英伟达发布了一款叫 Nemotron 3 Diarization 的模型，专门解决一个问题：一段对话里，到底是谁在说话。模型参数量约1亿，权重免费开放，最多能区分八位说话人，还能识别出多人同时开口的情况。

它同时支持录音文件和实时音频。说话人越多、背景噪声越重、混响越明显，错误率就会往上走。搭配 Parakeet 这类语音识别系统使用时，它可以输出带说话人标签的转写文本，但标签是匿名的，比如 "speaker_2" 这种形式。

打开网易新闻 查看精彩图片

缓冲区的取舍

实时处理时，音频缓冲区可以设成四个档位，从 30.4 秒一路缩到 0.32 秒。缓冲区越短，延迟越低，但准确率通常会跟着下降。这是一道摆在开发者面前的取舍题：要更快的响应，还是要更稳的识别。

在 VoiceArena 的 Diarization-Bench 测试集上，这个模型目前排在第一位，错误率 14.72%，排在第二的系统是 19.3%。这个测试集的标准相当严格——重叠语音会被计入评分，说话人切换时哪怕只有极小的错位，也会被算作错误。

和前代比，误差降了四成

和它的前代模型 Streaming Sortformer 相比，在 1.04 秒缓冲区的设置下，新模型在八个测试场景里的错误率平均下降了 41%。

把这几组数字放在一起看，能看出英伟达这次的动作指向哪里。1亿参数不算大，权重免费开放，意味着它可以被塞进对算力敏感的场景里；八人区分和重叠语音检测，对应的是会议、访谈、客服录音这类真实音频环境；而 0.32 秒的短缓冲区选项，则是在往实时交互的方向靠。

语音分离本身不是新问题，难的是在多人、有噪声、有混响的条件下保持稳定，同时还要跑得够快。这次公布的错误率数据和缓冲区档位，基本就是围绕这两个约束在做平衡。