/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
nemotron3_diarization · dense
Базовая модель
Nemotron-3-Diarization
Библиотека
transformers
Опубликована
26 сен 2026

nemotron-3-diarization

Поиск речи в аудиоАудио → label3 профессии

Вариант NVIDIA Nemotron 3 Diarization с настроенным декодером для определения границ реплик и говорящих в аудиозаписях.

28скачиваний за 30 дней0лайковвеса обновлены26 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Aduomas/nemotron-3-diarization — вариант NVIDIA Nemotron 3 Diarization с настроенным декодером для выделения реплик говорящих в аудио. По README, веса NVIDIA не изменялись: доработка касается преобразования вероятностей по аудиокадрам в сегменты. Модель выдаёт вероятности для восьми каналов с шагом 10 мс; декодер объединяет короткие паузы одного говорящего, чтобы реже разбивать его речь на отдельные реплики.

Модель предназначена для диаризации, в том числе записей клинических консультаций. На бенчмарке Omi для 15 симулированных консультаций «врач — пациент» указана DER 2,965% при допуске ±250 мс; настройки декодера подбирались на этих же записях, поэтому улучшение на новых данных может быть меньше. Результаты не проверяют записи с тремя и более говорящими, шумные помещения или реальные клиники. На строгой метрике без допуска результат хуже стандартного декодирования NVIDIA.

В метаданных модель отмечена как дообучение nvidia/Nemotron-3-Diarization, хотя README уточняет, что веса базовой модели не менялись. Репозиторий использует Transformers и формат safetensors. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Сценарии применения

  • разделение диалоговой записи консультации на реплики врача и пациента
  • определение временных границ речи разных говорящих
  • получение покадровых вероятностей активности говорящих для дальнейшей обработки

Ограничения

Настройки декодера подбирались на тех же 15 симулированных консультациях, на которых оценивалась модель; перенос результата на новые записи не гарантирован. Работа с тремя и более говорящими, шумными помещениями и реальными клиниками в описанном тесте не проверялась.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Nemotron 3 Diarization, tuned decoder

NVIDIA's Nemotron 3 Diarization with a tuned decoder: 2.965% DER on the Omi clinical diarization benchmark, vs 4.789% for NVIDIA's default decoding. The weights are NVIDIA's, unmodified. What's new is how the frame probabilities become speaker segments: short pauses by the same speaker are bridged instead of split.

Results

Omi clinical diarization benchmark: 15 simulated doctor-patient consultations from PriMock57, 2.4 hours, automatic speaker count. DER at ±250 ms uses the benchmark's own scorer; strict is zero tolerance.

SystemDER ±250 ms ↓Strict DER ↓Correct speaker count
Pyannote Precision-3 API2.891%not published14/15
This model2.965%12.942%14/15
Nemotron 3 + Omi runtime (proprietary)3.174%13.203%14/15
Nemotron 3, NVIDIA default decoding4.803%12.720%14/15
Pyannote Community-16.620%not published9/15
Sortformer v2.17.974%not published3/15

Competitor rows are Omi's published numbers. This model's row was scored from FP32 CPU probabilities; decoding those with NVIDIA's default 0.5 threshold gives 4.789%, matching NVIDIA's published 4.803% output at 99.8% frame agreement.

Caveats

  • The decoder settings were chosen on these same 15 recordings, as Omi's were. Expect a smaller gain on new audio.
  • The recordings are simulated two-speaker consultations. Nothing here tests 3+ speakers, noisy rooms or real clinics.
  • Bridging pauses trades a little strict accuracy for fewer broken turns; at ±250 ms it wins, at zero tolerance this model is 0.2 pp worse than NVIDIA's default.

How the decoder works

  1. Speaker active when its probability is above 0.5.
  2. A same-speaker pause under 0.4 s is filled.
  3. A pause under 0.5 s is filled if no other speaker talks during it.

Settings live in decoder_config.json. Decoding takes about 1 ms per recording.

Usage

pip install torch soundfile huggingface_hub git+https://github.com/huggingface/transformers
import sys
from huggingface_hub import snapshot_download

path = snapshot_download("aduomas/nemotron-3-diarization")
sys.path.insert(0, path)
from diarize import Diarizer

diarizer = Diarizer(path)
for segment in diarizer.diarize("visit.wav"):  # 16 kHz mono
    print(segment)  # {"start": 1.42, "end": 1.82, "speaker": "spk_0"}

On a CUDA GPU the model runs in BF16, and the per-chunk step is compiled into CUDA graphs. Omi reported that approach roughly halving inference time on an L4 (0.674 s to 0.323 s per ~10-minute file); it is not yet measured for this release. Diarizer.probabilities() returns the raw (frames, 8) probabilities at 10 ms.

Licence and attribution

Model weights, config.json and processor_config.json are from nvidia/Nemotron-3-Diarization (revision a435e98), redistributed under the OpenMDW License 1.1. See NOTICE. Refer to NVIDIA's model card for training data, intended use, bias and safety information.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Задача «voice-activity-detection» пока не поддерживается рантаймом.

Класс архитектуры
Nemotron3DiarizationForAudioFrameClassification
Ревизия весов
142a394

0 моделей