NVIDIA、話者分離Nemotron 3 Diarizationを公開 DER14.72%で首位

齋藤竹紘2026年10月7日2026年10月7日AIニュース

NVIDIAは2026年9月、1億パラメータの話者分離モデル「Nemotron-3-Diarization」を公開し、評価基準VoiceArenaでDER14.72%の首位となりました。

本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。話者分離とは、録音や通話の中で「誰がいつ話したか」を自動で切り分ける技術のことです。コールセンターの通話記録や会議の議事録で使われる基盤技術であり、音声AIの精度を左右する重要な部品です。Hugging Faceで公開されたNVIDIAの発表をもとに、要点を整理します。

何が起きたか：1億パラメータで最大8人を識別

NVIDIAが公開したNemotron-3-Diarizationは、約1億パラメータの話者分離モデルです。最大8人の話者を識別でき、ストリーミング処理にも対応します。性能の指標にはDER（Diarization Error Rate、話者分離の誤り率）が使われ、数値が低いほど高精度です。

発表によると、このモデルはVoiceArenaの評価で、DER14.72%を記録して首位になったとされています。評価は英語の会話139件、合計およそ22時間分で行われました。従来のベースラインであるdiar_streaming_sortformer_4spk-v2.1と比べると、遅延1.04秒の設定で平均40%の相対的な誤り率削減を達成したと説明されています。DIHARD IIIでの比較では、旧モデルの19.09%に対して12.73%でした。

遅延の設定は4段階あります。オフライン向けの30.4秒、低遅延の1.04秒、さらに短い0.64秒と0.32秒です。用途に応じて、精度を優先するか、リアルタイム性を優先するかを選べる設計になっています。

なぜ重要か：処理速度と学習データの両面で前進

処理速度の面では、30.4秒の設定でバッチサイズ32のときに15,113倍のRTFxが示されています。RTFxとは、音声の長さに対して何倍の速さで処理できるかを表す指標です。1.04秒の設定でも865倍とされており、大量の録音を後から一括処理する用途にも、通話中にリアルタイムで処理する用途にも耐えうる水準です。

学習データの面では、David AIから提供を受けたデータを加えることで、DERが絶対値で0.77ポイント改善したと報告されています。モデルの構造だけでなく、データの質と量が精度に直結することを示す結果です。ライセンスはOpenMDW License Agreement バージョン1.1の下で提供されると記載されています。商用利用の可否や条件は、導入前に原文での確認が必要です（要確認）。

関連モデルとして、同じ発表では音声認識のNemotron 3.5 ASR Streaming 0.6BやParakeet TDT 0.6B v3にも触れられており、音声認識と話者分離を組み合わせた音声処理の一式を整えようとする姿勢がうかがえます。連携先としては、Argmaxが自社のPro SDK 3への統合を進めているほか、BasetenとDigital Oceanが展開パートナーとして挙げられています。

今後の動き：音声AIの標準部品になるか

今回の公開で注目すべきは、1億パラメータという軽量さで首位の精度を出した点です。小さなモデルであれば、自社のサーバーや端末側で動かす選択肢が広がり、通信コストや情報管理の負担を抑えやすくなります。

次に見るべきポイントは3つあります。第一に、日本語など英語以外の会話での精度です。今回の評価は英語の会話が対象で、日本語での結果は発表からは確認できません（要確認）。第二に、話者が9人以上になる場面や、雑音の多い環境での挙動です。第三に、既存の音声認識サービスや議事録ツールへの組み込みがどこまで進むかです。Argmaxなど周辺事業者の対応が、実際に使える形になる速さを左右するでしょう。

まとめ

Nemotron-3-DiarizationはDER14.72%、最大8人、4段階の遅延設定という仕様で、話者分離の精度と速度を同時に押し上げたモデルです。日本語対応とライセンス条件は今後の確認事項ですが、音声AIの基盤技術が軽く、手に入りやすくなる流れを示す一例といえます。

参考文献

※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/

引用元: Hugging Face

【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）

齋藤竹紘

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。

投稿者: 齋藤竹紘

株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。齋藤竹紘のすべての投稿を表示