सऊदी प्रेस एजेंसी ने आज, शनिवार 3 अक्टूबर 2026 को बताया कि NVIDIA ने सऊदी डेटा और आर्टिफ़िशियल इंटेलिजेंस प्राधिकरण (SDAIA) द्वारा सऊदी प्रसारण प्राधिकरण के साथ जारी किए गए सऊदी ऑडियो डेटासेट SADA का उपयोग अपने स्वचालित वाक् पहचान मॉडल Nemotron 3.5 ASR को प्रशिक्षित करने के लिए किया। NVIDIA द्वारा 30 सितंबर को अपने डेवलपर ब्लॉग पर प्रकाशित अध्ययन के अनुसार, जो मॉडल पहले नज्दी और हिजाज़ी बोलचाल में हर 100 में से लगभग 55 शब्द गलत लिखता था, वह अब लगभग 30 गलत लिखता है।

यह हर उस व्यवसाय के लिए मायने रखता है जिसके पास ग्राहक कॉल का आर्काइव, ग्राहक सेवा लाइन या रिकॉर्ड की गई बैठकें हैं। लेकिन सुर्ख़ी का एक आँकड़ा कोई निर्णय नहीं है। यह लेख बताता है कि सटीकता का यह स्तर किस काम का है और किस काम का नहीं, लाइसेंस की वह शर्त जिसका ख़बर में ज़िक्र नहीं है, और आपके ग्राहकों की आवाज़ कहाँ प्रोसेस होनी चाहिए।

आँकड़ों में क्या हुआ

  • मॉडल: Nemotron 3.5 ASR, 600 मिलियन पैरामीटर वाला एक स्ट्रीमिंग ट्रांसक्रिप्शन मॉडल जो 40 भाषा-क्षेत्रों को कवर करता है, जिनमें से 32 बिना किसी बदलाव के ट्रांसक्राइब करते हैं, और अरबी ट्रांसक्रिप्शन के लिए तैयार श्रेणी में है। इसके Hugging Face पेज के अनुसार यह OpenMDW-1.1 लाइसेंस के तहत व्यावसायिक उपयोग के लिए तैयार है।
  • डेटा: SADA से नज्दी और हिजाज़ी बोलचाल के 133.7 घंटे। NVIDIA की टीम ने 90% सऊदी बोलचाल को 10% सार्वजनिक FLEURS डेटा (7% अंग्रेज़ी, 3% अरबी) के साथ मिलाया ताकि मॉडल वह न भूले जो वह पहले से अच्छा करता था।
  • शब्द त्रुटि दर नज्दी और हिजाज़ी पर: 55.05% से 29.96%। पूरे SADA सेट और उसकी सभी बोलियों पर: 58.84% से 35.61%।
  • अक्षर त्रुटि दर नज्दी और हिजाज़ी पर: 31.63% से 12.18%।
  • NVIDIA की दो जाँचों में कोई गिरावट नहीं: अंग्रेज़ी में थोड़ा सुधार हुआ (11.04% से 10.42%), और FLEURS अरबी परीक्षण में भी (12.67% से 11.41%)।
  • प्रशिक्षण की लागत: दो RTX PRO 6000 Blackwell वर्कस्टेशन GPU पर लगभग साढ़े चार घंटे में 12,000 स्टेप।
  • गति: मॉडल 80 मिलीसेकंड से शुरू होने वाली लेटेंसी के साथ चलता है, और इसका पेज 80 से 1,120 मिलीसेकंड तक की पाँच स्ट्रीमिंग सेटिंग्स सूचीबद्ध करता है। हालाँकि ऊपर दी गई त्रुटि दरें 320 मिलीसेकंड की डिफ़ॉल्ट सेटिंग पर मापी गई थीं; बड़े खंडों के साथ सटीकता बढ़ती है, इसलिए तेज़ सेटिंग्स गति के बदले कुछ सटीकता छोड़ती हैं।

जहाँ तक SADA की बात है, एजेंसी के अनुसार इसमें लगभग 667 घंटे का ट्रांसक्राइब किया गया ऑडियो है, अधिकांश सऊदी बोलियों में, जो वक्ता की बोली के अनुसार लेबल किए गए 125,000 से अधिक क्लिप में दस से अधिक बोलियों को कवर करता है। SDAIA ने इसे शोधकर्ताओं और डेवलपर्स के लिए Kaggle पर प्रकाशित किया।

