多人交谈或抢话时，语音转写往往很难分清谁在何时发言。NVIDIA 最新开源的 Nemotron 3 Diarization 模型就是为此而来。该模型仅 100M 参数，支持最多 8 位发言人的重叠语音检测与时间戳切分，并在 VoiceArena 评测榜以 14.72% 的错误率（DER）位列第一。它兼顾离线批处理与流式实时推理，输入缓冲延迟可在 0.32 秒到 30.4 秒间灵活调节，配合 NeMo 工具包可直接跑通带说话人标签的转写流水线。模型权重与试玩 Demo 现已开放：huggingface.co /blog/nvidia/nemotron-diarization