Kantor Berita Saudi melaporkan hari ini, Sabtu 3 Oktober 2026, bahwa NVIDIA menggunakan SADA, dataset audio Saudi yang dirilis oleh Otoritas Data dan Kecerdasan Buatan Saudi (SDAIA) bersama Otoritas Penyiaran Saudi, untuk melatih model pengenalan ucapan otomatisnya, Nemotron 3.5 ASR. Menurut studi yang diterbitkan NVIDIA di blog pengembangnya pada 30 September, model yang dulu salah sekitar 55 kata dari setiap 100 dalam ucapan Najdi dan Hijazi kini hanya salah sekitar 30.

Hal ini penting bagi perusahaan mana pun yang memiliki arsip panggilan pelanggan, layanan pelanggan melalui telepon, atau rapat yang direkam. Namun angka di judul berita bukanlah keputusan. Artikel ini menjelaskan untuk apa tingkat akurasi ini berguna dan untuk apa tidak, syarat lisensi yang tidak disebutkan dalam berita, dan di mana suara pelanggan Anda sebaiknya diproses.

Apa yang terjadi, dalam angka

  • Modelnya: Nemotron 3.5 ASR, model transkripsi streaming dengan 600 juta parameter yang mencakup 40 lokal bahasa, 32 di antaranya langsung bisa mentranskripsi tanpa penyesuaian, dengan bahasa Arab di tingkat yang siap transkripsi. Halaman Hugging Face-nya menyatakan model ini siap untuk penggunaan komersial, di bawah lisensi OpenMDW-1.1.
  • Datanya: 133,7 jam ucapan Najdi dan Hijazi dari SADA. Tim NVIDIA mencampur 90% ucapan Saudi dengan 10% data publik FLEURS (7% bahasa Inggris, 3% bahasa Arab) agar model tidak melupakan apa yang sudah dikuasainya.
  • Tingkat kesalahan kata pada Najdi dan Hijazi: dari 55,05% menjadi 29,96%. Pada seluruh set SADA dan semua dialeknya: dari 58,84% menjadi 35,61%.
  • Tingkat kesalahan karakter pada Najdi dan Hijazi: dari 31,63% menjadi 12,18%.
  • Tanpa penurunan pada dua pemeriksaan yang dilakukan NVIDIA: bahasa Inggris sedikit membaik (dari 11,04% menjadi 10,42%), begitu pula uji bahasa Arab FLEURS (dari 12,67% menjadi 11,41%).
  • Biaya pelatihan: 12.000 langkah dalam sekitar empat setengah jam pada dua GPU workstation RTX PRO 6000 Blackwell.
  • Kecepatan: model ini berjalan dengan latensi mulai dari 80 milidetik, dan halamannya mencantumkan lima pengaturan streaming dari 80 hingga 1.120 milidetik. Namun tingkat kesalahan di atas diukur pada pengaturan bawaan 320 milidetik; akurasi meningkat dengan potongan yang lebih besar, sehingga pengaturan yang lebih cepat mengorbankan sebagian akurasi demi kecepatan.

Adapun SADA sendiri, kantor berita tersebut menyebutkan dataset ini berisi sekitar 667 jam audio yang sudah ditranskripsi, sebagian besar dalam dialek Saudi, mencakup lebih dari sepuluh dialek dalam lebih dari 125.000 klip yang diberi label sesuai dialek penuturnya. SDAIA menerbitkannya di Kaggle untuk peneliti dan pengembang.

30 kata salah dari 100: untuk apa berguna, dan untuk apa tidak

Tingkat kesalahan kata menghitung setiap kata yang diganti, hilang, atau ditambahkan. Pada 30%, transkrip dari potongan panggilan sepanjang 100 kata bisa memuat sekitar 30 kesalahan. Itu peningkatan besar dibanding 55, tetapi tidak menjadikan transkrip sebagai catatan kata demi kata yang bisa Anda andalkan.

Selisih antara tingkat kesalahan kata (sekitar 30%) dan tingkat kesalahan karakter (sekitar 12%) punya arti praktis. Kata dengan satu huruf yang salah dihitung sebagai satu kata salah utuh, jadi sebagian kesalahan hanya berupa satu atau dua huruf di dalam kata, bukan kata yang hilang sepenuhnya. Karena itu transkrip bisa lebih berguna untuk pencarian dan pelabelan daripada yang tersirat dari angka 30%, asalkan pencarian Anda menoleransi ejaan yang mirip alih-alih menuntut kecocokan persis.

