Sakhanda Wire
NVDA $152.18 -2.54% MSFT $505.66 -2.38% GOOGL $279.68 -1.43% META $617.65 -1.40% AMZN $256.02 -0.67%
← До новин

Nvidia випустила безкоштовну модель для розпізнавання мовців у реальному часі

Nvidia випустила Nemotron 3 Diarization — модель штучного інтелекту, яка визначає, хто говорить у кожен момент розмови. Вона має близько 100 мільйонів параметрів, а її ваги доступні безкоштовно. Модель розрізняє до восьми мовців і виявляє одночасне мовлення кількох людей. Більша кількість учасників, сильний фоновий шум або реверберація підвищують рівень помилок.

Система працює із записами та аудіо в реальному часі. У поєднанні із системою розпізнавання мовлення, такою як Parakeet, вона може створювати транскрипції з позначками мовців. Водночас ці позначки залишаються анонімними, наприклад «speaker_2». Доступні чотири налаштування аудіобуфера — від 30,4 до 0,32 секунди. Коротші буфери зазвичай знижують точність.

У Diarization Benchmark v1 від VoiceArena Nemotron 3 показала рівень помилок діаризації 14,7%, тоді як у наступної системи він становив 19,3%. Тест враховує перекривання мовлення та навіть незначні зміщення під час зміни мовця. За буфера 1,04 секунди нова модель у середньому на 41% перевершила Streaming Sortformer у восьми тестових сценаріях.

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

Вперше опубліковано виданням The Decoder

Читати оригінал на The Decoder ↗

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

← До новин

Ще новини

Усі останні новини