Quand la transcription par IA des appels en dialecte saoudien est-elle suffisante ?

L'Agence de presse saoudienne a annoncé aujourd'hui, samedi 3 octobre 2026, que NVIDIA avait utilisé SADA, le jeu de données audio saoudien publié par l'Autorité saoudienne des données et de l'intelligence artificielle (SDAIA) avec l'Autorité saoudienne de radiodiffusion, pour entraîner son modèle de reconnaissance automatique de la parole, Nemotron 3.5 ASR. Selon l'étude publiée par NVIDIA sur son blog pour développeurs le 30 septembre, un modèle qui se trompait sur environ 55 mots sur 100 en parole najdie et hijazie ne se trompe plus que sur environ 30.

Cela concerne toute entreprise disposant d'une archive d'appels clients, d'une ligne de service client ou de réunions enregistrées. Mais un chiffre de titre n'est pas une décision. Cet article explique à quoi ce niveau de précision est utile et à quoi il ne l'est pas, la condition de licence que l'information ne mentionne pas, et où la voix de vos clients devrait être traitée.

Ce qui s'est passé, en chiffres

• Le modèle : Nemotron 3.5 ASR, un modèle de transcription en flux de 600 millions de paramètres couvrant 40 combinaisons langue-région, dont 32 transcrivent nativement, l'arabe figurant dans le niveau prêt à transcrire. Sa page Hugging Face indique qu'il est prêt pour un usage commercial, sous licence OpenMDW-1.1.
• Les données : 133,7 heures de parole najdie et hijazie issues de SADA. L'équipe de NVIDIA les a mélangées à raison de 90 % de parole saoudienne pour 10 % de données publiques FLEURS (dont 7 % en anglais et 3 % en arabe) afin que le modèle n'oublie pas ce qu'il faisait déjà bien.
• Taux d'erreur sur les mots en najdi et en hijazi : de 55,05 % à 29,96 %. Sur l'ensemble de SADA et de tous ses dialectes : de 58,84 % à 35,61 %.
• Taux d'erreur sur les caractères en najdi et en hijazi : de 31,63 % à 12,18 %.
• Aucune perte sur les deux vérifications effectuées par NVIDIA : l'anglais s'est légèrement amélioré (de 11,04 % à 10,42 %), tout comme le test arabe FLEURS (de 12,67 % à 11,41 %).
• Coût d'entraînement : 12 000 étapes en environ quatre heures et demie sur deux GPU de station de travail RTX PRO 6000 Blackwell.
• Vitesse : le modèle fonctionne avec une latence à partir de 80 millisecondes, et sa page indique cinq réglages de flux allant de 80 à 1 120 millisecondes. Les taux d'erreur ci-dessus ont toutefois été mesurés avec le réglage par défaut de 320 millisecondes ; la précision s'améliore avec des segments plus longs, si bien que les réglages les plus rapides sacrifient un peu de précision au profit de la vitesse.

Quant à SADA elle-même, l'agence indique qu'elle contient environ 667 heures d'audio transcrit, principalement en dialectes saoudiens, couvrant plus de dix dialectes répartis sur plus de 125 000 extraits étiquetés selon le dialecte du locuteur. La SDAIA l'a publiée sur Kaggle à l'intention des chercheurs et des développeurs.

30 mots erronés sur 100 : à quoi cela sert, et à quoi cela ne sert pas

Le taux d'erreur sur les mots comptabilise chaque mot substitué, omis ou ajouté. À 30 %, la transcription d'un passage d'appel de 100 mots peut contenir environ 30 erreurs. C'est une nette amélioration par rapport à 55, mais cela ne fait pas de la transcription un compte rendu mot pour mot sur lequel vous pouvez vous appuyer.

L'écart entre le taux sur les mots (environ 30 %) et le taux sur les caractères (environ 12 %) a une signification pratique. Un mot comportant une seule lettre erronée compte comme un mot entièrement faux, si bien qu'une partie des erreurs porte sur une ou deux lettres à l'intérieur d'un mot, et non sur un mot entièrement perdu. C'est pourquoi une transcription peut être plus utile pour la recherche et l'étiquetage que ne le laisse penser le chiffre de 30 %, à condition que votre recherche tolère les orthographes approchantes au lieu d'exiger une correspondance exacte.

