サウジ通信社は本日2026年10月3日(土)、NVIDIAがサウジデータ・人工知能庁(SDAIA)とサウジ放送庁が公開したサウジの音声データセットSADAを使い、自動音声認識モデルNemotron 3.5 ASRを学習させたと報じました。NVIDIAが9月30日に開発者ブログで公開した研究によると、ナジュド方言とヒジャーズ方言の音声で100語あたり約55語を誤っていたモデルが、現在は約30語の誤りにとどまります。

これは、顧客との通話アーカイブ、カスタマーサービス窓口、録音された会議を持つあらゆる企業にとって重要です。しかし見出しの数字は意思決定ではありません。本記事では、この精度が何に使えて何に使えないのか、ニュースが触れていないライセンス条件、そして顧客の声をどこで処理すべきかを説明します。

数字で見る今回の出来事

  • モデル:Nemotron 3.5 ASRは、6億パラメータのストリーミング文字起こしモデルで、40の言語ロケールに対応し、そのうち32はそのままで文字起こしができ、アラビア語は文字起こし対応済みの層に含まれます。Hugging Faceのページには、OpenMDW-1.1ライセンスの下で商用利用の準備ができていると記載されています。
  • データ:SADAから取ったナジュド方言とヒジャーズ方言の音声133.7時間。NVIDIAのチームは、モデルがすでに得意としていたことを忘れないよう、サウジの音声90%に公開データFLEURS 10%(英語7%、アラビア語3%)を混ぜました。
  • 単語誤り率(ナジュド方言とヒジャーズ方言):55.05%から29.96%へ。SADA全体とそのすべての方言では、58.84%から35.61%へ。
  • 文字誤り率(ナジュド方言とヒジャーズ方言):31.63%から12.18%へ。
  • NVIDIAが行った二つの確認で劣化なし:英語はわずかに改善し(11.04%から10.42%へ)、FLEURSのアラビア語テストも同様でした(12.67%から11.41%へ)。
  • 学習コスト:ワークステーション向けGPUのRTX PRO 6000 Blackwell二基で、約四時間半かけて12,000ステップ。
  • 速度:モデルは80ミリ秒からの遅延で動作し、ページには80から1,120ミリ秒までの五つのストリーミング設定が記載されています。ただし上記の誤り率は、既定の320ミリ秒設定で測定されたものです。チャンクが大きいほど精度は上がるため、より高速な設定は速度と引き換えに精度をいくらか犠牲にします。

SADA自体について、同通信社は、文字起こし済み音声が約667時間あり、その大半がサウジ方言で、話者の方言ごとにラベル付けされた125,000本を超えるクリップに10を超える方言が含まれていると伝えています。SDAIAはこれを研究者と開発者向けにKaggleで公開しました。

100語中30語の誤り:何に使えて、何に使えないか

単語誤り率は、置き換わった、抜け落ちた、または余計に加わったすべての単語を数えます。30%の場合、100語分の通話の文字起こしには約30の誤りが含まれる可能性があります。55からすれば大きな改善ですが、文字起こしを信頼できる逐語記録にするものではありません。

単語誤り率(約30%)と文字誤り率(約12%)の差には実務上の意味があります。1文字だけ間違った単語も単語全体の誤りとして数えられるため、誤りの一部は単語が丸ごと失われたのではなく、単語内の一、二文字にすぎません。そのため、検索が完全一致を求めず近い綴りを許容するのであれば、文字起こしは30%という数字が示すよりも検索やタグ付けに役立つ可能性があります。

  • 使える用途:通話アーカイブから製品名や繰り返し寄せられる苦情を検索する、通話を理由別にタグ付けする、担当者が確認する要約、無作為に聞くのではなく品質チェック対象の通話を選ぶ。
  • それ単体では不十分な用途:紛争時に根拠とする記録、確認なしに通話の文字起こしから金融上の指示を実行すること、顧客の言葉を文字どおりに受け取ってそれに基づき行動する自動エージェント。

また、SADAはテレビ由来である点にも注意してください。サウジ放送庁が提供した57を超える番組やドラマから、600時間を超える音声です。一方、顧客からの通話は電話の音声で、車内や混雑した店舗からかもしれず、時には二人が同時に話しています。NVIDIA自身も研究の中で、このワークフローはあらゆるアラビア語方言やあらゆる導入環境に当てはまる証拠ではないと書いています。あなたにとって重要なのは、自社の通話での数字です。

ニュースが触れない条件:SADAのライセンスは非商用

ベースモデルは商用利用が許諾されています。一方、SADAデータセットはKaggleでクリエイティブ・コモンズのCC BY-NC-SA 4.0ライセンス(表示、非営利、継承)の下で公開されています。SADAで自社向けのモデルを学習させたい場合は、まずライセンス条件を確認するかデータ所有者の許可を得てください。研究者に公開されていることが、自社製品に使えることを意味すると考えてはいけません。

