GitHub-радар
Кто говорил и когда: модель NVIDIA размечает голоса
Третья версия модели диаризации от NVIDIA раскладывает запись на голоса восьми участников одновременно и почти на треть реже ошибается, чем предыдущая версия. Работает локально, без облака и подписки.
Nemotron 3 Diarization - третья версия модели NVIDIA для диаризации: она слушает аудиозапись и определяет, кто и когда говорил, без расшифровки самих слов. Модель различает голоса восьми участников одновременно и работает как в потоковом режиме, прямо во время звонка, так и на уже готовой записи. Самый быстрый режим реагирует на голос уже через 0.32 секунды звука, поэтому её можно использовать для разметки речи в реальном времени, например в системах субтитров. На открытом тесте DIHARD III у полной записи ошибок стало почти на треть меньше, чем у предыдущей версии NVIDIA - 12.73% против 19.09%. Модель весит около 100 мегабайт и распространяется в файле для локального запуска через лёгкий движок NeMo-Speech.cpp, одной командой в терминале. Использовать её можно свободно, в том числе в коммерческих проектах.
Зачем это вайб-кодеру
Если вы монтируете подкаст или видео с несколькими участниками, эта модель сама разложит запись по голосам - кто говорил и когда, без ручной разметки на слух. Дальше эти метки можно передать в любую модель распознавания речи и получить готовый транскрипт с именами говорящих. Честно про ограничение: сама модель слова не различает, только голоса и время, так что для полного текста нужен ещё один шаг.
Как поставить
Скопируйте и отправьте своему агенту — Claude Code, Codex, любому:
Поставь мне локально модель диаризации речи Nemotron 3 Diarization от NVIDIA: https://huggingface.co/nvidia/Nemotron-3-Diarization - через NeMo-Speech.cpp запусти разметку голосов на тестовой записи с несколькими говорящими и покажи, кто и когда говорил.
Обычный ноутбук от 8 ГБ оперативки - модель весит около 100 мегабайт, видеокарта не нужна.
Открыть на Hugging Face▌ Ещё находки