Nvidia lanza un modelo gratuito de 100 millones de parámetros que identifica hasta ocho hablantes en tiempo real
decoder ·
Nvidia ha lanzado Nemotron 3 Diarization, un modelo de IA gratuito con aproximadamente 100 millones de parámetros diseñado para identificar hablantes en audio en tiempo real. El sistema puede distinguir hasta ocho voces diferentes y detectar instancias de habla superpuesta dentro de las conversaciones. Es compatible tanto con archivos grabados como con transmisiones de audio en vivo, a menudo combinándose con herramientas de reconocimiento de voz como Parakeet para generar transcripciones etiquetadas. En la Benchmark v1 de VoiceArena para Diarización, el modelo logró una Tasa de Error de Diarización (DER) del 14,7 %, colocándolo en la cima de los rankings actuales. Este rendimiento representa una mejora significativa respecto a su predecesor, Streaming Sortformer, reduciendo las tasas de error en un promedio del 41 por ciento en varios escenarios de prueba. Si bien el modelo funciona bien en condiciones estándar, la precisión puede disminuir al lidiar con ruido de fondo intenso, reverberación o más de ocho participantes. Los usuarios pueden ajustar los ajustes del búfer de audio entre 0,32 y 30,4 segundos, aunque los búferes más cortos generalmente resultan en una menor precisión.
decoder