100 में 30 शब्द गलत: यह किस काम का है और किसका नहीं

शब्द त्रुटि दर हर उस शब्द को गिनती है जो बदला गया, छूट गया या जोड़ा गया। 30% पर, कॉल के 100 शब्दों के हिस्से के ट्रांसक्रिप्ट में लगभग 30 त्रुटियाँ हो सकती हैं। 55 की तुलना में यह बड़ा सुधार है, लेकिन इससे ट्रांसक्रिप्ट ऐसा शब्दशः रिकॉर्ड नहीं बन जाता जिस पर आप भरोसा कर सकें।

शब्द दर (लगभग 30%) और अक्षर दर (लगभग 12%) के बीच के अंतर का एक व्यावहारिक अर्थ है। एक भी गलत अक्षर वाला शब्द पूरा गलत शब्द गिना जाता है, इसलिए कुछ त्रुटियाँ शब्द के भीतर एक-दो अक्षरों की हैं, न कि पूरी तरह खोया हुआ शब्द। इसीलिए ट्रांसक्रिप्ट खोज और टैगिंग के लिए 30% के आँकड़े से ज़्यादा उपयोगी हो सकता है, बशर्ते आपकी खोज हूबहू मिलान माँगने के बजाय मिलती-जुलती वर्तनी को स्वीकार करे।

  • इनके लिए अच्छा: अपने कॉल आर्काइव में किसी उत्पाद का नाम या बार-बार आने वाली शिकायत खोजना, कॉल को कारण के अनुसार टैग करना, ऐसे सारांश जिनकी कोई कर्मचारी समीक्षा करे, और बेतरतीब सुनने के बजाय गुणवत्ता समीक्षा के लिए कॉल चुनना।
  • अकेले इनके लिए पर्याप्त नहीं: ऐसा रिकॉर्ड जिस पर आप किसी विवाद में निर्भर रहें, बिना समीक्षा के कॉल ट्रांसक्रिप्ट से कोई वित्तीय निर्देश लागू करना, या ऐसा स्वचालित एजेंट जो ग्राहक के शब्दों को अक्षरशः लेकर उन पर कार्रवाई करे।

यह भी ध्यान दें कि SADA टेलीविज़न से आता है: सऊदी प्रसारण प्राधिकरण द्वारा दिए गए 57 से अधिक कार्यक्रमों और धारावाहिकों से 600 घंटे से अधिक। आपके ग्राहक की कॉल फ़ोन का ऑडियो है, शायद किसी कार से या भीड़ भरी दुकान से, कभी-कभी दो लोग एक साथ बोलते हुए। NVIDIA ने स्वयं अध्ययन में लिखा कि यह वर्कफ़्लो हर अरबी बोली या हर परिनियोजन परिवेश का प्रमाण नहीं है। आपके लिए मायने रखने वाला आँकड़ा आपकी अपनी कॉल पर आया आँकड़ा है।

वह शर्त जो ख़बर में छूट गई: SADA का लाइसेंस गैर-व्यावसायिक है

बेस मॉडल व्यावसायिक उपयोग के लिए लाइसेंस प्राप्त है। लेकिन SADA डेटासेट Kaggle पर क्रिएटिव कॉमन्स CC BY-NC-SA 4.0 लाइसेंस के तहत प्रकाशित है: श्रेय, गैर-व्यावसायिक, समान शर्तों पर साझा। अगर आप अपने व्यवसाय के लिए SADA पर कोई मॉडल प्रशिक्षित करना चाहते हैं, तो पहले लाइसेंस की शर्तें जाँचें या डेटा के स्वामी की अनुमति लें, और यह न मानें कि शोधकर्ताओं के लिए खुला होने का अर्थ आपके उत्पाद के लिए खुला होना है।

NVIDIA ने प्रयोग के चरण और कोड पोस्ट में ही प्रकाशित किए, और फ़ाइन-ट्यूनिंग की एक सामान्य नोटबुक का लिंक दिया जिसका नमूना डेटा SADA नहीं, बल्कि एक अंग्रेज़ी डेटासेट है। लेकिन अध्ययन यह नहीं कहता कि उसने SADA पर फ़ाइन-ट्यून किया गया मॉडल जारी किया है। आज आपके पास जो उपलब्ध है वह बेस मॉडल और विधि है। जिस डेटा के उपयोग का अधिकार आपके व्यवसाय के पास वास्तव में है, वह अधिकांश मामलों में आपकी अपनी रिकॉर्डिंग हैं।

