Die Saudi Press Agency meldete heute, am Samstag, dem 3. Oktober 2026, dass NVIDIA SADA, den saudischen Audiodatensatz, den die Saudische Behörde für Daten und Künstliche Intelligenz (SDAIA) zusammen mit der Saudischen Rundfunkbehörde veröffentlicht hat, zum Training seines Modells für automatische Spracherkennung, Nemotron 3.5 ASR, genutzt hat. Laut der Studie, die NVIDIA am 30. September in seinem Entwicklerblog veröffentlichte, erkennt ein Modell, das früher in nadschdischer und hidschasischer Sprache etwa 55 von 100 Wörtern falsch erkannte, jetzt etwa 30 falsch.

Das ist für jedes Unternehmen relevant, das ein Archiv von Kundenanrufen, eine Kundenservice-Hotline oder aufgezeichnete Besprechungen hat. Doch eine Schlagzeilenzahl ist keine Entscheidung. Dieser Artikel erklärt, wofür dieses Genauigkeitsniveau taugt und wofür nicht, welche Lizenzbedingung die Meldung verschweigt und wo die Stimmen Ihrer Kunden verarbeitet werden sollten.

Was passiert ist, in Zahlen

  • Das Modell: Nemotron 3.5 ASR, ein Streaming-Transkriptionsmodell mit 600 Millionen Parametern, das 40 Sprach-Locales abdeckt, von denen 32 ohne Anpassung transkribieren, wobei Arabisch in der transkriptionsbereiten Stufe liegt. Seine Seite auf Hugging Face gibt an, dass es unter der Lizenz OpenMDW-1.1 für die kommerzielle Nutzung bereit ist.
  • Die Daten: 133,7 Stunden nadschdischer und hidschasischer Sprache aus SADA. Das Team von NVIDIA mischte 90% saudische Sprache mit 10% öffentlichen FLEURS-Daten (7% Englisch, 3% Arabisch), damit das Modell nicht vergisst, was es bereits gut konnte.
  • Wortfehlerrate bei Nadschdi und Hidschasi: von 55,05% auf 29,96%. Über den gesamten SADA-Datensatz und alle seine Dialekte: von 58,84% auf 35,61%.
  • Zeichenfehlerrate bei Nadschdi und Hidschasi: von 31,63% auf 12,18%.
  • Kein Verlust bei den beiden Prüfungen, die NVIDIA durchführte: Englisch verbesserte sich leicht (von 11,04% auf 10,42%), ebenso der arabische FLEURS-Test (von 12,67% auf 11,41%).
  • Trainingsaufwand: 12.000 Schritte in etwa viereinhalb Stunden auf zwei Workstation-GPUs vom Typ RTX PRO 6000 Blackwell.
  • Geschwindigkeit: Das Modell läuft mit einer Latenz ab 80 Millisekunden, und seine Seite nennt fünf Streaming-Einstellungen von 80 bis 1.120 Millisekunden. Die obigen Fehlerraten wurden jedoch bei der Standardeinstellung von 320 Millisekunden gemessen; die Genauigkeit steigt mit größeren Abschnitten, die schnelleren Einstellungen tauschen also etwas Genauigkeit gegen Geschwindigkeit.

Zu SADA selbst sagt die Behörde, dass der Datensatz etwa 667 Stunden transkribiertes Audio enthält, überwiegend in saudischen Dialekten, mit mehr als zehn Dialekten in mehr als 125.000 Clips, die nach dem Dialekt des Sprechers gekennzeichnet sind. Die SDAIA hat ihn auf Kaggle für Forschende und Entwickler veröffentlicht.

30 falsche Wörter von 100: wofür das taugt und wofür nicht

Die Wortfehlerrate zählt jedes Wort, das ersetzt, ausgelassen oder hinzugefügt wurde. Bei 30% kann das Transkript eines Gesprächsabschnitts von 100 Wörtern rund 30 Fehler enthalten. Das ist eine große Verbesserung gegenüber 55, macht das Transkript aber nicht zu einem wörtlichen Protokoll, auf das Sie sich verlassen können.

Der Abstand zwischen der Wortrate (etwa 30%) und der Zeichenrate (etwa 12%) hat eine praktische Bedeutung. Ein Wort mit einem einzigen falschen Buchstaben zählt als ganzes falsches Wort, ein Teil der Fehler sind also ein oder zwei Buchstaben innerhalb eines Wortes und kein komplett verlorenes Wort. Deshalb kann ein Transkript für Suche und Kategorisierung nützlicher sein, als die Zahl von 30% vermuten lässt, vorausgesetzt, Ihre Suche toleriert ähnliche Schreibweisen, statt eine exakte Übereinstimmung zu verlangen.

