企业官网建设流程全解析

Nemotron-3-Diarization 是一款基于 MLX 框架的说话人分离（Speaker Diarization）模型，由 NVIDIA 官方模型转换而来，配合 mlx-audio 即可运行。它可以从 16 kHz 单声道音频中自动区分最多 8 位说话人，时间分辨率高达 10 ms。本文用 3 个步骤带你完成首次说话人分离调用，并对比generate与generate_stream两种调用方式，快速应用于会议记录、多轮对话标注等场景。

模型能力一览：8 个说话人、10 ms 分辨率

在动手之前，先通过 config.json 了解模型的关键能力，避免踩坑：

第1步：安装 mlx-audio 并加载说话人分离模型

先安装依赖：

pip install mlx-audio

如果希望在本地管理权重文件，可以克隆仓库：

git clone https://gitcode.com/hf_mirrors/mlx-community/Nemotron-3-Diarization

加载模型只需一行代码，strict=True会严格校验模型参数，确保加载的就是本仓库的 model.safetensors 权重：

from mlx_audio.vad import load model = load("mlx-community/Nemotron-3-Diarization", strict=True)

第2步：用 generate 一次性完成离线分离

generate适合整段音频离线处理：传入音频文件，一次性拿到全部说话人分离结果。

result = model.generate("meeting.wav") print(result.text)

调用要点：

• 输入文件需为 16 kHz 单声道（可用 ffmpeg 等工具转码）；
• 返回值中直接包含分离结果，可打印result.text快速查看；
• 适合会议录音、播客等"录完再处理"的批量场景。

第3步：用 generate_stream 实现增量流式分离

generate_stream返回一个增量生成器，边计算边产出结果，适合长音频或需要实时展示进度的场景。

for result in model.generate_stream("meeting.wav"): for segment in result.segments: print(segment.start, segment.end, segment.speaker)

调用要点：

• 每次迭代返回当前已确定的语音段：起始时间、结束时间、说话人编号；
• 增量结果通过 AOSC 与 FIFO 机制保持说话人身份一致——同一个人在整段音频中始终使用同一编号；
• 适合长录音转写、边播边分离的交互界面。

进阶：feed() 处理实时 PCM 流输入

如果你要做实时录音场景（麦克风逐块输入），可以跳过文件级 API，直接喂 PCM 数据：

state = model.init_streaming_state() model.feed(chunk, state) # 输入 16 kHz 单声道 PCM 块 model.feed([], state, final=True) # 收尾：冲刷残余数据

来自 README.md 的三点重要说明：

1. 时间戳是绝对时间：相对整段录音起点，方便与后续数据对齐；
2. 多人可重叠：重叠说话时，多个说话人会同时处于活跃状态；
3. 编号是通用 ID：标签按说话人出现顺序分配，模型不识别"这是谁"，如需声纹识别请另行处理。

常见注意事项清单 ✅

• 📌 输入必须是16 kHz 单声道，否则结果可能异常；
• 📌 说话人数超过 8 位时，模型只能区分前 8 位；
• 📌generate_stream的说话人编号在全程保持一致，可直接用于拼接时间轴；
• 📌 训练数据、评测指标与许可证详情，请参考模型卡片上游说明（见 README.md）；
• 📌 权重文件通过 Git LFS 管理（见 .gitattributes），克隆时请确保环境支持 LFS。

仓库核心文件速查

小结：Nemotron-3-Diarization 把"谁在什么时候说话"这件事变得很简单——离线批处理用generate一步到位，长音频与实时展示用generate_stream增量输出，麦克风流则交给feed。三步之后，你的 MLX 设备上就跑起来了一个工业级的说话人分离引擎。🚀