आपकी कॉल ही डेटा हैं: किसी भी परीक्षण से पहले क्या तैयार करें

  • एक वास्तविक नमूना: अपनी असली लाइन से, अपने ग्राहकों की बोलियों में, उसी गुणवत्ता पर कॉल चुनें जिस पर आपका सिस्टम रिकॉर्ड करता है, जिनमें शोर, एक साथ बोलने, संख्याओं और उत्पाद के नामों वाली कठिन कॉल भी हों।
  • एक संदर्भ ट्रांसक्रिप्ट: किसी कर्मचारी से इन्हें एक बार हाथ से ट्रांसक्राइब करवाएँ। यही ट्रांसक्रिप्ट वह पैमाना है जिससे आप हर मॉडल और हर विक्रेता को मापते हैं, न कि वह डेमो जो विक्रेता लेकर आता है।
  • वह मापें जो आपके लिए मायने रखता है: क्या मॉडल ने ऑर्डर नंबर, उत्पाद का नाम और कॉल का कारण पकड़ा? ये फ़ील्ड आपके व्यवसाय के लिए कुल त्रुटि दर से ज़्यादा मायने रखते हैं।
  • सूचना और उद्देश्य: व्यक्तिगत डेटा संरक्षण कानून व्यक्तिगत डेटा को ऐसा कोई भी डेटा मानता है, चाहे उसका स्रोत या रूप कुछ भी हो, जिससे किसी व्यक्ति की पहचान हो सके, जिसमें संपर्क नंबर भी शामिल हैं, और रिकॉर्ड करने, संग्रहीत करने, उपयोग करने और प्रेषित करने को प्रोसेसिंग के रूप मानता है। रिकॉर्ड की गई ग्राहक कॉल आमतौर पर व्यक्तिगत डेटा होती है, और उसका ट्रांसक्रिप्शन प्रोसेसिंग है। सुनिश्चित करें कि हर उद्देश्य के लिए आपके पास वैध आधार है, और आपका ग्राहक जो गोपनीयता सूचना सुनता या पढ़ता है वह ट्रांसक्रिप्शन और विश्लेषण को कवर करती है, ख़ासकर यदि आप रिकॉर्डिंग का उपयोग किसी मॉडल को प्रशिक्षित करने के लिए करना चाहते हैं। हमने इसे ग्राहक बातचीत और PDPL पर अपने लेख में विस्तार से समझाया है।

आपके ग्राहकों की आवाज़ कहाँ प्रोसेस होती है

यहीं दोनों रास्ते सचमुच अलग होते हैं:

  • आपके अपने सर्वर पर या किंगडम के भीतर किसी क्लाउड में एक ओपन मॉडल: ऑडियो कभी किंगडम से बाहर नहीं जाता, और आप तय करते हैं कि इसे कितने समय तक रखा जाए और कौन देखे। यह NVIDIA GPU वाले सर्वर पर सबसे अच्छा चलता है (मॉडल पेज Linux पर Volta से Blackwell तक के NVIDIA आर्किटेक्चर सूचीबद्ध करता है), और पेज NeMo-Speech.cpp की ओर भी इशारा करता है, जो NVIDIA का एक हल्का रनटाइम है और इसे साधारण CPU पर चला सकता है। अपनी कॉल पर इसे फ़ाइन-ट्यून करने के लिए GPU चाहिए ही, और किसी भी स्थिति में किसी को इसे चलाना और अपडेट करना होगा। हार्डवेयर का हिसाब हमने अपने सर्वर पर मॉडल चलाने पर अपने लेख में विस्तार से लगाया है।
  • किंगडम के बाहर एक क्लाउड ट्रांसक्रिप्शन सेवा: शुरू करना आसान है, लेकिन आपके ग्राहकों की रिकॉर्डिंग विदेश जाती हैं, और किंगडम के बाहर व्यक्तिगत डेटा का हस्तांतरण किंगडम के बाहर व्यक्तिगत डेटा के हस्तांतरण संबंधी विनियम से नियंत्रित होता है, जो PDPL के कार्यान्वयन विनियमों में से एक है। कीमत पूछने से पहले अपने प्रदाता से पूछें कि ऑडियो कहाँ प्रोसेस और संग्रहीत होता है।

