Nvidia ha lanzado Nemotron 3 Diarization, un modelo de IA gratuito de 100 millones de parámetros diseñado para identificar hasta ocho hablantes distintos en tiempo real durante una conversación. El modelo de pesos abiertos puede detectar superposición de voces y procesar tanto transmisiones de audio en vivo como archivos de audio pregrabados. Cuando se combina con un sistema de reconocimiento de voz como Parakeet, la tecnología puede generar transcripciones completas con etiquetas de hablantes anónimas.
El búfer de audio del sistema puede configurarse en cuatro niveles diferentes, que van desde 30,4 segundos hasta 0,32 segundos, aunque los búferes más cortos reducen la precisión. En la evaluación Diarization‑Bench de VoiceArena, el modelo Nemotron 3 Diarization obtuvo el primer puesto con una tasa de error del 14,72 %, superando al segundo mejor sistema anterior, que tenía un 19,3 %. Esta nueva versión reduce la tasa de error en un promedio del 41 % respecto al predecesor de Nvidia, Streaming Sortformer, en ocho escenarios de prueba rigurosos usando un búfer de 1,04 segundos.
Por qué es importante: este lanzamiento de pesos abiertos mejora significativamente la precisión de la identificación de hablantes en tiempo real y brinda a los desarrolladores una herramienta potente para crear sistemas avanzados de transcripción.