• Utile pour : rechercher dans votre archive d'appels un nom de produit ou une réclamation récurrente, étiqueter les appels par motif, produire des résumés relus par un collaborateur, et sélectionner les appels à examiner pour le contrôle qualité au lieu d'écouter au hasard.
• Insuffisant à lui seul pour : un compte rendu sur lequel vous vous appuieriez en cas de litige, l'exécution d'une instruction financière à partir d'une transcription d'appel sans relecture, ou un agent automatisé qui prend les paroles du client au pied de la lettre et agit en conséquence.

Notez aussi que SADA provient de la télévision : plus de 600 heures issues de plus de 57 programmes et séries fournis par l'Autorité saoudienne de radiodiffusion. L'appel de votre client est un son téléphonique, peut-être passé depuis une voiture ou une boutique animée, parfois avec deux personnes qui parlent en même temps. NVIDIA a elle-même écrit dans l'étude que cette démarche ne constitue pas une preuve pour chaque dialecte arabe ni pour chaque environnement de déploiement. Le chiffre qui compte pour vous est celui mesuré sur vos propres appels.

La condition que l'information passe sous silence : la licence de SADA est non commerciale

Le modèle de base est sous licence d'usage commercial. Le jeu de données SADA, en revanche, est publié sur Kaggle sous la licence Creative Commons CC BY-NC-SA 4.0 : attribution, pas d'utilisation commerciale, partage dans les mêmes conditions. Si vous voulez entraîner un modèle pour votre entreprise sur SADA, vérifiez d'abord les conditions de la licence ou obtenez l'autorisation du propriétaire des données, et ne supposez pas qu'être ouvert aux chercheurs signifie être ouvert à votre produit.

NVIDIA a publié les étapes et le code de l'expérience dans l'article lui-même, et renvoie vers un notebook générique d'ajustement fin dont les données d'exemple sont un jeu de données en anglais, et non SADA. Mais l'étude n'indique pas avoir publié le modèle ajusté sur SADA. Ce qui est à votre disposition aujourd'hui, c'est le modèle de base et la méthode. Les données que vous avez réellement le droit d'utiliser dans votre entreprise sont, dans la plupart des cas, vos propres enregistrements.

Vos appels sont les données : ce qu'il faut préparer avant tout essai

• Un échantillon réel : sélectionnez des appels de votre ligne réelle, dans les dialectes de vos clients, à la qualité qu'enregistre votre système, y compris des appels difficiles avec du bruit, des voix qui se chevauchent, des numéros et des noms de produits.
• Une transcription de référence : faites-les transcrire à la main une fois par un collaborateur. Cette transcription est l'étalon à l'aune duquel vous mesurez chaque modèle et chaque prestataire, et non la démonstration qu'apporte le vendeur.
• Mesurez ce qui compte pour vous : le modèle a-t-il saisi le numéro de commande, le nom du produit et le motif de l'appel ? Ces champs comptent davantage pour votre entreprise que le taux d'erreur global.
• Information et finalité : la loi sur la protection des données personnelles (PDPL) définit les données personnelles comme toute donnée, quelles qu'en soient la source ou la forme, permettant d'identifier une personne, y compris les numéros de contact, et elle considère l'enregistrement, le stockage, l'utilisation et la transmission comme des formes de traitement. Un appel client enregistré constitue généralement une donnée personnelle, et sa transcription est un traitement. Assurez-vous de disposer d'une base légale pour chaque finalité, et que l'avis de confidentialité que votre client entend ou lit couvre la transcription et l'analyse, surtout si vous prévoyez d'utiliser les enregistrements pour entraîner un modèle. Nous avons traité ce point en détail dans notre article sur les conversations clients et la PDPL.

