Nvidia 开放 Nemotron 3 语音分离模型：免费、能分清 8 个人谁在说话

一句话说清：Nvidia 免费开放了一个小模型 Nemotron 3 Diarization，专门干一件事——听一段录音，标出「哪一秒是说话人 1、哪一段是说话人 3」，最多同时分清 8 个人；它只标「谁在说」，不负责把声音变成文字。

发生了什么

2026 年 9 月 27 日，Nvidia 发布开源模型 Nemotron 3 Diarization。

• 参数只有约 1 亿，很小、跑得快，权重免费下载；
• 任务是「说话人分离（diarization）」：给音频打时间戳，标出每段是谁在说话，最多支持 8 个人同时说话，也能识别多人抢话；
• 在 VoiceArena 的 Diarization-Bench 基准上，错误率 14.72% 排第一，比第二名（19.3%）低一截，比上一代 Sortformer 平均降错 41%；
• 它只标说话人，不出文字——要和语音识别模型（如 Nvidia Parakeet）配合，才能产出「带名字标签的逐字稿」。

对我有什么用

• 开会被录音的人：能自动分出「谁承诺了什么、谁反对了什么」，复盘会议纪要不用自己听完全程。
• 做客服 / 播客分析的人：把长录音按说话人切好，再做总结或质检，效率大增。
• 开发者：1 亿参数意味着它很轻，能实时跑，不用花大钱上云 API。
• 趋势信号：语音里的「谁在说」这种能力正在变成免费、开源的标配件。

我可以怎么做

1. 到 Hugging Face 搜 nvidia/nemotron-3-diarization 下载权重（免费）。
2. 准备一段录音或开一个直播音频流，把缓冲设好（缓冲越短越实时、但越容易出错，最低 0.32 秒）。
3. 用它对音频跑一遍，得到「说话人 1 在 4–17 秒、说话人 3 在 17 秒插话」这样的时间轴。
4. 再接一个语音识别模型，把每段声音转成文字，拼成带标签的稿子。

温馨提醒

• 它不翻译、不转写，只告诉你「谁在哪一秒说话」；要文字必须再接一个识别模型。
• 人越多、环境越吵、回音越大，错误率越高——真实会议里的误差通常会高于宣传的 14.72%。
• 说话人标签是匿名的（比如「speaker_2」），模型本身不存音频、不上传，但用它搭出来的应用要自己注意隐私合规。