🎙 شرکت NVIDIA مدل Nemotron 3 Diarization را ارائه کرد: تشخیص گوینده با ۱۰۰ میلیون پارامتر و وزن‌های باز
شرکت NVIDIA مدل جدیدی برای تشخیص گوینده (Speaker Diarization) منتشر کرده که به پرسش «چه کسی، چه زمانی صحبت کرد» پاسخ می‌دهد — حتی وقتی چند نفر هم‌زمان حرف می‌زنند. این مدل هم روی صدای آفلاین و هم به‌صورت استریم زنده کار می‌کند.
✅ مشخصات کلیدی:
· ۱۰۰ میلیون پارامتر با وزن‌های باز روی Hugging Face
· مجوز OpenMDW-1.1 — استفاده تجاری مجاز
· ردیابی تا ۸ گوینده با پشتیبانی از هم‌پوشانی گفتار
· نرخ خطای تشخیص گوینده (DER) ۱۴.۷۲٪ در Diarization-Bench در مقابل ۱۹.۳٪ رقیب دوم
· ۴ پروفایل استریم از ۳۰.۴ ثانیه (دقیق‌ترین) تا ۰.۳۲ ثانیه (سریع‌ترین)
· کاهش میانگین ۴۱٪ در DER نسبی نسبت به Streaming Sortformer
· سرعت ۱۵٬۱۱۳ برابر زمان واقعی در حالت دسته‌ای روی RTX PRO 5000
· اجرا از طریق NVIDIA NeMo روی GPUهای لینوکس
🔍 چرا مهم است؟
تشخیص گفتار (ASR) فقط کلمات را می‌نویسد، اما تشخیص گوینده مشخص می‌کند هر کلمه مال کدام شخص است. این قابلیت برای صورت‌جلسه جلسات، تحلیل تماس‌های مرکز پشتیبانی، دستیارهای صوتی و زیرنویس زنده با برچسب گوینده حیاتی است.
🔗 لینک‌ها:
· تحلیل کامل
· مدل در Hugging Face
· بلاگ NVIDIA
· دموی زنده
#AI #NVIDIA #Diarization #Nemotron #SpeechRecognition
🆔 @asrgooyeshpardaz
شرکت NVIDIA مدل جدیدی برای تشخیص گوینده (Speaker Diarization) منتشر کرده که به پرسش «چه کسی، چه زمانی صحبت کرد» پاسخ می‌دهد — حتی وقتی چند نفر هم‌زمان حرف می‌زنند. این مدل هم روی صدای آفلاین و هم به‌صورت استریم زنده کار می‌کند.
✅ مشخصات کلیدی:
· ۱۰۰ میلیون پارامتر با وزن‌های باز روی Hugging Face
· مجوز OpenMDW-1.1 — استفاده تجاری مجاز
· ردیابی تا ۸ گوینده با پشتیبانی از هم‌پوشانی گفتار
· نرخ خطای تشخیص گوینده (DER) ۱۴.۷۲٪ در Diarization-Bench در مقابل ۱۹.۳٪ رقیب دوم
· ۴ پروفایل استریم از ۳۰.۴ ثانیه (دقیق‌ترین) تا ۰.۳۲ ثانیه (سریع‌ترین)
· کاهش میانگین ۴۱٪ در DER نسبی نسبت به Streaming Sortformer
· سرعت ۱۵٬۱۱۳ برابر زمان واقعی در حالت دسته‌ای روی RTX PRO 5000
· اجرا از طریق NVIDIA NeMo روی GPUهای لینوکس
🔍 چرا مهم است؟
تشخیص گفتار (ASR) فقط کلمات را می‌نویسد، اما تشخیص گوینده مشخص می‌کند هر کلمه مال کدام شخص است. این قابلیت برای صورت‌جلسه جلسات، تحلیل تماس‌های مرکز پشتیبانی، دستیارهای صوتی و زیرنویس زنده با برچسب گوینده حیاتی است.
🔗 لینک‌ها:
· تحلیل کامل
· مدل در Hugging Face
· بلاگ NVIDIA
· دموی زنده
#AI #NVIDIA #Diarization #Nemotron #SpeechRecognition
🆔 @asrgooyeshpardaz
MarkTechPost
NVIDIA Releases Nemotron 3 Diarization: A 100M-Parameter Open-Weight Model That Tracks 8 Speakers in Real Time
NVIDIA's Nemotron 3 Diarization is a 100M-parameter open-weight model that tracks 8 overlapping speakers in real-time streaming audio.
❤5