← AI 動態
The Decoder
Nvidia釋出免費語音模型：即時辨識8人發言
Nvidia 推出免費的 Nemotron 3 Diarization 模型，僅1億參數，能即時分辨最多8位發言者，甚至能處理多人疊話，為語音轉文字提供強大助力。
Nvidia
語音辨識
開源模型
Nvidia 最新發布的 Nemotron 3 Diarization 是一款擁有約 1 億參數的輕量級語音 AI 模型，且模型權重完全免費開放。這項技術的核心在於「語音分化（Diarization）」，也就是能自動聽聲辨人，精準判斷對話中「現在是誰在說話」。它最多可同時分辨 8 位不同的講者，甚至在多人疊話時也能發揮作用。
對一般使用者與開發者而言，這項技術若與語音辨識系統（如文字轉錄）結合，就能輕鬆產出帶有發言者標籤的逐字稿。過去這類技術常受限於運算資源，Nvidia 此次釋出輕量且免費的模型，將大幅降低會議記錄、Podcast 轉錄或客服分析的開發門檻。
雖然背景噪音過大或參與者過多仍會影響準確率，但這款模型不論是處理預錄音檔或即時收音都能勝任，為未來的多模態語音應用奠定了良好的實務基礎。