NVIDIA Nemotron 3 Diarization（说话人分离模型）

产品简介

Nemotron 3 Diarization 是 NVIDIA 于 2026 年 9 月 23 日在 Hugging Face 开源发布的一款约 1 亿参数的开源说话人分离（Speaker Diarization）模型。该模型能够同时识别并区分多达 8 位说话人，支持重叠语音检测，离线处理延迟最低可达 0.32 秒，实时流式处理延迟覆盖 30.4 秒至 0.32 秒四个等级。在 VoiceArena 初始版 Diarization-Bench 评测中以 14.72% 的 DER（说话人分离错误率）排名第一，比第二名 19.3% 相对降低 24%。模型权重采用 OpenMDW License v1.1 授权，允许商业用途。

核心功能

8 人同时说话人分离 Nemotron 3 Diarization 是业界首款开源支持 8 人同时说话人分离的模型，可应用于复杂多人会议、电话客服、播客转录等此前模型无法处理的场景。模型原生支持重叠语音检测，同一时间段内多人同时说话也能准确区分。

多延迟档位灵活选择 提供四个延迟档位：超低延迟 0.32 秒（离线）、低延迟 2 秒、中延迟 8 秒、标准延迟 30.4 秒（离线）。用户可根据场景需求在精度与延迟之间灵活权衡，满足从实时通话到后台批量处理的不同需求。

离线录音与实时流式双模式 单个权重文件可同时处理离线录音（批量上传音频文件批量转录）和实时流式音频（麦克风实时输入流式处理），无需切换模型或额外配置，一套模型覆盖两种推理范式。

高精度说话人标签输出 与 Parakeet TDT 0.6B v3 语音识别模型组合使用，可直接生成带说话人标签（如"speaker_2"）的转写文本，每个说话人的发言内容独立标注，方便后续摘要、归档或分析。

多 GPU 平台部署 配套 NVIDIA NeMo 工具链可部署在 Ampere、Ada Lovelace、Hopper、Blackwell GPU 平台，Argmax 已在 Pro SDK 3 中集成，Baseten 和 DigitalOcean 提供推理服务托管。

特色优势

开源参数规模最小，精度最高 在 1 亿参数规模下实现 14.72% DER，显著优于同类闭源方案。以最小算力消耗达到最优精度，大幅降低企业部署门槛。

Sortformer 架构升级 将上一代 Streaming Sortformer 4 人版本（31 层 Transformer）的架构升级为 31 层 Transformer 编码器加 RoPE 旋转位置编码，按说话人首次到达时间锁定通道排序，配合 Arrival-Order Speaker Cache（AOSC）与 FIFO 队列两套记忆机制，有效避免流式推理中的 permutation drift 问题。

商业友好授权 OpenMDW License v1.1 明确允许商业用途，企业无需为授权费用担忧，可直接集成到商业产品中。

配套生态完善 NVIDIA NeMo 工具链提供从数据预处理到模型微调的全流程支持，Argmax 已集成于 Pro SDK 3，降低工程落地难度。

应用场景

企业多人会议纪要 自动识别会议中每位发言人的发言内容，生成结构化会议纪要，无需人工标注说话人身份，大幅降低会议记录整理成本。

呼叫中心质检与洞察 对客服通话录音进行批量说话人分离，识别不同客服与客户的发言比例、抢话情况，支撑服务质量评估与培训改进。

播客与语音内容生产 对播客、脱口秀等多嘉宾节目进行自动转录与说话人标注，生成可编辑的节目文字稿和嘉宾发言统计。

语音 Agent 记忆系统 搭配大语言模型后可直接输出"谁承诺了什么、谁提出了什么异议"的结构化摘要，显著降低会议与客服自动化方案的工程门槛。

适用人群

语音 AI 应用开发者、企业客服与会议产品团队、AI 语音研究机构、播客与内容创作者、有实时转录需求的各种组织。

出品方

NVIDIA NeMo 团队，联合 Sortformer 架构作者 David AI（训练数据合作方），2026 年 9 月 23 日开源发布于 Hugging Face。

更新动态

2026 年 9 月 23 日：NVIDIA 在 Hugging Face 开源发布 Nemotron 3 Diarization，14.72% DER 登顶 VoiceArena Diarization-Bench 评测榜首，OpenMDW-1.1 商业授权正式生效。

官网链接

https://huggingface.co/nvidia/Nemotron-3-Diarization