Baseten Blog·原文发布· 22 天前精选AI 评分66
NVIDIA Nemotron 3 Diarization：每小时音频一美分的实时说话人标签
NVIDIA Nemotron 3 Diarization: real-time speaker labels at a cent per audio hour
AI 导读
NVIDIA Nemotron 3 Diarization 发布，这是一个约 100M 参数的 Transformer 说话人分离模型，基于 NVIDIA Streaming Sortformer 构建，把 16 kHz 音频切成 10ms 帧并输出 T×8 的说话人活动概率矩阵。
本站提供 AI 导读，完整报道请前往来源网站阅读。
阅读原文 Baseten Blog · baseten.co
推荐理由
原文给出单检查点四档延迟、DER 对比与单卡并发上限，可据此评估实时说话人分离的部署成本。