Où la voix de vos clients est traitée

C'est là que les deux voies diffèrent réellement :

• Un modèle ouvert sur votre propre serveur ou dans un cloud situé dans le Royaume : l'audio ne quitte jamais le Royaume, et vous décidez de la durée de conservation et de qui y a accès. Il fonctionne au mieux sur un serveur équipé d'un GPU NVIDIA (la page du modèle mentionne les architectures NVIDIA de Volta à Blackwell, sous Linux), et la page renvoie aussi vers NeMo-Speech.cpp, un environnement d'exécution léger de NVIDIA capable de le faire tourner sur un processeur ordinaire. L'ajuster sur vos appels nécessite en revanche des GPU, et dans tous les cas quelqu'un doit l'exploiter et le mettre à jour. Nous avons détaillé le calcul matériel dans notre article sur l'exécution de modèles sur vos propres serveurs.
• Un service de transcription dans le cloud hors du Royaume : plus simple pour démarrer, mais les enregistrements de vos clients partent à l'étranger, et le transfert de données personnelles hors du Royaume est régi par le Règlement sur le transfert des données personnelles hors du Royaume, l'un des règlements d'application de la PDPL. Demandez à votre prestataire où l'audio est traité et stocké avant de lui demander le prix.

Les questions à poser à votre prestataire de centre d'appels ou de voicebot

Si vous avez déjà un prestataire de centre d'appels, ou si vous envisagez un agent vocal qui répond à vos clients, ces questions en révèlent beaucoup en une seule réunion :

• Quels dialectes votre système prend-il réellement en charge, et sur quelles données avez-vous mesuré sa précision ?
• Mesurerez-vous la précision sur un échantillon de nos appels, par rapport à une transcription de référence que nous produisons ?
• Où l'audio est-il traité et où le texte est-il stocké, dans le Royaume ou à l'extérieur ?
• Utilisez-vous nos enregistrements pour entraîner vos modèles, et comment désactiver cela ?
• Combien de temps conservez-vous les enregistrements et les transcriptions, et pouvons-nous les exporter et les supprimer ?

Le regard d'Origami

La voix est la donnée la plus gaspillée dans une entreprise saoudienne. Un appel contenant une réclamation, une commande ou une promesse d'un collaborateur se termine, puis personne n'y fait de recherche et il n'est jamais rattaché à la fiche du client. Ce qui s'est passé avec SADA montre que l'écart entre les modèles mondiaux et nos dialectes se réduit grâce à des données saoudiennes bien étiquetées, même sur un petit modèle de 600 millions de paramètres.

Notre lecture pour les dirigeants : ne commencez pas par un agent automatisé qui répond aux clients. Commencez par une archive dans laquelle on peut rechercher, un étiquetage qui rattache chaque appel à son motif et à la fiche du client dans votre système, et une personne qui relit. Mesurez ensuite la précision sur vos propres appels avant de passer à l'échelle. La première décision n'est pas le choix du modèle ; c'est l'endroit où la voix de vos clients est traitée et qui en est propriétaire.

Conclusion

• NVIDIA a réduit les erreurs de son modèle en najdi et en hijazi d'environ 55 à environ 30 mots sur 100, en l'entraînant sur 133,7 heures de données SADA.
• Un taux d'erreur de 30 % suffit pour la recherche, l'étiquetage et les résumés avec relecture humaine, mais pas pour un compte rendu mot pour mot ni pour une décision automatisée.
• Le modèle de base est sous licence d'usage commercial, mais SADA est sous licence d'usage non commercial uniquement : vérifiez donc la licence avant de bâtir dessus.
• Mesurez tout modèle ou tout prestataire sur un échantillon de vos propres appels, par rapport à une transcription de référence que vous produisez.
• Sachez où l'audio est traité, et assurez-vous que votre avis de confidentialité couvre la transcription et l'analyse.

Sources

• Agence de presse saoudienne : NVIDIA exploite le jeu de données SADA de la SDAIA pour améliorer le modèle Nemotron 3.5 ASR (3 octobre 2026)
• Blog NVIDIA pour développeurs : Fine-Tuning NVIDIA Nemotron for Saudi Arabic Dialects (30 septembre 2026), y compris les tableaux des taux d'erreur et les détails de l'entraînement
• La page Hugging Face du modèle : taille, licence, langues et matériel
• Le jeu de données SADA sur Kaggle : description et licence CC BY-NC-SA 4.0
• SDAIA : Guide de la loi saoudienne sur la protection des données personnelles à l'intention des responsables de traitement et des sous-traitants, y compris les définitions des données personnelles et du traitement à l'article 1 et la référence au Règlement sur le transfert des données personnelles hors du Royaume