La Saudi Press Agency ha riferito oggi, sabato 3 ottobre 2026, che NVIDIA ha usato SADA, il dataset audio saudita pubblicato dall'Autorità saudita per i dati e l'intelligenza artificiale (SDAIA) insieme all'Autorità saudita per la radiodiffusione, per addestrare il suo modello di riconoscimento vocale automatico, Nemotron 3.5 ASR. Secondo lo studio che NVIDIA ha pubblicato sul suo blog per sviluppatori il 30 settembre, un modello che prima sbagliava circa 55 parole ogni 100 nel parlato najdi e hijazi ora ne sbaglia circa 30.

Questo conta per qualsiasi azienda che abbia un archivio di chiamate dei clienti, una linea di assistenza clienti o riunioni registrate. Ma un numero da titolo non è una decisione. Questo articolo spiega a cosa serve questo livello di accuratezza e a cosa no, la condizione di licenza che la notizia non menziona e dove andrebbero elaborate le voci dei vostri clienti.

Cosa è successo, in numeri

  • Il modello: Nemotron 3.5 ASR, un modello di trascrizione in streaming da 600 milioni di parametri che copre 40 combinazioni di lingua e area, 32 delle quali trascrivono senza adattamenti, con l'arabo nel livello pronto per la trascrizione. La sua pagina su Hugging Face dice che è pronto per l'uso commerciale, con licenza OpenMDW-1.1.
  • I dati: 133,7 ore di parlato najdi e hijazi tratte da SADA. Il team di NVIDIA le ha miscelate al 90% di parlato saudita con il 10% di dati pubblici FLEURS (7% inglese, 3% arabo) perché il modello non dimenticasse ciò che già faceva bene.
  • Tasso di errore sulle parole in najdi e hijazi: dal 55,05% al 29,96%. Sull'intero set SADA e tutti i suoi dialetti: dal 58,84% al 35,61%.
  • Tasso di errore sui caratteri in najdi e hijazi: dal 31,63% al 12,18%.
  • Nessuna perdita nelle due verifiche fatte da NVIDIA: l'inglese è migliorato leggermente (dall'11,04% al 10,42%), e così il test di arabo FLEURS (dal 12,67% all'11,41%).
  • Costo dell'addestramento: 12.000 passi in circa quattro ore e mezza su due GPU per workstation RTX PRO 6000 Blackwell.
  • Velocità: il modello funziona con una latenza a partire da 80 millisecondi, e la sua pagina elenca cinque impostazioni di streaming da 80 a 1.120 millisecondi. I tassi di errore sopra, però, sono stati misurati con l'impostazione predefinita di 320 millisecondi; l'accuratezza migliora con blocchi più grandi, quindi le impostazioni più veloci cedono un po' di accuratezza in cambio di velocità.

Quanto a SADA, l'agenzia dice che contiene circa 667 ore di audio trascritto, per lo più in dialetti sauditi, con più di dieci dialetti in oltre 125.000 clip etichettate in base al dialetto di chi parla. La SDAIA lo ha pubblicato su Kaggle per ricercatori e sviluppatori.

30 parole sbagliate su 100: a cosa serve e a cosa no

Il tasso di errore sulle parole conta ogni parola sostituita, omessa o aggiunta. Al 30%, la trascrizione di un tratto di chiamata di 100 parole può contenere circa 30 errori. È un grande miglioramento rispetto a 55, ma non rende la trascrizione un verbale parola per parola su cui potete fare affidamento.

Il divario tra il tasso sulle parole (circa 30%) e quello sui caratteri (circa 12%) ha un significato pratico. Una parola con una sola lettera sbagliata conta come un'intera parola sbagliata, quindi una parte degli errori sono una o due lettere dentro una parola, non una parola persa del tutto. Per questo una trascrizione può essere più utile per la ricerca e la classificazione di quanto suggerisca il 30%, a patto che la vostra ricerca tolleri grafie approssimative invece di richiedere una corrispondenza esatta.

  • Va bene per: cercare nell'archivio delle chiamate il nome di un prodotto o un reclamo ricorrente, classificare le chiamate per motivo, riassunti che un dipendente rivede e scegliere le chiamate da sottoporre al controllo qualità invece di ascoltarle a caso.
  • Da sola non basta per: un verbale su cui contereste in una controversia, eseguire un'istruzione finanziaria dalla trascrizione di una chiamata senza revisione, o un agente automatizzato che prende alla lettera le parole del cliente e agisce di conseguenza.

Notate anche che SADA proviene dalla televisione: oltre 600 ore da più di 57 programmi e serie forniti dall'Autorità saudita per la radiodiffusione. La chiamata del vostro cliente è audio telefonico, magari da un'auto o da un negozio affollato, a volte con due persone che parlano sovrapponendosi. La stessa NVIDIA ha scritto nello studio che questo flusso di lavoro non è una prova per ogni dialetto arabo o ogni ambiente di impiego. Il numero che conta per voi è il numero sulle vostre chiamate.

La condizione che la notizia tralascia: la licenza di SADA è non commerciale

Il modello base è concesso in licenza per l'uso commerciale. Il dataset SADA, invece, è pubblicato su Kaggle con la licenza Creative Commons CC BY-NC-SA 4.0: attribuzione, non commerciale, condividi allo stesso modo. Se volete addestrare un modello per la vostra azienda su SADA, verificate prima i termini della licenza o ottenete il permesso del titolare dei dati, e non date per scontato che essere aperto ai ricercatori significhi essere aperto al vostro prodotto.

