Nemotron 3 Diarization от NVIDIA

Финальная версия диаризации на 100 млн параметров - размечает речевые отрезки каждого участника на записи и в потоке

• до восьми собеседников - вдвое больше предыдущей Sortformer
• одновременная речь не мешает - модель выдает вероятности для каждого участника
• длина записи не ограничена - звук режется фрагментами
• метки анонимные: speaker_X с такой-то по такую-то секунду, без определения личности
• имена и роли привязываются логикой сценария в приложении

• моно-вход 16 кГц
• кадры по 80 мс, предсказание каждые 10 мс
• кэш голосов в потоковом режиме - собеседники запоминаются между фрагментами

HF
Демо

Спасибо @m_franz

#diarize

MAX