  • Cocok untuk: mencari nama produk atau keluhan yang berulang di arsip panggilan Anda, memberi label panggilan berdasarkan alasannya, ringkasan yang ditinjau staf, dan memilih panggilan untuk tinjauan mutu alih-alih mendengarkan secara acak.
  • Tidak cukup jika berdiri sendiri untuk: catatan yang akan Anda andalkan dalam sengketa, menjalankan instruksi keuangan dari transkrip panggilan tanpa peninjauan, atau agen otomatis yang menerima kata-kata pelanggan secara harfiah lalu bertindak berdasarkannya.

Perhatikan juga bahwa SADA berasal dari televisi: lebih dari 600 jam dari lebih dari 57 program dan serial yang disediakan Otoritas Penyiaran Saudi. Panggilan pelanggan Anda adalah audio telepon, mungkin dari dalam mobil atau toko yang ramai, kadang dengan dua orang yang berbicara bersamaan. NVIDIA sendiri menulis dalam studinya bahwa alur kerja ini bukan bukti untuk setiap dialek Arab atau setiap lingkungan penerapan. Angka yang penting bagi Anda adalah angka pada panggilan Anda sendiri.

Syarat yang tidak disebut berita: lisensi SADA bersifat nonkomersial

Model dasarnya berlisensi untuk penggunaan komersial. Namun dataset SADA diterbitkan di Kaggle di bawah lisensi Creative Commons CC BY-NC-SA 4.0: atribusi, nonkomersial, berbagi serupa. Jika Anda ingin melatih model untuk perusahaan Anda dengan SADA, periksa dulu ketentuan lisensinya atau minta izin pemilik data, dan jangan berasumsi bahwa terbuka bagi peneliti berarti terbuka bagi produk Anda.

NVIDIA menerbitkan langkah dan kode eksperimen di dalam tulisan itu sendiri, dan menautkan notebook fine-tuning umum yang data contohnya adalah dataset berbahasa Inggris, bukan SADA. Namun studi tersebut tidak menyebutkan telah merilis model yang di-fine-tune dengan SADA. Yang tersedia bagi Anda hari ini adalah model dasar dan metodenya. Data yang benar-benar berhak Anda gunakan dalam bisnis, dalam kebanyakan kasus, adalah rekaman Anda sendiri.

Panggilan Anda adalah datanya: apa yang perlu disiapkan sebelum uji coba apa pun

  • Sampel nyata: pilih panggilan dari saluran Anda yang sebenarnya, dalam dialek pelanggan Anda, dengan kualitas sesuai rekaman sistem Anda, termasuk yang sulit dengan kebisingan, suara saling tumpang tindih, angka, dan nama produk.
  • Transkrip acuan: minta seorang staf mentranskripsinya secara manual satu kali. Transkrip itulah penggaris untuk mengukur setiap model dan setiap vendor, bukan demo yang dibawa penjual.
  • Ukur yang penting bagi Anda: apakah model menangkap nomor pesanan, nama produk, dan alasan panggilan? Kolom-kolom itu lebih penting bagi perusahaan Anda daripada tingkat kesalahan keseluruhan.
  • Pemberitahuan dan tujuan: Undang-Undang Pelindungan Data Pribadi mendefinisikan data pribadi sebagai data apa pun, apa pun sumber atau bentuknya, yang dapat mengidentifikasi seseorang, termasuk nomor kontak, dan memperlakukan perekaman, penyimpanan, penggunaan, dan pengiriman sebagai bentuk pemrosesan. Rekaman panggilan pelanggan biasanya merupakan data pribadi, dan mentranskripsinya adalah pemrosesan. Pastikan Anda memiliki dasar hukum untuk setiap tujuan, dan pemberitahuan privasi yang didengar atau dibaca pelanggan Anda mencakup transkripsi dan analisis, terutama jika Anda berencana memakai rekaman untuk melatih model. Kami membahasnya secara rinci dalam artikel kami tentang percakapan pelanggan dan PDPL.

