NVIDIA、話者分離モデルNemotron 3を公開

米NVIDIAは2026年9月23日、複数人が同時に発言する会話音声から「誰がいつ話したか」を正確に判定する話者分離（話者ダイアリゼーション（音声中の発言者を区間ごとに識別・分類する技術））のオープンウェイトモデル「Nemotron 3 Diarization」を公開しました。従来の4人対応から最大8人対応へと拡張され、オンライン会議やコールセンターなどの実環境音声において高精度なリアルタイム文字起こしパイプラインを低コストで構築できるようになります。

最大8人対応と1億パラメータによる高効率アーキテクチャ

公式発表および公開されたモデルカードによると、Nemotron 3 Diarizationはパラメータ数1億（100M）、31層のTransformerエンコーダで構成されています。入力された16kHz単一チャネル音声からメルスペクトログラム特徴量を抽出し、発話区間と話者チャンネルごとの活動確率を出力します。 主な仕様と性能指標は以下の通りです：

項目	Nemotron 3 Diarization の仕様
対応話者数	最大8人（音声登場順にチャンネル割り当て）
パラメータ数	1億（100M）、31層Transformerエンコーダ
入力音声仕様	16kHz モノラル（単一チャネル）
推奨バッファ遅延	30.4秒（オフライン）、1.04秒、0.64秒、0.32秒（超低遅延）
ベンチマーク成績	VoiceArena Diarization-Benchでエラー率14.72%（首位）
提供ライセンス	OpenMDW License Agreement version 1.1（商用利用可）
ストリーミング推論では「到着順話者キャッシュ（AOSC: Arrival-Order Speaker Cache）」とFIFOキューを併用し、音声の途中で話者のラベルが入れ替わる現象を防ぐ仕組みを採用しています。従来の4話者向けモデル「Streaming Sortformer v2.1」と比較して、1.04秒のバッファ遅延設定においてダイアリゼーションエラー率（DER）が平均41.0%改善したと報告されています。

公式資料と二次報道からみる差分と独自価値

Hugging Face上の公式ブログとUnite.AIの報道、ならびに推論パートナーであるBasetenの発表を比較整理すると、エコシステムでの実用化に向けた具体的な実装条件が判明しています。

• Basetenによる推論サポート​: Unite.AIの報道によると、Basetenは同日、RTX PRO 6000 GPU 1台で稼働する3つのプリセット（バッチ、ストリーミング、ダイアリゼーション付き文字起こし）を発表しました。1.04秒設定では500以上の同時ストリームを維持できると報告されています。
• ​音声認識（ASR）との組み合わせ​: 本モデル単体は「発話タイミングと話者ラベル」を出力するものであり、単語そのものは認識しません。完全な文字起こしを行うには、NVIDIAのParakeet V2やNemotron ASRなどの音声認識モデルと時間軸を結合する後処理パイプラインが必要です。
• ​未確認事項と制約​: モデルが識別できる話者数は最大8人までに制限されており、9人以上の発話者が混在する環境では誤判定や話者の混同（スピーカ・コンフュージョン）が増加する制約があります。また個人を特定する「話者照合（話者認証）」機能は含まれておらず、あくまで会話内の匿名IDを付与する設計です。

音声AIパイプラインへの分析と展望

音声対話エージェントや会議要約システムにおいて、複数人が被って話す「重複発話」への耐性と低遅延化は長年の課題でした。Nemotron 3 Diarizationが最小320ミリ秒のバッファで動作しつつ、VoiceArenaベンチマークで12システム中1位を記録したことは、リアルタイム音声処理の実用性を一段引き上げる成果と評価されます。 編集部注: オープンウェイトとして公開され、RTX PROシリーズなどの単一GPUで並行稼働できるスループットを備えていることから、クラウドAPIに頼らずプライベート環境で高精度な議事録・通話分析システムを内製したい企業にとって有力な選択肢になるとみられます。 引用元：Hugging Face | Unite.AI | Source | GIGAZINE | PC Watch