  • Geeignet für: das Durchsuchen Ihres Anrufarchivs nach einem Produktnamen oder einer wiederkehrenden Beschwerde, das Kategorisieren von Anrufen nach Anlass, Zusammenfassungen, die ein Mitarbeiter prüft, und die Auswahl von Anrufen für die Qualitätsprüfung, statt zufällig hineinzuhören.
  • Allein nicht ausreichend für: ein Protokoll, auf das Sie sich in einem Streitfall stützen würden, die Ausführung einer finanziellen Anweisung aus einem Anruftranskript ohne Prüfung oder einen automatisierten Agenten, der die Worte des Kunden wörtlich nimmt und danach handelt.

Beachten Sie auch, dass SADA aus dem Fernsehen stammt: mehr als 600 Stunden aus mehr als 57 Sendungen und Serien, die die Saudische Rundfunkbehörde bereitgestellt hat. Der Anruf Ihres Kunden ist Telefonaudio, vielleicht aus einem Auto oder einem vollen Geschäft, manchmal mit zwei Personen, die durcheinanderreden. NVIDIA selbst schrieb in der Studie, dass dieser Arbeitsablauf kein Beleg für jeden arabischen Dialekt oder jede Einsatzumgebung ist. Die Zahl, die für Sie zählt, ist die Zahl bei Ihren eigenen Anrufen.

Die Bedingung, die die Meldung auslässt: Die Lizenz von SADA ist nicht kommerziell

Das Basismodell ist für die kommerzielle Nutzung lizenziert. Der Datensatz SADA hingegen ist auf Kaggle unter der Creative-Commons-Lizenz CC BY-NC-SA 4.0 veröffentlicht: Namensnennung, nicht kommerziell, Weitergabe unter gleichen Bedingungen. Wenn Sie für Ihr Unternehmen ein Modell mit SADA trainieren wollen, prüfen Sie zuerst die Lizenzbedingungen oder holen Sie die Erlaubnis des Dateninhabers ein, und gehen Sie nicht davon aus, dass offen für Forschende auch offen für Ihr Produkt bedeutet.

NVIDIA hat die Schritte und den Code des Experiments im Beitrag selbst veröffentlicht und auf ein allgemeines Notebook zum Feintuning verlinkt, dessen Beispieldaten ein englischer Datensatz sind, nicht SADA. Die Studie sagt aber nicht, dass das mit SADA feinabgestimmte Modell freigegeben wurde. Was Ihnen heute zur Verfügung steht, sind das Basismodell und die Methode. Die Daten, die Sie in Ihrem Unternehmen tatsächlich nutzen dürfen, sind in den meisten Fällen Ihre eigenen Aufnahmen.

Ihre Anrufe sind die Daten: was Sie vor jedem Test vorbereiten sollten

  • Eine echte Stichprobe: Wählen Sie Anrufe von Ihrer tatsächlichen Leitung, in den Dialekten Ihrer Kunden, in der Qualität, die Ihr System aufzeichnet, auch schwierige mit Geräuschen, Überlappungen, Zahlen und Produktnamen.
  • Ein Referenztranskript: Lassen Sie einen Mitarbeiter sie einmal von Hand transkribieren. Dieses Transkript ist der Maßstab, an dem Sie jedes Modell und jeden Anbieter messen, nicht die Demo, die der Verkäufer mitbringt.
  • Messen Sie, was für Sie zählt: Hat das Modell die Bestellnummer, den Produktnamen und den Anlass des Anrufs erfasst? Diese Felder sind für Ihr Geschäft wichtiger als die Gesamtfehlerrate.
  • Hinweis und Zweck: Das Gesetz zum Schutz personenbezogener Daten definiert personenbezogene Daten als alle Daten, unabhängig von Quelle oder Form, die eine Person identifizieren können, einschließlich Kontaktnummern, und behandelt Aufzeichnen, Speichern, Verwenden und Übermitteln als Formen der Verarbeitung. Ein aufgezeichneter Kundenanruf ist in der Regel ein personenbezogenes Datum, und seine Transkription ist Verarbeitung. Stellen Sie sicher, dass Sie für jeden Zweck eine Rechtsgrundlage haben und dass der Datenschutzhinweis, den Ihr Kunde hört oder liest, die Transkription und Analyse abdeckt, besonders wenn Sie Aufnahmen zum Training eines Modells nutzen wollen. Ausführlich haben wir das in unserem Artikel über Kundengespräche und die PDPL behandelt.