Di mana suara pelanggan Anda diproses

Di sinilah kedua jalur benar-benar berbeda:

  • Model terbuka di server Anda sendiri atau di cloud di dalam Kerajaan: audio tidak pernah keluar dari Kerajaan, dan Anda yang memutuskan berapa lama audio disimpan dan siapa yang dapat melihatnya. Model ini paling baik berjalan di server dengan GPU NVIDIA (halaman model mencantumkan arsitektur NVIDIA dari Volta hingga Blackwell, di Linux), dan halaman itu juga merujuk NeMo-Speech.cpp, runtime ringan dari NVIDIA yang dapat menjalankannya di CPU biasa. Untuk fine-tuning dengan panggilan Anda tetap dibutuhkan GPU, dan bagaimanapun juga harus ada yang mengoperasikan dan memperbaruinya. Kami sudah menghitung kebutuhan perangkat kerasnya dalam artikel kami tentang menjalankan model di server sendiri.
  • Layanan transkripsi cloud di luar Kerajaan: lebih mudah untuk memulai, tetapi rekaman pelanggan Anda dikirim ke luar negeri, dan transfer data pribadi ke luar Kerajaan diatur oleh Peraturan tentang Transfer Data Pribadi ke Luar Kerajaan, salah satu peraturan pelaksana PDPL. Tanyakan kepada penyedia Anda di mana audio diproses dan disimpan sebelum menanyakan harga.

Pertanyaan untuk vendor pusat panggilan atau voice bot Anda

Jika Anda sudah punya vendor pusat panggilan, atau sedang mempertimbangkan agen suara yang menjawab pelanggan Anda, pertanyaan berikut mengungkap banyak hal dalam satu pertemuan:

  • Dialek apa saja yang benar-benar didukung sistem Anda, dan dengan data apa akurasinya diukur?
  • Apakah Anda akan mengukur akurasi pada sampel panggilan kami, dibandingkan dengan transkrip acuan yang kami buat?
  • Di mana audio diproses dan di mana teks disimpan, di dalam Kerajaan atau di luar?
  • Apakah Anda memakai rekaman kami untuk melatih model Anda, dan bagaimana cara kami menonaktifkannya?
  • Berapa lama Anda menyimpan rekaman dan transkrip, dan bisakah kami mengekspor dan menghapusnya?

Pandangan Origami

Suara adalah data yang paling banyak terbuang di bisnis Saudi. Panggilan berisi keluhan, pesanan, atau janji dari staf berakhir, lalu tidak ada yang mencarinya dan panggilan itu tidak pernah terhubung ke catatan pelanggan. Apa yang terjadi dengan SADA menunjukkan bahwa jarak antara model global dan dialek kita menyempit berkat data Saudi yang diberi label dengan baik, bahkan pada model kecil berukuran 600 juta parameter.

Pandangan kami untuk pemilik bisnis: jangan mulai dengan agen otomatis yang menjawab pelanggan. Mulailah dengan arsip yang bisa Anda cari, pelabelan yang menghubungkan setiap panggilan dengan alasannya dan dengan catatan pelanggan di sistem Anda, serta seseorang yang meninjau. Setelah itu, ukur akurasi pada panggilan Anda sendiri sebelum memperluas skala. Keputusan pertama bukanlah model mana yang dipilih; melainkan di mana suara pelanggan Anda diproses dan siapa pemiliknya.

Kesimpulan

  • NVIDIA menurunkan kesalahan modelnya dalam Najdi dan Hijazi dari sekitar 55 menjadi sekitar 30 kata dari setiap 100, dengan pelatihan pada 133,7 jam data SADA.
  • Tingkat kesalahan 30% cukup untuk pencarian, pelabelan, dan ringkasan dengan peninjauan manusia, tetapi tidak cukup untuk catatan kata demi kata atau keputusan otomatis.
  • Model dasarnya berlisensi untuk penggunaan komersial, tetapi SADA hanya berlisensi untuk penggunaan nonkomersial, jadi periksa lisensinya sebelum membangun di atasnya.
  • Ukur model atau vendor apa pun pada sampel panggilan Anda sendiri, dibandingkan dengan transkrip acuan yang Anda buat.
  • Ketahui di mana audio diproses, dan pastikan pemberitahuan privasi Anda mencakup transkripsi dan analisis.

Sumber