NVIDIA ha pubblicato i passaggi e il codice dell'esperimento nel post stesso, e ha indicato un notebook generico di fine-tuning i cui dati di esempio sono un dataset inglese, non SADA. Ma lo studio non dice di aver rilasciato il modello affinato su SADA. Ciò che avete a disposizione oggi sono il modello base e il metodo. I dati che avete davvero il diritto di usare nella vostra azienda sono, nella maggior parte dei casi, le vostre registrazioni.

Le vostre chiamate sono i dati: cosa preparare prima di qualsiasi prova

  • Un campione reale: scegliete chiamate dalla vostra linea effettiva, nei dialetti dei vostri clienti, con la qualità con cui registra il vostro sistema, comprese quelle difficili con rumore, voci sovrapposte, numeri e nomi di prodotti.
  • Una trascrizione di riferimento: fatele trascrivere a mano una volta da un dipendente. Quella trascrizione è il metro con cui misurate ogni modello e ogni fornitore, non la demo che porta il venditore.
  • Misurate ciò che conta per voi: il modello ha colto il numero d'ordine, il nome del prodotto e il motivo della chiamata? Questi campi contano per la vostra attività più del tasso di errore complessivo.
  • Informativa e finalità: la Legge sulla protezione dei dati personali definisce dati personali qualsiasi dato, qualunque ne sia la fonte o la forma, che possa identificare una persona, inclusi i numeri di contatto, e tratta la registrazione, la conservazione, l'uso e la trasmissione come forme di trattamento. Una chiamata registrata di un cliente è di solito un dato personale, e trascriverla è trattamento. Assicuratevi di avere una base giuridica per ogni finalità e che l'informativa sulla privacy che il vostro cliente ascolta o legge copra la trascrizione e l'analisi, soprattutto se intendete usare le registrazioni per addestrare un modello. Ne abbiamo parlato in dettaglio nel nostro articolo sulle conversazioni con i clienti e la PDPL.

Dove vengono elaborate le voci dei vostri clienti

È qui che le due strade si differenziano davvero:

  • Un modello aperto sul vostro server o in un cloud all'interno del Regno: l'audio non lascia mai il Regno, e siete voi a decidere per quanto tempo viene conservato e chi lo vede. Funziona al meglio su un server con GPU NVIDIA (la pagina del modello elenca le architetture NVIDIA da Volta a Blackwell, su Linux), e la pagina indica anche NeMo-Speech.cpp, un runtime leggero di NVIDIA che può eseguirlo su una normale CPU. Per affinarlo sulle vostre chiamate servono invece le GPU, e in ogni caso qualcuno deve gestirlo e aggiornarlo. Abbiamo fatto i conti dell'hardware nel nostro articolo sull'esecuzione dei modelli sui propri server.
  • Un servizio di trascrizione in cloud fuori dal Regno: più facile da avviare, ma le registrazioni dei vostri clienti viaggiano all'estero, e il trasferimento di dati personali fuori dal Regno è disciplinato dal Regolamento sul trasferimento dei dati personali fuori dal Regno, uno dei regolamenti di attuazione della PDPL. Chiedete al vostro fornitore dove l'audio viene elaborato e conservato prima di chiedere il prezzo.

Domande per il vostro fornitore di call center o di voicebot

Se avete già un fornitore di call center, o state valutando un agente vocale che risponda ai vostri clienti, queste domande rivelano molto in un solo incontro:

  • Quali dialetti supporta davvero il vostro sistema, e su quali dati avete misurato la sua accuratezza?
  • Misurerete l'accuratezza su un campione delle nostre chiamate, rispetto a una trascrizione di riferimento prodotta da noi?
  • Dove viene elaborato l'audio e dove viene conservato il testo, dentro il Regno o fuori?
  • Usate le nostre registrazioni per addestrare i vostri modelli, e come lo disattiviamo?
  • Per quanto tempo conservate registrazioni e trascrizioni, e possiamo esportarle e cancellarle?

Il punto di vista di Origami

La voce è il dato più sprecato in un'azienda saudita. Una chiamata con un reclamo, un ordine o una promessa di un dipendente finisce, e poi nessuno la cerca e non viene mai collegata alla scheda del cliente. Quanto accaduto con SADA mostra che il divario tra i modelli globali e i nostri dialetti si riduce con dati sauditi ben etichettati, anche su un piccolo modello da 600 milioni di parametri.

La nostra lettura per gli imprenditori: non iniziate con un agente automatizzato che risponde ai clienti. Iniziate con un archivio in cui potete cercare, una classificazione che colleghi ogni chiamata al suo motivo e alla scheda del cliente nel vostro sistema, e una persona che rivede. Poi misurate l'accuratezza sulle vostre chiamate prima di estendere. La prima decisione non è quale modello scegliere; è dove vengono elaborate le voci dei vostri clienti e a chi appartengono.

Conclusione

  • NVIDIA ha ridotto gli errori del suo modello in najdi e hijazi da circa 55 a circa 30 parole ogni 100, con un addestramento su 133,7 ore di dati SADA.
  • Un tasso di errore del 30% basta per ricerca, classificazione e riassunti con revisione umana, non per un verbale parola per parola o una decisione automatizzata.
  • Il modello base è concesso in licenza per l'uso commerciale, ma SADA solo per l'uso non commerciale, quindi verificate la licenza prima di costruirci sopra.
  • Misurate qualsiasi modello o fornitore su un campione delle vostre chiamate, rispetto a una trascrizione di riferimento prodotta da voi.
  • Sappiate dove viene elaborato l'audio e assicuratevi che la vostra informativa sulla privacy copra la trascrizione e l'analisi.

Fonti