ニュース
AI議事録の「誰の発言か分からん」を解決。0.1B「Nemotron 3 Diarization」無償公開
2026年9月25日 12:22
会議の録音を文字起こししたら、どれが誰の発言か分からない——。この「誰がいつ話したか」の判定を、わずか0.1B(1億)パラメータでこなすAIモデル「Nemotron 3 Diarization」を、NVIDIAが9月24日(日本時間)に無償公開した。声が重なる場面でも最大8人の話者を追跡できる。オープンウェイト(モデルの重み)はHugging Faceからダウンロードでき、商用利用も認められる。
Nemotron 3 Diarizationは、音声の中で「誰がいつ話したか」を特定する、パラメータ数0.1B(1億)のAIモデルである。この処理は「話者ダイアライゼーション」と呼ばれ、会議の議事録作成やコールセンターの通話分析などで、発言と発言者を対応付けるために使われる。録音済みファイルを一括処理するオフラインと、会議中の音声を逐次処理するストリーミングの両方に対応し、最大8人まで話者を区別する。モデル自体は文字起こしを行なわず、音声認識(ASR)と組み合わせることで、発言ごとに話者を区別した議事録を作成できる。
ストリーミングでは、実際の会話からどれだけ遅れて判定を出すかを3段階から選択できる。最短の推奨設定では、わずか0.32秒分の音声で判定を出力する。0.64秒、1.04秒と遅らせる設定では、一度に読み込む音声が長くなるぶん文脈が増え、精度も高まる。
録音済みファイルの処理では、音声を30.4秒ずつまとめて読む設定が標準で、ストリーミング3段階と合わせた4段階の中で精度が最も高い。入力は16kHzのモノラル音声で、分割処理を使えば録音の長さに上限はない。
精度は従来モデルを大きく上回った。11分野の音声を収録したベンチマーク「DIHARD III」では、誤り率(DER)が録音済み設定で12.73%だった。最大4人に対応する従来モデル「Streaming Sortformer v2.1」のDER 19.09%から改善している。
第三者評価でも好成績だ。Voice Arenaの「Diarization-Bench」初回結果では、12システム中で首位に立った。誤り率14.72%は2位より約24%低かったと、NVIDIAはXで説明している。
中核は、Transformerを土台にした「Sortformer」と呼ばれる方式だ。最初に話した人を1人目、次に話した人を2人目と、登場した順に番号を割り当てていく。この単純な決まりによって、「この声は何番の人か」が音声の途中で揺らがない。ストリーミングでは、それまでに登場した話者の声の特徴を「Arrival-Order Speaker Cache(AOSC)」に保持し、長い会議でも同じ人を同じ番号で追い続ける。
手元のPCでも動かしやすい。軽量なC++実行環境「NeMo-Speech.cpp」が用意され、コマンド1つで話者の判定や、話者タグ付きの文字起こしを実行できる。Hugging FaceのTransformersにもネイティブ対応している。対応ハードウェアとして挙げられているのはNVIDIA GPU搭載システムで、GeForceではRTX 3050からRTX 5090までが並ぶ。
ライセンスは、The Linux Foundation傘下のプロジェクトが策定した「OpenMDW-1.1」。商用・非商用を問わず無償で利用でき、モデルが生成した出力の扱いにも制限はない。一方、学習データの言語一覧に挙がるのは英語や中国語、ヒンディー語などで、日本語の記載はない。日本語の会議でどこまで話者を聞き分けられるかは、ブラウザから試せる公開デモで確認できる。
Nemotron 3 Diarizationの主な仕様
- 入手先とライセンス: Hugging Faceの「nvidia/Nemotron-3-Diarization」から無償でダウンロードできる。ライセンスはOpenMDW-1.1で、商用・非商用とも利用可
- 規模と話者数: パラメータ数は0.1B(1億)。声が重なる場面を含め、最大8人の話者を判定する
- 対応する処理: 録音済みファイルの一括処理(オフライン)と、逐次処理(ストリーミング)の両対応。判定の遅れ(入力バッファ遅延)は0.32秒・0.64秒・1.04秒、録音済みファイルの処理は30.4秒設定が標準
- 入力: 16kHzのモノラル音声(wav/flac/opus/mp3)。分割処理を使えば録音の長さに上限はない
- ローカル実行: C++実行環境「NeMo-Speech.cpp」、NVIDIA NeMo、Hugging Face Transformersに対応