一句话看懂：NVIDIA 在 Hugging Face 发布开源权重模型 Nemotron 3 Diarization，用 1 亿参数把“谁在何时说话”做成可实时流式处理的说话人分离能力，并以 14.72% 的 DER 登上 VoiceArena 排行榜第一。
事件核心：发生了什么
2026 年 9 月 23 日，NVIDIA 在 Hugging Face 博客发布 Nemotron 3 Diarization。这是一个开放权重、约 1 亿参数的说话人日志（speaker diarization）模型，官方称其在 VoiceArena 的 Diarization-Bench 排行榜上以 14.72% 的 Diarization Error Rate（DER）排名第一。模型最多支持 8 个说话人，同时覆盖离线录音与流式实时场景，可处理多人抢话重叠，并允许开发者调整流式延迟与分块长度。训练数据包括公开语音数据，以及从 David AI 授权的真实多人对话数据；官方称加入 David AI 数据后，复合 DER 从 11.19% 降至 10.42%。此前的 NVIDIA Streaming Sortformer 只支持 4 人，这次扩展到了 8 人。
为什么重要
语音识别解决“说了什么”，说话人日志解决“谁说的”。过去很多会议、客服通话、播客的转写文本虽然字对，但无法把每句话可靠归属到具体人，导致摘要、行动项、搜索和对话分析的价值大打折扣。Nemotron 3 Diarization 的关键在于把流式说话人跟踪做成开源权重模型，并采用“按首次出现时间排序”的输出策略，让说话人通道在长对话中保持稳定，减少跨音频块的身份跳变。对英伟达来说，这既是补齐语音 AI 工具链的一步，也是在开源模型生态中继续扩大影响力的动作。
对用户/开发者/创作者的影响
开发者可以把该模型的说话人时间戳与 ASR（自动语音识别）结果对齐，生成带说话人标签的转写文本，用于会议记录、客服质检、播客剪辑和多说话人语音助手。模型输出的是匿名通道，如 speaker_2，而不是真实身份，仍需结合会议元数据或声纹验证做映射。对创作者而言，长录音的分块处理和可调流式延迟意味着更灵活的部署选择。企业采购时需注意，8 人上限适合多数会议和访谈场景，但大型圆桌或复杂多人环境仍需验证实际表现。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是模型实际部署后的延迟、吞吐和准确率是否与排行榜一致；二是竞品如 pyannote、其他开源 diarization 方案是否跟进多人流式能力；三是授权数据在 21 种语言模拟混合训练中的泛化效果，是否会在中文等场景中出现明显差异。目前公开信息显示，模型权重和用法已在 Hugging Face 放出，后续生态集成值得观察。
