NVIDIA、Nemotron 3 Diarizationを公開。最大8人を識別

NVIDIAは、会話音声から「誰がいつ話したか」を識別しつつ文字起こしするAIモデル「NVIDIA Nemotron 3 Diarization」をオープンモデルとして公開した。最大8人の話者に対応し、リアルタイムで処理できる。モデル本体はHugging Faceで配布され、ブラウザから試せるデモも用意されている。

技術的な特徴は、話者識別と文字起こしを別々の処理として実行する点にある。話者識別は、あらかじめ各人の声を登録しておく方式ではなく、会話に登場した順に「話者1」「話者2」とラベルを付けていく方式を採用している。事前準備なしに、初めて聞く参加者が混ざる会議でも使える設計だ。

性能面では、話者識別の精度を比べるベンチマーク「Diarization-Bench」の初期結果で、参加した12システムの中で1位となった。誤り率は14.72%で、2位のシステムより約24%低かったという。上位を争ったモデルにはMetaの「Muse Voice Transcribe」などが含まれる。発話が重なる4人の会話といった、人間でも聞き分けにくい音声でもかなり正確に話者を区別できたとされる。

文字起こしAIは各社が相次いで新モデルを出している分野だが、実務で議事録として使うには「誰の発言か」の区別が欠かせない。話者分離に強いモデルがオープンに公開されたことで、会議記録やコールセンターの通話分析など、自社環境でモデルを動かしたい用途での選択肢が広がる。なお、対応言語やライセンス条件は利用前に配布元で確認しておきたい。