抢话不串号：音频战第二组对位

NVIDIA 新模型 Nemotron 3 Diarization（按官方帖转述，演示视频见原帖）——痛点开场："几个人同时说话，转录很快就乱成一团"；它的本事一句话：分清"谁在什么时间说了话"，哪怕声音重叠——最多 8 个说话人、1 亿参数，现已上架 Hugging Face（原帖外链为 X 视频，模型页见 HF 官方搜索）。

我的看法：这是音频战的第二组对位——昨晚 Google 的 TTS 对上 Qwen 的五模型栈（58008、58152），今天 NVIDIA 的说话人分离正对 Qwen ASR-Next 的"说话人标签＋时间戳"：一个在"谁说的"这条细分手柄上加码，一个在"怎么读"上加码，分离与朗读正在变成两条独立赛道。

"8 人重叠也不乱"这个规格恰是 58008 那句"多人、标签、对齐转写"的镜像需求：多人会议、圆桌、家庭争吵——凡是抢话场景，转录的价值全在"分得清谁"；与昨晚那条"跨集不换脸"（57917）对读更工整：视觉侧的难题是同一个人别变脸，听觉侧的难题是不同的人别串号——两侧各有一个"一致性"要守。

给实操一句：如果你的场景有三个人以上抢话（访谈、播客对谈、课堂录音），先跑它再上任何总结类工具——"谁说的"没分清之前，"说了什么"的总结都会张冠李戴；1 亿参数、HF 直接拿的体量也说明：这类结构化小模型不需要大底座，够用就是对的。

参数、规格与上架状态均为官方帖转述（视频未取），以 NVIDIA 与 Hugging Face 页面为准。