NVIDIA Nemotron 3 Diarization in Glimpse
Glimpse ist eine Open-Source-Desktop-App für macOS und Windows, die Diktieren, Meeting-Aufnahmen, Transkription und NVIDIA Nemotron 3 Diarization vereint. Das Modell läuft auf deinem Computer und ordnet bis zu 8 Sprecher zu, live während der Aufnahme und nach dem Stoppen noch einmal vollständig.
- Sprecher pro Spur
- 8Sprecher pro Spur
- weniger Fehler als das vorherige Modell
- 42 %weniger Fehler als das vorherige Modell
- schneller als Echtzeit auf einem M2 Pro
- 339×schneller als Echtzeit auf einem M2 Pro
- auf der Festplatte, bei voller Genauigkeit
- 106 MBauf der Festplatte, bei voller Genauigkeit
Auf einen Blick
- Modell
- NVIDIA Nemotron 3 Diarization, basierend auf Streaming Sortformer v3. Es beantwortet „Wer hat wann gesprochen?“ mit einer Auflösung von 10 ms. Es erzeugt keinen Text, deshalb kombiniert Glimpse es mit einem Spracherkennungsmodell.
- Wo es läuft
- Auf deinem Computer, über transcribe.cpp, die Sprach-Engine von Glimpse auf dem Gerät. Kein Upload, kein Konto, und es funktioniert auch ohne WLAN.
- Plattformen
- macOS 14 oder neuer und Windows 10 oder neuer.
- Sprecher
- Bis zu 8 pro Spur.
- Hardware
- Der Grafikchip über Metal auf dem Mac und Vulkan unter Windows, eine NVIDIA-Karte ist also nicht nötig. Ohne GPU weicht es auf die CPU aus.
- Modelldatei
- Ein 8-Bit-GGUF (Q8_0), 106 MB, das genauso gut abschneidet wie volle Präzision. Versionen in F16 und F32 sind auf Hugging Face veröffentlicht.
- Spracherkennung
- Das Modell deiner Wahl: Parakeet TDT V3, Parakeet Unified, Whisper, Nemotron Streaming oder Qwen3-ASR, alle lokal. Cloud-Modelle, die du mit deinem eigenen Schlüssel hinzufügst, funktionieren auch.
So nutzt Glimpse das Modell
Sprecherzuordnung für Meetings, Anrufe, Vorlesungen und Interviews, vom ersten Wort bis zum Export.
- 1
Zwei Spuren, getrennt zugeordnet
Eine Aufnahme hält dein Mikrofon und den Ton deines Computers getrennt, deine eigenen Zeilen gehören also immer dir. Nemotron 3 Diarization läuft auf jeder Spur für sich, so werden die Leute bei dir im Raum nie mit den Leuten im Call verwechselt.
- 2
Live, während du aufnimmst
Das Live-Transkript nutzt das Modell im Streaming-Modus mit etwa einer Sekunde Vorlauf, so erscheint jede Zeile schon mit dem richtigen Sprecher.
- 3
Ein vollständiger Durchgang nach dem Stoppen
Wenn die Aufnahme endet, lässt Glimpse das Modell noch einmal über jede ganze Spur laufen, mit 30 Sekunden Vorlauf, der von NVIDIA veröffentlichten Einstellung für die beste Genauigkeit. Danach passen die Sprecher genau zu den Wörtern deines Sprachmodells.
- 4
Leicht zu korrigieren
Benenne Sprecher in der Mediathek um, gib ihnen eine andere Farbe, führe sie zusammen oder blende sie aus, oder ordne eine einzelne Zeile jemand anderem zu. Bei einer erneuten Sprechererkennung bleiben die vergebenen Namen erhalten. Importierte Dateien werden genauso behandelt.
Benchmarks
Auf dem AMI-Meeting-Korpus: 16 echte Meetings, 9,06 Stunden, mit 0 Sekunden Collar und einschließlich überlappender Sprache. Jede Zeile lief durch dieselbe Pipeline. Die Portierung stimmt in jeder Stufe mit der Referenz von NVIDIA überein. Methodik und die vollständige Tabelle stehen in der Model Card.
Diarization Error Rate
Niedriger ist besser. Selbst der Live-Modus mit einer Sekunde Vorlauf schlägt den besten Wert des vorherigen Modells.
- Glimpse, Q8_030,4 s Vorlauf9.23%
- Glimpse, Q8_0, live1,04 s Vorlauf9.48%
- NVIDIA-Referenz, fp3230,4 s Vorlauf9.22%
- Sortformer v2.1, vorheriges Modell30,4 s Vorlauf15.99%
Geschwindigkeit
Vielfaches der Echtzeit auf einem Apple M2 Pro. Ein 10-minütiges Meeting dauert auf der GPU unter zwei Sekunden.
- Nemotron 3 DiarizationGPU (Metal)339×
- Nemotron 3 DiarizationCPU59×
- Sortformer v2.1GPU (Metal)105×
- Sortformer v2.1CPU44×
Häufige Fragen
Nutzt Glimpse NVIDIA Nemotron 3 Diarization?
Ja. Seit Version 1.2.7 ordnet Glimpse Sprecher mit NVIDIA Nemotron 3 Diarization zu, lokal auf Mac und Windows. Es kommt für Live-Transkripte während der Aufnahme zum Einsatz, für den vollständigen Durchgang nach einer Aufnahme und für importierte Audio- und Videodateien.
Ist das dasselbe wie Sortformer?
Nemotron 3 Diarization ist der Streaming Sortformer v3 von NVIDIA. Es hat in Glimpse Sortformer v2.1 ersetzt, mit insgesamt 42 % weniger Fehlern, etwa viermal weniger Sprecherverwechslungen und doppelt so vielen Sprechern.
Brauche ich eine NVIDIA-Grafikkarte?
Nein. Glimpse führt das Modell über transcribe.cpp aus, mit Metal auf dem Mac und Vulkan unter Windows. Es läuft also auf Grafik von Apple Silicon, AMD, Intel und NVIDIA, und ohne GPU auf der CPU.
Funktioniert die Sprechererkennung offline?
Ja. Das Modell wird einmal heruntergeladen und läuft auf deinem Computer. Für die Sprechererkennung werden deine Aufnahmen nie hochgeladen.
Wie viele Sprecher kann es unterscheiden?
Bis zu 8 pro Spur. Da dein Mikrofon und der Ton deines Computers getrennte Spuren sind, kommt auch ein Call mit ein paar Leuten im Raum und weiteren in der Leitung sauber heraus.
Ist die Sprechererkennung kostenlos?
Die Sprechererkennung gehört zur Mediathek und zum Aufnahmemodus, die in jeder Glimpse-Lizenz und in der zweiwöchigen kostenlosen Testphase enthalten sind. Diktieren ist kostenlos und unbegrenzt.
Kann ich das konvertierte Modell in meinem eigenen Projekt nutzen?
Ja. Die GGUF-Dateien liegen auf Hugging Face unter NVIDIAs Lizenz OpenMDW 1.1, die kommerzielle Nutzung erlaubt, und laufen mit transcribe.cpp. Glimpse selbst ist Open Source unter AGPL-3.0.
Probier es bei deinem nächsten Meeting aus
Diktieren ist kostenlos und unbegrenzt. Aufnahme und Sprechererkennung kannst du zwei Wochen kostenlos testen.