Nvidia выкатила на HuggingFace Nemotron 3 Diarization: 100 млн параметров, до 8 говорящих одновременно, задержка от 0.32 секунды. На бенчмарке VoiceArena модель показала 14.72% DER — против 19.3% у ближайшего конкурента. Главное: • 14.72% DER — первое место на VoiceArena Diarization-Bench • На 41% ниже ошибка, чем у предыдущего открытого решения • 0.32 с минимальная задержка, 10 мс — разрешение на выходе • 31 слой трансформера, тренировка на 82 611 часах симулированных данных • 8×A100 для обучения На реальных записях с шумом или реверберацией качество падает, а метки говорящих анонимны: speaker_0, speaker_1 — не имена. Что это значит: любая команда может забрать готовый инструмент и получить транскрипт, где каждая реплика привязана к спикеру, без платных API.