Wo die Stimmen Ihrer Kunden verarbeitet werden

Hier unterscheiden sich die beiden Wege wirklich:

  • Ein offenes Modell auf Ihrem eigenen Server oder in einer Cloud im Königreich: Das Audio verlässt das Königreich nie, und Sie entscheiden, wie lange es aufbewahrt wird und wer es sieht. Am besten läuft es auf einem Server mit NVIDIA-GPU (die Modellseite nennt NVIDIA-Architekturen von Volta bis Blackwell unter Linux), und die Seite verweist auch auf NeMo-Speech.cpp, eine schlanke Laufzeitumgebung von NVIDIA, die es auf einer gewöhnlichen CPU ausführen kann. Für das Feintuning mit Ihren Anrufen braucht es GPUs, und in jedem Fall muss jemand es betreiben und aktualisieren. Die Hardware-Rechnung haben wir in unserem Artikel über den Betrieb von Modellen auf eigenen Servern durchgerechnet.
  • Ein Cloud-Transkriptionsdienst außerhalb des Königreichs: leichter zu starten, aber die Aufnahmen Ihrer Kunden gehen ins Ausland, und die Übermittlung personenbezogener Daten außerhalb des Königreichs ist durch die Verordnung über die Übermittlung personenbezogener Daten außerhalb des Königreichs geregelt, eine der Durchführungsverordnungen der PDPL. Fragen Sie Ihren Anbieter, wo Audio verarbeitet und gespeichert wird, bevor Sie nach dem Preis fragen.

Fragen an Ihren Callcenter- oder Voicebot-Anbieter

Wenn Sie bereits einen Callcenter-Anbieter haben oder einen Sprachagenten erwägen, der Ihre Kunden bedient, verraten diese Fragen in einem einzigen Termin viel:

  • Welche Dialekte unterstützt Ihr System tatsächlich, und mit welchen Daten haben Sie seine Genauigkeit gemessen?
  • Messen Sie die Genauigkeit an einer Stichprobe unserer Anrufe, verglichen mit einem Referenztranskript, das wir erstellen?
  • Wo wird das Audio verarbeitet und wo der Text gespeichert, im Königreich oder außerhalb?
  • Nutzen Sie unsere Aufnahmen zum Training Ihrer Modelle, und wie schalten wir das ab?
  • Wie lange bewahren Sie Aufnahmen und Transkripte auf, und können wir sie exportieren und löschen?

Die Sicht von Origami

Sprache ist das am meisten verschwendete Datengut in einem saudischen Unternehmen. Ein Anruf mit einer Beschwerde, einer Bestellung oder einer Zusage eines Mitarbeiters endet, und danach durchsucht ihn niemand, und er wird nie mit dem Kundendatensatz verknüpft. Was mit SADA geschehen ist, zeigt, dass der Abstand zwischen globalen Modellen und unseren Dialekten mit gut gekennzeichneten saudischen Daten schrumpft, selbst bei einem kleinen Modell mit 600 Millionen Parametern.

Unsere Einschätzung für Unternehmer: Beginnen Sie nicht mit einem automatisierten Agenten, der Kunden antwortet. Beginnen Sie mit einem durchsuchbaren Archiv, einer Kategorisierung, die jeden Anruf mit seinem Anlass und dem Kundendatensatz in Ihrem System verknüpft, und einer Person, die prüft. Messen Sie dann die Genauigkeit an Ihren eigenen Anrufen, bevor Sie skalieren. Die erste Entscheidung ist nicht, welches Modell Sie wählen; sie ist, wo die Stimmen Ihrer Kunden verarbeitet werden und wem sie gehören.

Fazit

  • NVIDIA senkte die Fehler seines Modells in Nadschdi und Hidschasi von etwa 55 auf etwa 30 Wörter von 100, durch Training mit 133,7 Stunden SADA-Daten.
  • Eine Fehlerrate von 30% reicht für Suche, Kategorisierung und Zusammenfassungen mit menschlicher Prüfung, nicht aber für ein wörtliches Protokoll oder eine automatisierte Entscheidung.
  • Das Basismodell ist für die kommerzielle Nutzung lizenziert, SADA aber nur für die nicht kommerzielle Nutzung; prüfen Sie also die Lizenz, bevor Sie darauf aufbauen.
  • Messen Sie jedes Modell und jeden Anbieter an einer Stichprobe Ihrer eigenen Anrufe, verglichen mit einem Referenztranskript, das Sie selbst erstellen.
  • Wissen Sie, wo das Audio verarbeitet wird, und stellen Sie sicher, dass Ihr Datenschutzhinweis die Transkription und Analyse abdeckt.

Quellen