Agensi Akhbar Saudi melaporkan hari ini, Sabtu 3 Oktober 2026, bahawa NVIDIA menggunakan SADA, set data audio Saudi yang dikeluarkan oleh Pihak Berkuasa Data dan Kecerdasan Buatan Saudi (SDAIA) bersama Pihak Berkuasa Penyiaran Saudi, untuk melatih model pengecaman pertuturan automatiknya, Nemotron 3.5 ASR. Menurut kajian yang diterbitkan NVIDIA di blog pembangunnya pada 30 September, model yang dahulunya tersilap kira-kira 55 perkataan daripada setiap 100 dalam pertuturan Najdi dan Hijazi kini tersilap kira-kira 30.

Perkara ini penting bagi mana-mana perniagaan yang mempunyai arkib panggilan pelanggan, talian khidmat pelanggan atau mesyuarat yang dirakam. Tetapi angka tajuk berita bukanlah satu keputusan. Artikel ini menerangkan kegunaan tahap ketepatan ini dan apa yang tidak sesuai untuknya, syarat lesen yang tidak disebut dalam berita, dan di mana suara pelanggan anda patut diproses.

Apa yang berlaku, dalam angka

  • Model: Nemotron 3.5 ASR, model transkripsi penstriman dengan 600 juta parameter yang meliputi 40 lokal bahasa, 32 daripadanya boleh mentranskripsi terus tanpa penyesuaian, dengan bahasa Arab dalam peringkat sedia untuk transkripsi. Halaman Hugging Face model itu menyatakan ia sedia untuk kegunaan komersial, di bawah lesen OpenMDW-1.1.
  • Data: 133,7 jam pertuturan Najdi dan Hijazi daripada SADA. Pasukan NVIDIA mencampurkan 90% pertuturan Saudi dengan 10% data awam FLEURS (7% bahasa Inggeris, 3% bahasa Arab) supaya model tidak melupakan apa yang sudah dilakukannya dengan baik.
  • Kadar ralat perkataan bagi Najdi dan Hijazi: daripada 55,05% kepada 29,96%. Merentasi seluruh set SADA dan semua dialeknya: daripada 58,84% kepada 35,61%.
  • Kadar ralat aksara bagi Najdi dan Hijazi: daripada 31,63% kepada 12,18%.
  • Tiada kemerosotan pada dua semakan yang dijalankan NVIDIA: bahasa Inggeris bertambah baik sedikit (daripada 11,04% kepada 10,42%), begitu juga ujian bahasa Arab FLEURS (daripada 12,67% kepada 11,41%).
  • Kos latihan: 12.000 langkah dalam kira-kira empat jam setengah pada dua GPU stesen kerja RTX PRO 6000 Blackwell.
  • Kelajuan: model ini berjalan dengan kependaman bermula dari 80 milisaat, dan halamannya menyenaraikan lima tetapan penstriman dari 80 hingga 1.120 milisaat. Namun begitu, kadar ralat di atas diukur pada tetapan lalai 320 milisaat; ketepatan meningkat dengan cebisan yang lebih besar, jadi tetapan yang lebih pantas menukar sedikit ketepatan dengan kelajuan.

Mengenai SADA itu sendiri, agensi tersebut menyatakan ia mengandungi kira-kira 667 jam audio yang telah ditranskripsi, kebanyakannya dalam dialek Saudi, meliputi lebih daripada sepuluh dialek merentasi lebih daripada 125.000 klip yang dilabel mengikut dialek penutur. SDAIA menerbitkannya di Kaggle untuk penyelidik dan pembangun.

30 perkataan salah daripada 100: apa kegunaannya, dan apa yang tidak

Kadar ralat perkataan mengira setiap perkataan yang diganti, tercicir atau ditambah. Pada 30%, transkrip bagi sebahagian panggilan sepanjang 100 perkataan mungkin mengandungi kira-kira 30 ralat. Itu peningkatan besar berbanding 55, tetapi ia tidak menjadikan transkrip itu rekod kata demi kata yang boleh anda harapkan.

