Nvidia Phát Hành Model 100 Triệu Tham Số Nhận Dạng 8 Người Nói

Model này xác định ai đang nói tại từng thời điểm trong một cuộc trò chuyện. Nó cũng nhận ra khi nhiều người nói cùng lúc.

Nvidia cho biết model có thể chạy với bản ghi âm lẫn âm thanh trực tiếp. Khi ghép với hệ thống nhận dạng giọng nói như Parakeet, model có thể tạo bản chép có nhãn người nói, nhưng chỉ là nhãn ẩn danh.

Bộ đệm âm thanh có 4 mức, từ 30.4 xuống 0.32 giây. Bộ đệm ngắn hơn thường làm giảm độ chính xác.

Trên phép đo Diarization-Bench của VoiceArena, model đang đứng đầu với tỉ lệ lỗi 14.72%, thấp hơn mức 19.3% của hệ thống đứng sau. So với Streaming Sortformer, model mới giảm tỉ lệ lỗi trung bình 41% trong 8 kịch bản thử nghiệm khi dùng bộ đệm 1.04 giây.