Автоматически узнай, кто и когда говорил в записи разговора

GitHub-радар

Автоматически узнай, кто и когда говорил в записи разговора

Модель слушает аудио с несколькими людьми и сама определяет, кто говорил и в какой момент — без ручной разметки.

01nvidia/Nemotron-3-Diarization 50531k загрузок/мес0.1B параметровvoice-activity-detection

Это программа, которая разделяет запись разговора по голосам: показывает, кто говорил и когда, но не расшифровывает сами слова.

Когда пригодится

Пригодится, если ты монтируешь подкасты, видео или звонки с несколькими участниками. Если нужен текст разговора, этого недостаточно — понадобится отдельный шаг распознавания речи.

Плюсы

  • Различает до 8 говорящих в одной записи
  • Работает на обычном ноутбуке без видеокарты
  • Самый быстрый режим реагирует за 0,32 секунды
  • Ошибка на полной записи на треть ниже, чем у прошлой версии NVIDIA

Минусы

  • Распознаёт только голоса, а не слова
  • Понадобится отдельный шаг, чтобы получить текст разговора

Как поставить — по шагам

  1. 1Открой своего ИИ-агента (Claude Code или Codex) в папке проекта.
  2. 2Отправь агенту текст запроса из блока ниже.
  3. 3Подготовь тестовую запись с несколькими говорящими в формате WAV.
  4. 4Проверь, что агент установил модель и NeMo-Speech.cpp без ошибок.
  5. 5Посмотри результат — список отрезков вида «говорящий 1: начало–конец».
  6. 6Если нужен текст разговора, попроси агента добавить распознавание речи отдельным шагом.

Текст для агента

Текст для шага с агентом — скопируй и отправь (Claude Code, Codex, любой):

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