The Pulse
Hugging Face Transformers 5.18 aggiunge Nemotron 3 Diarization di NVIDIA
Hugging Face ha pubblicato Transformers 5.18.0 il 30 settembre, aggiungendo il supporto per il modello Nemotron 3 Diarization di NVIDIA. Il modello a pesi aperti identifica fino a otto parlanti e supporta l’elaborazione audio sia in streami
AI.info Team · Scritto con l’IA ·
Hugging Face ha pubblicato Transformers 5.18.0 il 30 settembre con il supporto integrato per Nemotron 3 Diarization di NVIDIA, un modello a pesi aperti che rileva chi parla e quando. L’integrazione consente agli sviluppatori di caricare il modello tramite le interfacce standard per la classificazione audio della libreria Transformers. Supporta sia l’elaborazione in diretta, segmento per segmento, sia l’analisi offline di audio registrato.
Otto parlanti, un’unica sequenza temporale
Nemotron 3 Diarization può identificare fino a otto parlanti, assegnando gli output relativi ai parlanti in base all’ordine in cui ciascuna persona compare per la prima volta nell’audio. Questo ordinamento è pensato per mantenere coerente l’identità dei parlanti nel corso di una conversazione. Il modello può elaborare riunioni, chiamate, podcast e altre registrazioni di conversazioni, e fornire etichette dei parlanti e marcature temporali ai sistemi di riconoscimento vocale.
Il modello usa una Arrival-Order Speaker Cache e una coda first-in, first-out per trasferire le informazioni sui parlanti e il contesto audio recente da un segmento all’altro durante lo streaming. Con l’inferenza per segmenti, secondo la documentazione, la durata massima della registrazione non è limitata. La risoluzione temporale dei frame in output può essere configurata in multipli di 10 millisecondi.
Che cosa significano i dati sulla latenza
Le note di rilascio descrivono impostazioni configurabili del buffer di input da 80 millisecondi fino a un buffer di 30,4 secondi simile a quello usato nell’elaborazione offline. Questi valori descrivono il buffering dell’audio, non necessariamente il tempo che un utente attende per ottenere un risultato. La documentazione di Transformers elenca modalità streaming con latenze di attesa dell’audio di 1,04 secondi, 0,64 secondi e 0,32 secondi, escluso il tempo di calcolo.
La scheda del modello indica che il buffer può essere impostato fino a un minimo di 80 millisecondi, ma individua in 0,32 secondi la configurazione minima raccomandata. La distinzione è importante per le applicazioni che richiedono aggiornamenti rapidi sui parlanti: l’impostazione del buffer più piccola disponibile non equivale a un obiettivo raccomandato per la latenza complessiva.
Transformers semplifica il caricamento del checkpoint
Gli sviluppatori possono caricare il modello con AutoProcessor e AutoModelForAudioFrameClassification, le interfacce generiche mostrate negli esempi della libreria. Nell’uso in streaming, il processor suddivide l’audio in segmenti e il modello restituisce una cache dei parlanti riutilizzabile nella chiamata successiva. L’ultimo segmento viene gestito separatamente, così che il modello possa valutare i frame rimanenti senza look-ahead.
La scheda del modello di NVIDIA indica che il checkpoint ha 99,2 milioni di parametri e che la sua licenza è OpenMDW 1.1. Secondo la scheda, il modello è destinato all’uso commerciale o non commerciale ai sensi di tale licenza. Transformers 5.18 aggiunge il supporto nella libreria: non introduce un nuovo checkpoint né modifica la licenza del modello.
Un’integrazione nella libreria, non il lancio di un nuovo modello
La scheda del modello di NVIDIA indica il 23 settembre 2026 come data di rilascio del modello, una settimana prima dell’aggiornamento di Transformers. La pubblicazione del 30 settembre segna dunque la sua aggiunta alla libreria di Hugging Face, rendendo il checkpoint esistente accessibile attraverso modalità familiari di caricamento e inferenza. Le note di rilascio elencano anche altri modelli aggiunti e modifiche al software, ma Nemotron 3 Diarization è l’aggiunta più rilevante dell’aggiornamento per l’elaborazione audio.
Per gli sviluppatori, il cambiamento concreto è l’accesso diretto alla diarizzazione in streaming in Transformers, senza dover creare un’integrazione separata per il checkpoint. Il limite al numero di parlanti, la gestione dei segmenti e le impostazioni di latenza del modello definiscono ciò che il supporto offre: frame audio attribuiti ai parlanti, con opzioni per il buffer che permettono di bilanciare aggiornamenti più rapidi e una maggiore quantità di contesto.