Nvidia a publié Nemotron 3 Diarization, un modèle d'IA gratuit de 100 millions de paramètres conçu pour identifier jusqu'à huit interlocuteurs distincts en temps réel au cours d'une conversation. Le modèle à poids ouverts peut détecter les voix qui se chevauchent et traiter à la fois les flux audio en direct et les fichiers audio préenregistrés. Lorsqu'il est couplé à un système de reconnaissance vocale tel que Parakeet, la technologie peut générer des transcriptions complètes avec des étiquettes anonymes pour chaque intervenant.
Le tampon audio du système peut être configuré à quatre niveaux différents, allant de 30,4 secondes à 0,32 seconde, bien que des tampons plus courts entraînent une précision réduite. Dans l'évaluation Diarization‑Bench de VoiceArena, le modèle Nemotron 3 Diarization a décroché la première place avec un taux d'erreur de 14,72 %, surpassant le deuxième meilleur système précédent qui affichait 19,3 %. Cette nouvelle version réduit le taux d'erreur en moyenne de 41 % par rapport au prédécesseur de Nvidia, le Streaming Sortformer, sur huit scénarios de test rigoureux utilisant un tampon de 1,04 seconde.
Pourquoi c'est important : cette version à poids ouverts améliore considérablement la précision de l'identification des locuteurs en temps réel et offre aux développeurs un outil puissant pour créer des systèmes de transcription avancés.