नवीडिया ने एक मुफ्त 100 मिलियन-पैरामीटर मॉडल जारी किया जो रीयल-टाइम में आठ बोलने वालों की पहचान करता है
decoder ·
Nvidia ने Nemotron 3 Diarization नामक एक मुफ्त AI मॉडल जारी किया है, जिसमें लगभग 100 मिलियन पैरामीटर हैं और यह रियल-टाइम ऑडियो में वक्ताओं की पहचान के लिए डिज़ाइन किया गया है। यह सिस्टम आठ अलग-अलग आवाज़ों को भेद सकता है और बातचीत के दौरान ओवरलैपिंग स्पीच (एक साथ बोलने) का पता लगा सकता है। यह रिकॉर्डेड फ़ाइलों और लाइव ऑडियो स्ट्रीम्स दोनों के संगत है, और अक्सर Parakeet जैसे स्पीच रिक्ग्निशन टूल्स के साथ जुड़कर लेबल वाले ट्रांसक्रिप्ट तैयार करता है। VoiceArena डायरिज़ेशन बेंचमार्क v1 में, इस मॉडल ने 14.7% डायरिज़ेशन एरर रेट (DER) हासिल किया, जिससे यह वर्तमान रैंकिंग में शीर्ष पर है। यह प्रदर्शन अपने पूर्वज, Streaming Sortformer, की तुलना में काफी बेहतर है, जिसने विभिन्न टेस्ट परिदृश्यों में औसतन 41 प्रतिशत तक त्रुटि दर में कमी लाई है। हालांकि, यह मॉडल मानक स्थितियों में अच्छा काम करता है, लेकिन भारी बैकग्राउंड नॉइज़, रेवर्ब या आठ से अधिक भागीदारों वाली स्थितियों में सटीकता कम हो सकती है। उपयोगकर्ता ऑडियो बफ़र सेटिंग्स को 0.32 से 30.4 सेकंड के बीच समायोजित कर सकते हैं, हालांकि छोटे बफ़र आमतौर पर कम सटीकता का कारण बनते हैं।
decoder