Nvidia, konuşma sırasında gerçek zamanlı olarak en fazla sekiz farklı konuşmacıyı tanımlamaya yönelik, 100 milyon parametreli ücretsiz bir yapay zeka modeli olan Nemotron 3 Diyarizasyon’u yayınladı. Açık ağırlıklı model, örtüşen konuşmaları algılayabilir ve hem canlı ses akışlarını hem de önceden kaydedilmiş ses dosyalarını işleyebilir. Parakeet gibi bir konuşma tanıma sistemiyle birleştirildiğinde, teknoloji anonim konuşmacı etiketleriyle tam transkriptler oluşturabilir.
Sistemin ses tamponu, 30,4 saniyeden 0,32 saniyeye kadar dört farklı seviyeye ayarlanabilir; ancak daha kısa tamponlar doğrulukta azalmaya yol açar. VoiceArena tarafından yapılan Diarization‑Bench değerlendirmesinde, Nemotron 3 Diyarizasyon modeli %14,72 hata oranıyla birinci sırayı elde etti ve %19,3 olan bir önceki ikinci en iyi sistemi geride bıraktı. Bu yeni sürüm, 1,04 saniyelik tampon kullanılarak sekiz zorlu test senaryosunda Nvidia’nın önceki modeli Streaming Sortformer’a kıyasla ortalama %41 daha düşük hata oranı sağlıyor.
Neden Önemli: Bu açık ağırlıklı sürüm, gerçek zamanlı konuşmacı tanıma doğruluğunu önemli ölçüde artırıyor ve geliştiricilere gelişmiş transkripsiyon sistemleri oluşturmak için güçlü bir araç sunuyor.