Nvidia пусна безплатен модел за разпознаване на говорители в реално време
Nvidia пусна Nemotron 3 Diarization — модел с изкуствен интелект, който определя кой участник говори във всеки момент от разговора. Той разполага с около 100 милиона параметъра, а теглата му са свободно достъпни. Моделът различава до осем говорители и засича едновременно говорене от няколко души. Повече участници, силен фонов шум и реверберация водят до по-висок процент грешки.
Системата работи както със записи, така и с аудио на живо. В комбинация със система за разпознаване на реч като Parakeet тя може да създава транскрипции с означения на говорителите, но те са анонимни, например „speaker_2“. Аудиобуферът има четири настройки — от 30,4 до 0,32 секунди. По-кратките буфери обикновено понижават точността.
В Diarization Benchmark v1 на VoiceArena Nemotron 3 постига процент грешки при диаризацията от 14,7%, пред 19,3% за следващата система. Тестът отчита припокриваща се реч и дори малки разминавания при смяната на говорителя. При буфер от 1,04 секунди моделът намалява грешките средно с 41% спрямо Streaming Sortformer в осем тестови сценария.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на The Decoder. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.