NVIDIA、話者分離モデル「Nemotron 3 Diarization」を公開——最大8人・0.32秒遅延で誤り率14.72%、首位は英語22時間の評価

NVIDIAが2026年9月23日、話者分離（ダイアライゼーション）モデル Nemotron 3 Diarization を公開しました。音声の中で「いつ、誰が話したか」を判定するモデルで、最大8人までの話者に対応し、ストリーミング（逐次）処理とまとめて処理するオフラインの両方で動きます。パラメータ数は 1億（100M）、ライセンスは商用利用もできる OpenMDW-1.1 です。

何をするモデルか

このモデルが出すのは、話者ごとに「話している区間」です。10ミリ秒ごとに、8人ぶんの「その人が話している確率」を0〜1で出します。発言の中身を文字にする機能は持っていません。

NVIDIAは、話者の区間を別の音声認識（ASR）モデルと組み合わせれば「誰が何を言ったか」付きの書き起こしが作れる、と説明しています。組み合わせる相手として、同社の Nemotron ASR 3.5 と Parakeet TDT 0.6B v3 の名前を挙げています。

話者はあらかじめ声を登録しておく必要はなく、出てきた順に区別されます。

公表されている数字

評価の数字は2種類ある

第三者のベンチマーク：Voice Arena

Voice Arenaが公開している話者分離の順位表「Diarization-Bench」で、Nemotron 3 Diarization は 話者分離の誤り率（DER）14.72% で1位です。2位はブルノ工科大学（BUT FIT）の DiariZen で 19.34%、NVIDIAは「次点より約24%低い」としています（(19.34−14.72)÷19.34で23.9%と、計算は合います）。NVIDIAの前のモデル Streaming Sortformer 4spk v2 は 24.61% でした。NVIDIAは、12のシステムのうち1位だったとしています。

このベンチマークの音声は、英語の139の会話、合計21.97時間で、1つの会話の話者は2〜8人、対面が115、オンラインが24です。正解は人が確かめたもの1つです。つまり、この1位は英語の会議・会話の音声での結果です。

NVIDIA自身の評価：DIHARD III

モデルの説明書には、話者分離の標準的なデータセット DIHARD III での、NVIDIA自身の測定が載っています。

遅延を30.4秒から0.32秒まで縮めても、誤り率の悪化は全体で0.82ポイントにとどまっています。一方、話者が5人以上になると誤り率は27〜29%台に上がり、1〜4人のときの3倍ほどになります。

読みどころ

リアルタイムに近い使い方で、ほとんど落ちない。0.32秒の遅延でも、オフラインとの差は1ポイント未満です。会議の字幕や通話の記録のように、話しているそばから「誰の発言か」を出したい用途に向いた性質です。

人数が増えると難しくなる。話者5人以上では誤り率が大きく上がります。NVIDIA自身も、雑音、強い残響、遠くのマイク、学習時と違う種類の音声、長い会話では、聞き逃しや話者の取り違えが増えうると書いています。9人以上の会話には、そもそも対応していません。

学習データの出どころを明かしている。公開データと使用許諾を得たデータで学習しており、そのうちDavid AIから許諾を得た実際の多人数会話を加えたことで、誤り率が11.19%から10.42%へ0.77ポイント下がった、と数字で示しています。多言語の合成会話は21言語にわたるとしています。

どう見るか

1億パラメータという小さなモデルで、第三者の順位表で首位に立ち、しかも商用利用できるライセンスで公開された、というのが要点です。すでに Argmax が自社の SDK（Argmax Pro SDK 3）で対応したとしています。

首位になった Voice Arena の評価は、英語の約22時間の音声によるものです。

発表はNVIDIAのブログ（Hugging Face）、仕様と評価はモデルの説明書、順位表はVoice ArenaのDiarization-Bench、ライセンスはOpenMDW-1.1にあります。