NVIDIA、最大8人の話者をリアルタイム識別する「Nemotron 3 Diarization」を公開

画像の出典：Hugging Face

会議や商談の音声をテキスト化する際、誰が発言しているかを自動で判別する「話者分離」は、議事録作成の効率化に欠かせない技術です。NVIDIAが新たに公開したモデルは、約1億パラメータの軽さで逐次処理（ストリーミング）にも対応します。

本記事では、NVIDIAが発表した最新の話者分離モデル「Nemotron 3 Diarization」の概要と、ビジネス現場での活用可能性について解説します。

リアルタイム話者分離を実現する新モデル

1億パラメータの軽量モデルで最大8人を識別

NVIDIAは2026年9月23日、Hugging Face上で話者分離モデル「Nemotron 3 Diarization」（モデル名：nvidia/Nemotron-3-Diarization）を公開しました。本モデルは約1億パラメータという比較的小規模な構成でありながら、最大8人までの話者を同時に識別できる能力を備えています。

特筆すべきは、録音データに対する一括処理だけでなく、ストリーミング（逐次処理）に対応している点です。入力の待ち時間を0.32秒、0.64秒、1.04秒、30.4秒の4段階から選択可能で、用途に応じてリアルタイム性と精度のバランスを調整できます。

ベンチマークの成績

NVIDIAの発表によると、本モデルは「VoiceArena」の話者分離ランキングにおいて、話者分離の誤り率（DER：Diarization Error Rate）14.72%を記録し、1位を獲得しました。また、DIHARD IIIデータセットを用いた評価では、30.4秒設定でDER 12.73%、1.04秒設定で13.18%という高い精度を達成しています。

本モデルは「OpenMDW License 1.1」の下で提供されており、NVIDIAの音声処理ライブラリ「NeMo」を通じて利用可能です。なお、モデルカードに記載されている対応言語は英語、中国語（普通話）、ヒンディー語などが含まれていますが、日本語の記載はありません。

ビジネス現場への導入に向けた検討事項

議事録作成の自動化を加速

Nemotron 3 Diarizationは、逐次処理の待ち時間を0.32秒まで短くできる設定を持つため、リアルタイム性が求められるアプリケーションへの組み込み候補になります。

特に、コールセンターでの通話分析や、オンライン会議のリアルタイム議事録作成など、発話の重なりが発生しやすい環境において、本モデルの逐次処理機能は大きな利点となります。開発チームは、自社の音声認識パイプラインに本モデルを統合することで、より高度な会話分析環境を構築できるでしょう。

技術選定における注意点

本モデルの導入を検討する際は、ライセンス条項（OpenMDW License 1.1）の確認が必須です。また、モデルカードに日本語の記載がないという事実は、日本語環境での利用を想定している開発者にとって重要な判断材料となります。英語や中国語、ヒンディー語が主体のグローバルな会議環境での活用が、現時点では最も適したユースケースと言えます。

まとめ

• NVIDIAが最大8人の話者を識別する「Nemotron 3 Diarization」を公開
• 約1億パラメータの軽量モデルで、0.32秒からのリアルタイム処理に対応
• VoiceArenaランキングでDER 14.72%を記録し、高い精度を実証
• OpenMDW License 1.1で提供され、NeMoライブラリで利用可能
• 日本語の対応についてはモデルカードに記載がないため注意が必要

自社の音声認識システムに話者分離機能を組み込みたい開発チームは、まずはNeMoライブラリを用いたプロトタイプ作成から着手することをお勧めします。

出典：Hugging Face