NVIDIA Nemotron 3 Diarization en Glimpse
Glimpse es una app de escritorio de código abierto para macOS y Windows que combina dictado por voz, grabación de reuniones, transcripción y NVIDIA Nemotron 3 Diarization. El modelo se ejecuta en tu ordenador e identifica hasta 8 hablantes, en directo mientras grabas y otra vez sobre toda la grabación cuando paras.
- hablantes por pista
- 8hablantes por pista
- menos errores que el modelo anterior
- 42 %menos errores que el modelo anterior
- más rápido que el tiempo real en un M2 Pro
- 339×más rápido que el tiempo real en un M2 Pro
- en disco, con toda la precisión
- 106 MBen disco, con toda la precisión
De un vistazo
- Modelo
- NVIDIA Nemotron 3 Diarization, basado en Streaming Sortformer v3. Responde a «quién habló y cuándo» con una resolución de 10 ms. No produce texto, así que Glimpse lo combina con un modelo de reconocimiento de voz.
- Dónde se ejecuta
- En tu ordenador, con transcribe.cpp, el motor de voz local de Glimpse. Sin subidas, sin cuenta, y funciona sin wifi.
- Plataformas
- macOS 14 o posterior, y Windows 10 o posterior.
- Hablantes
- Hasta 8 por pista.
- Hardware
- El chip gráfico, con Metal en Mac y Vulkan en Windows, así que no necesita una tarjeta de NVIDIA. Si no hay GPU disponible, usa la CPU.
- Archivo del modelo
- Un GGUF de 8 bits (Q8_0), de 106 MB, que puntúa igual que la precisión completa. Las versiones F16 y F32 están publicadas en Hugging Face.
- Reconocimiento de voz
- El modelo que elijas: Parakeet TDT V3, Parakeet Unified, Whisper, Nemotron Streaming o Qwen3-ASR, todos locales. También funcionan los modelos en la nube que añadas con tu propia clave.
Cómo lo usa Glimpse
Identificación de hablantes en reuniones, llamadas, clases y entrevistas, desde la primera palabra hasta la exportación.
- 1
Dos pistas, identificadas por separado
Una grabación mantiene separados tu micrófono y el audio de tu ordenador, así que tus líneas siempre son tuyas. Nemotron 3 Diarization se ejecuta en cada pista por su cuenta, así que las personas que están contigo en la sala nunca se confunden con las de la llamada.
- 2
En directo, mientras grabas
La transcripción en vivo ejecuta el modelo en modo streaming con alrededor de un segundo de anticipación, así que cada línea aparece ya atribuida a su hablante.
- 3
Una pasada completa al terminar
Cuando termina la grabación, Glimpse vuelve a ejecutarlo sobre cada pista completa con 30 segundos de anticipación, el ajuste que NVIDIA publica para obtener la mejor precisión. Después, los hablantes se alinean con las palabras de tu modelo de voz.
- 4
Fácil de corregir
Cambia el nombre o el color de los hablantes, combínalos u ocúltalos en la Biblioteca, o pasa una sola línea a otra persona. Al volver a detectar hablantes se conservan los nombres que les diste. Los archivos que importes reciben el mismo tratamiento.
Pruebas de rendimiento
Con el corpus de reuniones AMI: 16 reuniones reales, 9,06 horas, con un margen de 0 segundos y con el habla superpuesta incluida. Todas las filas pasaron por el mismo proceso. La adaptación coincide con la referencia de NVIDIA en cada etapa. La metodología y la tabla completa están en la ficha del modelo.
Tasa de error de diarización
Cuanto más baja, mejor. El modo en directo, con un segundo de anticipación, sigue superando el mejor resultado del modelo anterior.
- Glimpse, Q8_030,4 s de anticipación9.23%
- Glimpse, Q8_0, en directo1,04 s de anticipación9.48%
- Referencia de NVIDIA, fp3230,4 s de anticipación9.22%
- Sortformer v2.1, modelo anterior30,4 s de anticipación15.99%
Velocidad
Veces más rápido que el tiempo real en un Apple M2 Pro. Una reunión de 10 minutos tarda menos de dos segundos en la GPU.
- Nemotron 3 DiarizationGPU (Metal)339×
- Nemotron 3 DiarizationCPU59×
- Sortformer v2.1GPU (Metal)105×
- Sortformer v2.1CPU44×
Preguntas frecuentes
¿Glimpse usa NVIDIA Nemotron 3 Diarization?
Sí. Desde la versión 1.2.7, Glimpse identifica a los hablantes con NVIDIA Nemotron 3 Diarization, en local en Mac y Windows. Se usa para las transcripciones en vivo mientras grabas, para la pasada completa después de una grabación y para los archivos de audio y vídeo que importas.
¿Es lo mismo que Sortformer?
Nemotron 3 Diarization es el Streaming Sortformer v3 de NVIDIA. Sustituyó a Sortformer v2.1 en Glimpse, con un 42 % menos de errores en total, unas cuatro veces menos confusión entre hablantes y el doble de hablantes.
¿Necesito una tarjeta gráfica de NVIDIA?
No. Glimpse ejecuta el modelo con transcribe.cpp, usando Metal en Mac y Vulkan en Windows, así que funciona con gráficos de Apple Silicon, AMD, Intel y NVIDIA, y en la CPU cuando no hay GPU.
¿La detección de hablantes funciona sin conexión?
Sí. El modelo se descarga una vez y se ejecuta en tu ordenador. Tus grabaciones nunca se suben para detectar hablantes.
¿Cuántos hablantes puede distinguir?
Hasta 8 por pista. Como tu micrófono y el audio de tu ordenador son pistas separadas, una llamada con varias personas en la sala y más al otro lado sigue saliendo limpia.
¿La detección de hablantes es gratis?
La detección de hablantes forma parte de la Biblioteca y del modo Grabación, que vienen con todas las licencias de Glimpse y con la prueba gratis de dos semanas. El dictado es gratis e ilimitado.
¿Puedo usar el modelo convertido en mi propio proyecto?
Sí. Los archivos GGUF están en Hugging Face con la licencia OpenMDW 1.1 de NVIDIA, que permite el uso comercial, y funcionan con transcribe.cpp. Glimpse es de código abierto con licencia AGPL-3.0.
Pruébalo en tu próxima reunión
El dictado es gratis e ilimitado. La grabación y la detección de hablantes vienen con una prueba gratis de dos semanas.