Jurang antara kadar perkataan (kira-kira 30%) dan kadar aksara (kira-kira 12%) mempunyai makna praktikal. Perkataan dengan satu huruf yang salah dikira sebagai satu perkataan salah sepenuhnya, jadi sebahagian ralat ialah satu atau dua huruf di dalam perkataan, bukan perkataan yang hilang sama sekali. Itulah sebabnya transkrip boleh menjadi lebih berguna untuk carian dan pelabelan daripada yang digambarkan oleh angka 30%, dengan syarat carian anda menerima ejaan yang hampir sama dan bukannya memerlukan padanan tepat.

  • Sesuai untuk: mencari nama produk atau aduan yang berulang dalam arkib panggilan anda, melabel panggilan mengikut sebab, ringkasan yang disemak oleh kakitangan, dan memilih panggilan untuk semakan kualiti dan bukannya mendengar secara rawak.
  • Tidak memadai dengan sendirinya untuk: rekod yang akan anda harapkan dalam pertikaian, melaksanakan arahan kewangan daripada transkrip panggilan tanpa semakan, atau ejen automatik yang menerima kata-kata pelanggan secara harfiah dan bertindak berdasarkannya.

Perhatikan juga bahawa SADA berasal daripada televisyen: lebih daripada 600 jam daripada lebih daripada 57 program dan siri yang dibekalkan oleh Pihak Berkuasa Penyiaran Saudi. Panggilan pelanggan anda ialah audio telefon, mungkin dari dalam kereta atau kedai yang sibuk, kadangkala dengan dua orang bercakap serentak. NVIDIA sendiri menulis dalam kajian itu bahawa aliran kerja ini bukan bukti bagi setiap dialek Arab atau setiap persekitaran pelaksanaan. Angka yang penting bagi anda ialah angka pada panggilan anda sendiri.

Syarat yang tidak disebut dalam berita: lesen SADA ialah bukan komersial

Model asas itu dilesenkan untuk kegunaan komersial. Set data SADA pula diterbitkan di Kaggle di bawah lesen Creative Commons CC BY-NC-SA 4.0: atribusi, bukan komersial, perkongsian serupa. Jika anda mahu melatih model untuk syarikat anda dengan SADA, semak dahulu terma lesen atau dapatkan kebenaran pemilik data, dan jangan anggap bahawa terbuka kepada penyelidik bermakna terbuka kepada produk anda.

NVIDIA menerbitkan langkah dan kod eksperimen dalam hantaran itu sendiri, dan memautkan buku nota penalaan halus umum yang data contohnya ialah set data bahasa Inggeris, bukan SADA. Tetapi kajian itu tidak menyatakan bahawa ia telah mengeluarkan model yang ditala halus dengan SADA. Yang tersedia untuk anda hari ini ialah model asas dan kaedahnya. Data yang anda benar-benar berhak gunakan dalam perniagaan anda, dalam kebanyakan kes, ialah rakaman anda sendiri.

Panggilan anda ialah datanya: apa yang perlu disediakan sebelum sebarang percubaan

  • Sampel sebenar: pilih panggilan daripada talian sebenar anda, dalam dialek pelanggan anda, pada kualiti yang dirakam oleh sistem anda, termasuk panggilan sukar yang ada bunyi bising, percakapan bertindih, nombor dan nama produk.
  • Transkrip rujukan: minta seorang kakitangan mentranskripsinya secara manual sekali. Transkrip itulah pembaris untuk mengukur setiap model dan setiap vendor, bukan demo yang dibawa oleh jurujual.
  • Ukur perkara yang penting bagi anda: adakah model menangkap nombor pesanan, nama produk dan sebab panggilan? Medan-medan itu lebih penting bagi perniagaan anda berbanding kadar ralat keseluruhan.
  • Notis dan tujuan: Undang-undang Perlindungan Data Peribadi mentakrifkan data peribadi sebagai apa-apa data, tanpa mengira sumber atau bentuknya, yang boleh mengenal pasti seseorang individu, termasuk nombor telefon, dan menganggap merakam, menyimpan, menggunakan dan menghantar sebagai bentuk pemprosesan. Panggilan pelanggan yang dirakam biasanya ialah data peribadi, dan mentranskripsinya ialah pemprosesan. Pastikan anda mempunyai asas sah bagi setiap tujuan, dan notis privasi yang didengar atau dibaca oleh pelanggan anda merangkumi transkripsi dan analisis, terutamanya jika anda merancang untuk menggunakan rakaman bagi melatih model. Kami membincangkannya dengan terperinci dalam artikel kami tentang perbualan pelanggan dan PDPL.

