Sakhanda Wire
NVDA $154.00 -1.37% MSFT $506.28 -2.26% GOOGL $280.87 -1.00% META $620.34 -0.97% AMZN $256.88 -0.34%
← До новин

NVIDIA представила Nemotron 3 для діаризації мовлення восьми спікерів

NVIDIA представила Nemotron 3 Diarization — модель із відкритими вагами та 100 мільйонами параметрів, яка визначає, коли говорять різні учасники живих або записаних розмов. Вона підтримує до восьми каналів спікерів, зокрема одночасне мовлення, і обробляє аудіо фрагментами з налаштованою затримкою потокової роботи. Модель створює анонімні позначки й часові інтервали, але не встановлює особи людей.

Nemotron 3 Diarization упорядковує канали за часом першої появи голосів, щоб зберігати відповідність спікерів між послідовними аудіофрагментами. Її результати можна поєднати з автоматичним розпізнаванням мовлення та отримати транскрипцію із зазначенням спікерів. Сама діаризація не генерує текст. Модель приймає одноканальне аудіо з частотою 16 kHz; рекомендована затримка буфера становить 30.4, 1.04, 0.64 або 0.32 секунди.

У початковому тестуванні VoiceArena Diarization-Bench модель посіла перше місце серед 12 систем і 17 конфігурацій, випробуваних на 139 англомовних розмовах. За умови врахування перекривання мовлення та без допуску для меж показник помилки діаризації становив 14.72%, тоді як у наступної системи — 19.3%. NVIDIA також повідомила про нижчу помилку порівняно з попередньою чотириканальною Streaming Sortformer у восьми умовах за затримки 1.04 секунди.

Текст підготовлено ШІ Sakhanda Wire за матеріалом Hugging Face. Факти, цитати та повний контекст — в оригінальній статті нижче.

Вперше опубліковано виданням Hugging Face

Читати оригінал на Hugging Face ↗

Репортаж і зображення належать Hugging Face і зазначені вище з посиланням на оригінал; текст на цій сторінці — власний виклад Sakhanda Wire.

← До новин

Ще новини

Усі останні новини