この記事の結論
NVIDIAは9月23日、誰がいつ話したかを判定する話者分離モデル「Nemotron 3 Diarization」を公開。最大8人に対応し、商用利用も可能なオープンウェイトモデルです。
概要：会議や通話の「誰が話したか」を判定するオープンモデル
NVIDIAは2026年9月23日、話者分離（speaker diarization）モデル「Nemotron 3 Diarization」を公開しました。Hugging Faceのモデルカードに記載されたリリース日は9月23日で、同日にNVIDIAのメンバーによる解説記事もHugging Faceに掲載されています。
話者分離とは、音声の中で「どの時間帯に、どの話者が話していたか」を判定する技術です。音声認識（ASR）が「何を話したか」を文字にするのに対し、話者分離は「誰が話したか」を付け加えます。両者を組み合わせると、議事録の発言者ごとの整理や、約束をした人の特定、通話記録の分析などに使える文字起こしが作れます。
モデルの規模は1億（100M）パラメータと小さく、最大8人の話者に対応します。発言が重なった区間も扱え、1つのチェックポイントで録音ファイルの一括処理とリアルタイムのストリーミング処理の両方に使えます。モデルカードには商用・非商用の利用が可能と明記され、ライセンスはOpenMDW License Agreement 1.1です。日本企業にとっては、会議録や問い合わせ通話の分析を、外部クラウドに音声を出さずに自社環境で組み立てる選択肢が増えたことになります。
性能：従来モデル比で誤り率が平均41.0%低下
解説記事によると、Nemotron 3 DiarizationはVoiceArenaの話者分離ベンチマーク（Diarization-Bench）のリーダーボードで1位となり、話者分離誤り率（DER）は14.72%でした。
比較対象は、NVIDIAが以前公開していた4人対応のストリーミング用モデル（diar_streaming_sortformer_4spk-v2.1）です。入力バッファの遅延が1.04秒の設定では、8つの評価条件すべてでDERが下がり、相対的な削減率はCALLHOME-Part2の9.0%からNOTSOFAR1 MHMの65.2%まで幅がありました。8条件の削減率を単純平均すると41.0%です。記事は、これが全録音をまとめて計算したDERではなく、条件ごとの改善率の平均である点を明記しています。
処理速度では、RTX PRO 5000上でバッチサイズ32、torch.compileを使った条件で、30.4秒設定のRTFx（処理時間に対する音声の長さの倍率）が15,113倍（従来2,619倍）、1.04秒設定で865倍（従来136倍）と報告されています。ただし記事自身が、これは開示された試験環境でのバッチ処理の数値で、単一ストリームのアプリ全体の遅延とは別物だと注意しています。
使い方と動作条件
モデルはNVIDIA NeMoの音声ライブラリ（nemo-toolkit[asr]）から読み込んで使います。解説記事ではPython 3.12以降が前提とされ、入力は16kHz・モノラルの音声（wav、flac、opus、mp3）です。動作環境はLinuxで、NVIDIAのAmpere、Hopper、BlackwellのGPUを想定しています。
遅延と精度の兼ね合いは設定で選びます。推奨設定は、一括処理向けの30.4秒、低遅延の1.04秒、さらに短い0.64秒、最小の0.32秒の4段階です。遅延を短くすると一般に精度と処理量はともに下がるため、製品の要件に合わせて選ぶよう案内されています。
話者ラベルは「speaker_0」「speaker_1」のような匿名の番号で、実在の誰であるかを特定するものではありません。文字起こしと組み合わせる例として、解説記事はParakeet TDT 0.6B v3など単語ごとの時刻を返す音声認識モデルと突き合わせる方法を紹介しています。Hugging Face上にはブラウザで試せるデモも用意されています。
日本語で使う場合の注意点
モデルカードの学習データ欄には、英語の会話データに加え、21言語のライセンスデータを使った多言語の合成混合音声が含まれると書かれています。例示されている言語は英語、中国語（北京語）、ヒンディー語、カンナダ語、テルグ語、ベンガル語などで、日本語が明示的に挙げられているわけではありません。
話者分離は声の特徴で区別する処理のため、言語への依存は音声認識ほど強くないと考えられますが、これは当サイトの推測です。解説記事も、雑音、強い残響、遠距離のマイク、想定外の環境、長い会話では誤りが増えうるとし、実際の利用環境に近い音声で全体を評価するよう求めています。
日本企業が試す場合は、自社の会議室や電話の録音を数本用意し、発言者の切り替わりが正しく取れているかを人の目で確認するところから始めるのが現実的です。8人を超える会議では発話の取りこぼしや割り当て誤りが起こりうると解説記事に明記されている点にも注意してください。
中小企業・情シスにとっての使いどころ
社内会議の議事録作成、営業やサポートの通話記録の整理、インタビュー音声の書き起こしなど、「誰の発言か」が分からないと価値が下がる用途が主な対象です。音声を社外のサービスに送らずにGPUを積んだ自社のLinuxサーバーで処理できるため、顧客との通話など外部に出しにくい音声を扱う場合に検討しやすいモデルです。
一方で、解説記事は規制対象の業務や安全に関わる判断、影響の大きい業務に使う前に、システム全体を評価するよう求めています。話者の割り当てを常に正しいものとして扱わず、あいまいな箇所をあいまいなまま残す設計を推奨している点も、導入時の要件定義に取り入れるべきポイントです。
NemoClawのようなエージェント基盤と組み合わせる公式の手順は、今回の発表には含まれていません。まずは単体で文字起こしの精度を確かめ、そのうえで要約や議事録作成のエージェントに渡す、という順序で検討するのがよいでしょう。
