NVIDIA Nemotron · 说话人分离 · Nemotron 3

Nemotron 3 Diarization Preview：规格、GPU 要求与许可

Nemotron 3 Diarization Preview 是 NVIDIA 的 1 亿参数说话人分离模型，用于识别实时或录制音频中谁在何时说话。

未知 / 不建议部署企业模型转换比较此模型

Nemotron 3 Diarization Preview 技术部署示意图 — 参考部署流程；精确架构事实另行列出。

总参数100M

激活参数密集模型

上下文窗口不适用 / 不可直接比较

版本状态预览版 · 近期

架构Streaming Sortformer Transformer

模态音频

许可证other

部署状态技术上可用于评估

商业状态未知 / 不建议部署

发布日期2026-08-27

技术档案

字段	值
用途	说话人分离：识别谁在何时说话
说话人数	最多 8 位，按出现顺序排列
推理模式	流式和离线
输入	16 kHz 单声道 WAV、FLAC、OPUS 或 MP3
输出	[T, 8] 说话人活动概率
输入缓冲区	80 毫秒至 30.4 秒；分块推理无固定时长限制
运行环境	NVIDIA NeMo 与 PyTorch
精度	BF16
参考硬件	NVIDIA Blackwell RTX PRO 5000

架构、优势与用途

这一受限访问、可自行托管的预览版属于 Nemotron 的音频与语音领域及说话人分离分支。它接收 16 kHz 单声道音频，并按出现顺序输出最多八位说话人的活动概率。

该 1 亿参数模型采用含旋转位置嵌入的 31 层 Streaming Sortformer Transformer。10 毫秒 Mel 帧下采样为 80 毫秒编码帧，再由 Conv1D 阶段生成说话人活动概率。

流式与离线说话人分离

最多八位按出现顺序排列的说话人

具有 BF16 证据的官方 NeMo 检查点

评估会议和通话中的说话人分段

流式说话人切换分析

对录制音频进行离线分离研究

已认证检查点与量化

仅显示与此版本关联并经来源认证的精确变体。