NVIDIAは実験の手順とコードを投稿内で公開し、汎用のファインチューニング用ノートブックへのリンクも示しましたが、そのサンプルデータはSADAではなく英語のデータセットです。また研究は、SADAでファインチューニングしたモデルを公開したとは述べていません。現時点で利用できるのはベースモデルと手法です。自社で実際に利用権を持つデータは、ほとんどの場合、自社の録音です。

データは自社の通話:試験の前に準備すること

  • 実際のサンプル:実際の回線から、顧客の方言で、自社システムが録音する品質のまま通話を選びます。雑音、話の重なり、数字、製品名を含む難しい通話も入れてください。
  • 基準となる文字起こし:担当者に一度、手作業で文字起こしをしてもらいます。その文字起こしこそが、あらゆるモデルとベンダーを測る物差しであり、営業担当が持ってくるデモではありません。
  • 自社にとって重要なものを測る:モデルは注文番号、製品名、通話の理由を捉えたか。これらの項目は、全体の誤り率よりも事業にとって重要です。
  • 通知と目的:個人情報保護法は、個人データを、その出所や形式を問わず個人を特定できるあらゆるデータ(連絡先番号を含む)と定義し、記録、保存、利用、送信を処理の形態として扱います。録音された顧客との通話は通常個人データであり、それを文字起こしすることは処理にあたります。目的ごとに法的根拠があること、顧客が聞くまたは読むプライバシー通知が文字起こしと分析を対象に含んでいることを確認してください。録音をモデルの学習に使う予定がある場合は特にそうです。この点は顧客との会話とPDPLに関する記事で詳しく取り上げました。

顧客の声はどこで処理されるのか

二つの道が本当に分かれるのはここです。

  • 自社サーバーまたは王国内のクラウドでオープンモデルを動かす:音声が王国外に出ることはなく、保存期間や閲覧者は自社で決められます。NVIDIA製GPUを搭載したサーバーで最もよく動作し(モデルのページにはLinux上のVoltaからBlackwellまでのNVIDIAアーキテクチャが記載)、ページでは一般的なCPUでも実行できるNVIDIAの軽量ランタイムNeMo-Speech.cppも紹介されています。自社の通話でファインチューニングするにはGPUが必要で、いずれにしても誰かが運用と更新を担う必要があります。ハードウェアの試算は自社サーバーでモデルを動かす方法に関する記事で詳しく説明しました。
  • 王国外のクラウド文字起こしサービス:始めるのは簡単ですが、顧客の録音は国外に送られます。王国外への個人データの移転は、PDPLの施行規則の一つである王国外への個人データ移転に関する規則によって規律されています。価格を聞く前に、音声がどこで処理・保存されるのかをプロバイダーに確認してください。

コールセンターや音声ボットのベンダーへの質問

すでにコールセンターのベンダーがいる場合や、顧客に応対する音声エージェントを検討している場合、次の質問で一度の打ち合わせから多くのことが分かります。

  • 貴社のシステムは実際にどの方言に対応しており、どのデータで精度を測定しましたか?
  • 当社が作成した基準の文字起こしと比べて、当社の通話サンプルで精度を測定してもらえますか?
  • 音声はどこで処理され、テキストはどこに保存されますか。王国内ですか、王国外ですか?
  • 当社の録音を貴社のモデルの学習に使っていますか。それを止めるにはどうすればよいですか?
  • 録音と文字起こしをどのくらいの期間保管しますか。エクスポートや削除はできますか?

Origamiの見解

音声は、サウジ企業で最も無駄にされているデータです。苦情、注文、担当者の約束を含む通話は終わってしまえば、その後誰も検索せず、顧客の記録と結び付けられることもありません。SADAをめぐる出来事は、6億パラメータの小さなモデルであっても、適切にラベル付けされたサウジのデータによって、世界的なモデルと私たちの方言との差が縮まることを示しています。

経営者への私たちの見立てはこうです。顧客に応答する自動エージェントから始めないでください。まずは検索できるアーカイブ、各通話をその理由と自社システム上の顧客記録に結び付けるタグ付け、そして確認する人から始めましょう。そのうえで、規模を拡大する前に自社の通話で精度を測定してください。最初の決断はどのモデルを選ぶかではなく、顧客の声をどこで処理し、それを誰が所有するかです。

まとめ

  • NVIDIAは133.7時間のSADAデータで学習させ、ナジュド方言とヒジャーズ方言でのモデルの誤りを100語あたり約55語から約30語に減らしました。
  • 30%の誤り率は、人による確認を伴う検索、タグ付け、要約には十分ですが、逐語記録や自動判断には不十分です。
  • ベースモデルは商用利用が許諾されていますが、SADAは非商用利用のみ許諾されているため、それを基に構築する前にライセンスを確認してください。
  • どのモデルやベンダーも、自社で作成した基準の文字起こしと比べて、自社の通話サンプルで測定してください。
  • 音声がどこで処理されるかを把握し、プライバシー通知が文字起こしと分析を対象に含んでいることを確認してください。

出典