NVIDIA在Hugging Face发布开源说话人分离模型Nemotron 3 Diarization，1亿参数，最多追踪8位说话人，支持重叠语音，单检查点兼顾离线与实时流式。采用31层Transformer编码器，输出每位说话人活跃概率，延迟分四档，最低0.32秒。在Voice Arena基准排名第一，DER为14.72%，较前代平均降低41%。权重以OpenMDW 1.1发布，允许商用，经NeMo在NVIDIA GPU运行。