← Все новости·2026-09-27·3 мин чтения

Nvidia выложила в открытый доступ модель для различения голосов в разговорах

Nvidia открыла исходный код своей модели Nemotron 3 Diarization, которая умеет распознавать до 8 разных говорящих и на данный момент является самой точной из доступных моделей диаризации.

aiaudio

Nvidia выложила свою модель Nemotron 3 Diarization на Hugging Face в открытый доступ для всех желающих. Эта модель принимает на вход аудио и определяет, кто из говорящих говорит в каждый конкретный момент времени. Она поддерживает до 8 говорящих одновременно и работает даже тогда, когда несколько человек говорят в одно и то же время. На данный момент эта модель самая точная в бенчмарке VoiceArena Diarization Benchmark v1, с частотой ошибок 14,72% против 19,3% у следующей лучшей модели. Кроме того, эта модель — шаг вперёд по сравнению с предыдущей моделью Nvidia: средняя частота ошибок снизилась на 41%.

Мне кажется интересным, что это узкоспециализированная задача, а не что-то, что требовалось бы от чат-бота. При всего 100 миллионах параметров эта модель, похоже, не жертвует особо качеством, как это часто бывает с небольшими универсальными моделями. Веса можно найти на Hugging Face, так что вы можете скачать модель и использовать её сами, не платя ежемесячную подписку и не обращаясь к чужому API. Эта модель достаточно мала, чтобы работать на обычном сервере, вместо того чтобы требовать железо стоимостью в десятки тысяч долларов. В сочетании с моделью распознавания речи вроде Parakeet можно было бы собрать голосового ассистента, который правильно определяет, кто что сказал.

Источник: the-decoder.com

Бесплатный курс

Хватит читать про ИИ — начни строить с ним

Бесплатный курс Claude Code: свой первый сайт, инструмент или игра — без программирования. Без апсейлов и кросс-сейлов — здесь нечего купить.

Начать →
ЕАЕвгений Арсентьев

Автор

Евгений Арсентьев

PhD · Founder & CEO, Dad4Kids