO 5000 |
تەلارسازی، بەهێزییەکان و بەکارهێنان
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 نوێنەرایەتییە ڤێکتەرییەکان. 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 خاڵی وەشان with BF16 evidence
Evaluation of meeting and call speaker segmentation
Streaming speaker-change analysis
Offline diarization research on recorded audio
خاڵەکانی پشکنین و کوانتایزکردنی پشتڕاستکراو
تەنها ئەو جۆرە وردانە پیشان دەدرێن کە سەرچاوە پشتڕاستی کردوونەوە و بەو وەشانەوە بەستراونەتەوە.
سەختەواڵەی پێشنیارکراو
Use the exact gated .nemo خاڵی وەشان 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 میزبانی offer.
نەزانراو / پێشنیار ناکرێت
مافی بەکارهێنانی بازرگانی پشتڕاست نەکراوەتەوە؛ بۆیە ئەم وەشانە بۆ بەکارهێنانی بازرگانی پێشنیار ناکرێت.
مۆڵەت و بڕیارەکانی میوانداری لەسەر خۆت
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 میزبانی, and restricts use to NVIDIA GPU systems. Consult the official terms for the complete obligations.
نەزانراو / پێشنیار ناکرێت. مافی بەکارهێنانی بازرگانی پشتڕاست نەکراوەتەوە؛ بۆیە ئەم وەشانە بۆ بەکارهێنانی بازرگانی پێشنیار ناکرێت.
ڕێڕەوی کاتیی وەشان
nvidia/nemotron/nemotron-3-diarization-preview
وردەکاریی سەرچاوە
وەشانی سەرچاوە: a43022e40b9883fb75078c47c5d4c995436863bb26e26f13a1a7e836ea519229
پرسیارە باوەکان
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 خاڵی وەشان.
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.
سەرچاوە فەرمییەکان
دوا جار پشتڕاستکراوەتەوە: 2026-09-03