Di mana suara pelanggan anda diproses

Di sinilah kedua-dua laluan benar-benar berbeza:

  • Model terbuka pada pelayan anda sendiri atau dalam awan di dalam Kerajaan: audio tidak pernah meninggalkan Kerajaan, dan anda yang menentukan berapa lama ia disimpan dan siapa yang boleh melihatnya. Ia berjalan paling baik pada pelayan dengan GPU NVIDIA (halaman model menyenaraikan seni bina NVIDIA dari Volta hingga Blackwell, di Linux), dan halaman itu juga menunjuk kepada NeMo-Speech.cpp, masa jalan ringan daripada NVIDIA yang boleh menjalankannya pada CPU biasa. Penalaan halus menggunakan panggilan anda memang memerlukan GPU, dan dalam apa jua keadaan seseorang perlu mengendalikan dan mengemas kininya. Kami telah mengira keperluan perkakasannya dalam artikel kami tentang menjalankan model pada pelayan sendiri.
  • Perkhidmatan transkripsi awan di luar Kerajaan: lebih mudah untuk bermula, tetapi rakaman pelanggan anda dihantar ke luar negara, dan pemindahan data peribadi ke luar Kerajaan dikawal oleh Peraturan Pemindahan Data Peribadi ke Luar Kerajaan, salah satu peraturan pelaksanaan PDPL. Tanya pembekal anda di mana audio diproses dan disimpan sebelum anda bertanya tentang harga.

Soalan untuk vendor pusat panggilan atau bot suara anda

Jika anda sudah mempunyai vendor pusat panggilan, atau sedang mempertimbangkan ejen suara yang menjawab pelanggan anda, soalan-soalan ini mendedahkan banyak perkara dalam satu mesyuarat:

  • Dialek manakah yang benar-benar disokong oleh sistem anda, dan dengan data apakah ketepatannya diukur?
  • Adakah anda akan mengukur ketepatan pada sampel panggilan kami, berbanding transkrip rujukan yang kami hasilkan?
  • Di manakah audio diproses dan di manakah teks disimpan, di dalam Kerajaan atau di luar?
  • Adakah anda menggunakan rakaman kami untuk melatih model anda, dan bagaimanakah kami mematikannya?
  • Berapa lamakah anda menyimpan rakaman dan transkrip, dan bolehkah kami mengeksport dan memadamkannya?

Pandangan Origami

Suara ialah data yang paling banyak dibazirkan dalam perniagaan Saudi. Panggilan yang mengandungi aduan, pesanan atau janji daripada kakitangan tamat, kemudian tiada sesiapa mencarinya dan ia tidak pernah dipautkan kepada rekod pelanggan. Apa yang berlaku dengan SADA menunjukkan bahawa jurang antara model global dan dialek kita semakin kecil dengan data Saudi yang dilabel dengan baik, malah pada model kecil berukuran 600 juta parameter.

Pandangan kami untuk pemilik perniagaan: jangan bermula dengan ejen automatik yang menjawab pelanggan. Mulakan dengan arkib yang boleh anda cari, pelabelan yang memautkan setiap panggilan kepada sebabnya dan kepada rekod pelanggan dalam sistem anda, dan seseorang yang menyemak. Selepas itu, ukur ketepatan pada panggilan anda sendiri sebelum memperluas skala. Keputusan pertama bukanlah model mana yang hendak dipilih; ia ialah di mana suara pelanggan anda diproses dan siapa pemiliknya.

Kesimpulan

  • NVIDIA mengurangkan ralat modelnya dalam Najdi dan Hijazi daripada kira-kira 55 kepada kira-kira 30 perkataan dalam setiap 100, dengan latihan pada 133,7 jam data SADA.
  • Kadar ralat 30% memadai untuk carian, pelabelan dan ringkasan dengan semakan manusia, tetapi tidak memadai untuk rekod kata demi kata atau keputusan automatik.
  • Model asas dilesenkan untuk kegunaan komersial, tetapi SADA hanya dilesenkan untuk kegunaan bukan komersial, jadi semak lesen sebelum membina di atasnya.
  • Ukur mana-mana model atau vendor pada sampel panggilan anda sendiri, berbanding transkrip rujukan yang anda hasilkan.
  • Ketahui di mana audio diproses, dan pastikan notis privasi anda merangkumi transkripsi dan analisis.

Sumber