Nvidia libera modelo aberto que identifica até oito vozes numa conversa em tempo real

Segundo o The Decoder, o modelo distingue até oito falantes e detecta fala sobreposta; mais participantes, ruído e eco aumentam os erros. Combinado a um reconhecedor de fala como o Parakeet, gera transcrições com rótulos anônimos, como "falante 2". O buffer de áudio vai de 30,4 a 0,32 segundo, e buffers menores tendem a reduzir a precisão.

No Diarization-Bench, da VoiceArena, lidera com 14,72% de erro, contra 19,3% do segundo colocado. Frente ao antecessor Streaming Sortformer, reduz o erro em 41% em média em oito cenários, com buffer de 1,04 segundo. A licença exata dos pesos não foi detalhada na fonte lida.