英伟达发布1亿参数免费模型Nemotron3，支持8人实时语音分割识别

事件核心：发生了什么

2026 年 9 月 27 日，英伟达正式发布 Nemotron3Diarization，参数规模约 1 亿，专注语音分割聚类（Diarization）任务，也就是识别一段对话中“谁在什么时候说话”，并已开放权重数据。该模型支持实时音频和录音处理，最多可应对 8 人同时发言。

性能方面，它在 VoiceArena 语音分割基准（v1 版本）上以 14.72% 的 DER（分割错误率）排名第一，明显低于第二名系统的 19.3%。相比前代 Streaming Sortformer，在 1.04 秒音频缓冲条件下，该模型在 8 个测试场景中的平均错误率下降约 41%。为平衡延迟与准确率，它提供从 0.32 秒到 30.4 秒的四档动态音频缓冲设置。该模型还可与 Parakeet 等语音识别系统配合，自动生成带有匿名说话人标签（如 speaker_2）的文本。目前公开信息显示，参与人数增多、背景噪声过大或混响严重时，错误率会上升。

为什么重要

语音分离长期是会议记录、客服质检和多说话人交互中的技术门槛，过去高精度方案往往依赖闭源服务或更重的算力投入。英伟达这次把约 1 亿参数的轻量模型免费开放权重，等于把一项此前偏企业级的能力下放到开发者可直接调用的层面。

对行业竞争而言，这也延续了英伟达在 AI 模型层的布局逻辑：用开源模型带动推理需求，反过来巩固其算力生态。当多说话人识别能在边缘设备或实时商业场景中低成本运行时，语音 AI 应用的开发成本结构会发生变化。

对用户/开发者/创作者的影响

开发者可以用它搭建实时会议转写、智能客服坐席分析、多人播客自动分段等应用，并与现有语音识别链路组合，生成带说话人标签的文本。由于权重开放，本地部署和二次训练的门槛相对可控。创作者侧的影响更直接：多人访谈、圆桌讨论的后期整理可以更快区分发言人，减少人工标注。

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。

了解 GamsGo AI

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。

但需要注意，0.32 秒到 30.4 秒的缓冲档位意味着延迟与准确率需要按场景取舍，实时场景未必能直接套用最高精度配置。

值得关注的后续

一是该模型在实际产品中的落地情况，尤其是边缘设备和实时客服场景的延迟表现；二是英伟达是否围绕它提供配套 API 或推理优化工具，降低集成成本；三是竞品是否跟进开放类似权重的语音分离模型，推动这一细分方向的价格与能力竞争。

来源：AIbase