आपके कॉल सेंटर या वॉइस-बॉट विक्रेता से पूछने के प्रश्न

अगर आपके पास पहले से कोई कॉल सेंटर विक्रेता है, या आप अपने ग्राहकों को जवाब देने वाले वॉइस एजेंट पर विचार कर रहे हैं, तो ये प्रश्न एक ही बैठक में बहुत कुछ उजागर करते हैं:

  • आपका सिस्टम वास्तव में कौन-सी बोलियाँ सपोर्ट करता है, और आपने इसकी सटीकता किस डेटा पर मापी?
  • क्या आप हमारी कॉल के एक नमूने पर, हमारे बनाए संदर्भ ट्रांसक्रिप्ट के मुक़ाबले, सटीकता मापेंगे?
  • ऑडियो कहाँ प्रोसेस होता है और टेक्स्ट कहाँ संग्रहीत होता है, किंगडम के भीतर या बाहर?
  • क्या आप हमारी रिकॉर्डिंग का उपयोग अपने मॉडल प्रशिक्षित करने के लिए करते हैं, और हम इसे कैसे बंद करें?
  • आप रिकॉर्डिंग और ट्रांसक्रिप्ट कितने समय तक रखते हैं, और क्या हम उन्हें निर्यात और हटा सकते हैं?

Origami का दृष्टिकोण

किसी सऊदी व्यवसाय में आवाज़ सबसे ज़्यादा बर्बाद होने वाला डेटा है। शिकायत, ऑर्डर या किसी कर्मचारी के वादे वाली कॉल ख़त्म होती है, और फिर कोई उसमें खोज नहीं करता और वह कभी ग्राहक के रिकॉर्ड से नहीं जुड़ती। SADA के साथ जो हुआ वह दिखाता है कि अच्छी तरह लेबल किए गए सऊदी डेटा से वैश्विक मॉडलों और हमारी बोलियों के बीच का अंतर घटता है, यहाँ तक कि 600 मिलियन पैरामीटर वाले एक छोटे मॉडल पर भी।

व्यवसाय मालिकों के लिए हमारी राय: ग्राहकों को जवाब देने वाले स्वचालित एजेंट से शुरुआत न करें। ऐसे आर्काइव से शुरू करें जिसमें आप खोज सकें, ऐसी टैगिंग से जो हर कॉल को उसके कारण और आपके सिस्टम में ग्राहक के रिकॉर्ड से जोड़े, और एक व्यक्ति से जो समीक्षा करे। फिर विस्तार करने से पहले अपनी कॉल पर सटीकता मापें। पहला निर्णय यह नहीं है कि कौन-सा मॉडल चुनें; बल्कि यह है कि आपके ग्राहकों की आवाज़ कहाँ प्रोसेस होती है और उसका मालिक कौन है।

निष्कर्ष

  • NVIDIA ने SADA के 133.7 घंटे के डेटा पर प्रशिक्षण देकर नज्दी और हिजाज़ी में अपने मॉडल की त्रुटियाँ हर 100 शब्दों में लगभग 55 से घटाकर लगभग 30 कर दीं।
  • 30% त्रुटि दर मानवीय समीक्षा के साथ खोज, टैगिंग और सारांश के लिए पर्याप्त है, लेकिन शब्दशः रिकॉर्ड या स्वचालित निर्णय के लिए नहीं।
  • बेस मॉडल व्यावसायिक उपयोग के लिए लाइसेंस प्राप्त है, लेकिन SADA केवल गैर-व्यावसायिक उपयोग के लिए, इसलिए उस पर निर्माण से पहले लाइसेंस जाँचें।
  • किसी भी मॉडल या विक्रेता को अपनी कॉल के एक नमूने पर, अपने बनाए संदर्भ ट्रांसक्रिप्ट के मुक़ाबले मापें।
  • जानें कि ऑडियो कहाँ प्रोसेस होता है, और सुनिश्चित करें कि आपकी गोपनीयता सूचना ट्रांसक्रिप्शन और विश्लेषण को कवर करती है।

स्रोत