A Agência de Imprensa Saudita informou hoje, sábado, 3 de outubro de 2026, que a NVIDIA usou o SADA, o conjunto de dados de áudio saudita publicado pela Autoridade Saudita de Dados e Inteligência Artificial (SDAIA) com a Autoridade Saudita de Radiodifusão, para treinar o seu modelo de reconhecimento automático de fala, o Nemotron 3.5 ASR. Segundo o estudo que a NVIDIA publicou no seu blog para desenvolvedores em 30 de setembro, um modelo que errava cerca de 55 palavras em cada 100 na fala najdi e hijazi agora erra cerca de 30.

Isso importa para qualquer empresa que tenha um arquivo de chamadas de clientes, uma linha de atendimento ou reuniões gravadas. Mas um número de manchete não é uma decisão. Este artigo explica para que serve e para que não serve esse nível de precisão, a condição de licença que a notícia não menciona e onde a voz dos seus clientes deve ser processada.

O que aconteceu, em números

  • O modelo: Nemotron 3.5 ASR, um modelo de transcrição em streaming de 600 milhões de parâmetros que cobre 40 combinações de idioma e região, 32 das quais transcrevem sem ajuste, com o árabe no nível pronto para transcrição. Sua página no Hugging Face diz que ele está pronto para uso comercial, sob a licença OpenMDW-1.1.
  • Os dados: 133,7 horas de fala najdi e hijazi do SADA. A equipe da NVIDIA misturou 90% de fala saudita com 10% de dados públicos do FLEURS (7% em inglês, 3% em árabe) para que o modelo não esquecesse o que já fazia bem.
  • Taxa de erro de palavras em najdi e hijazi: de 55,05% para 29,96%. Em todo o conjunto SADA e todos os seus dialetos: de 58,84% para 35,61%.
  • Taxa de erro de caracteres em najdi e hijazi: de 31,63% para 12,18%.
  • Nenhuma perda nas duas verificações que a NVIDIA fez: o inglês melhorou um pouco (de 11,04% para 10,42%), e o teste de árabe do FLEURS também (de 12,67% para 11,41%).
  • Custo do treinamento: 12.000 passos em cerca de quatro horas e meia em duas GPUs de estação de trabalho RTX PRO 6000 Blackwell.
  • Velocidade: o modelo roda com latência a partir de 80 milissegundos, e sua página lista cinco configurações de streaming de 80 a 1.120 milissegundos. As taxas de erro acima, porém, foram medidas no padrão de 320 milissegundos; a precisão melhora com blocos maiores, então as configurações mais rápidas trocam um pouco de precisão por velocidade.

Quanto ao próprio SADA, a agência diz que ele reúne cerca de 667 horas de áudio transcrito, a maior parte em dialetos sauditas, cobrindo mais de dez dialetos em mais de 125.000 trechos rotulados pelo dialeto de quem fala. A SDAIA publicou o conjunto no Kaggle para pesquisadores e desenvolvedores.

30 palavras erradas em 100: para que serve e para que não serve

A taxa de erro de palavras conta cada palavra que foi substituída, omitida ou acrescentada. Com 30%, a transcrição de um trecho de chamada de 100 palavras pode conter cerca de 30 erros. É uma grande melhora em relação a 55, mas não transforma a transcrição em um registro literal em que você possa confiar.

A diferença entre a taxa de palavras (cerca de 30%) e a taxa de caracteres (cerca de 12%) tem um significado prático. Uma palavra com uma única letra errada conta como uma palavra inteira errada, então parte dos erros são uma ou duas letras dentro de uma palavra, e não uma palavra perdida por completo. Por isso uma transcrição pode ser mais útil para busca e classificação do que o número de 30% sugere, desde que a sua busca tolere grafias aproximadas em vez de exigir correspondência exata.

  • Serve para: pesquisar no arquivo de chamadas o nome de um produto ou uma reclamação recorrente, classificar chamadas por motivo, resumos que um funcionário revisa e escolher chamadas para revisão de qualidade em vez de ouvir ao acaso.
  • Não basta sozinha para: um registro em que você se apoiaria em uma disputa, executar uma instrução financeira a partir da transcrição de uma chamada sem revisão, ou um agente automatizado que toma as palavras do cliente ao pé da letra e age com base nelas.

Observe também que o SADA vem da televisão: mais de 600 horas de mais de 57 programas e séries fornecidos pela Autoridade Saudita de Radiodifusão. A chamada do seu cliente é áudio de telefone, talvez de dentro de um carro ou de uma loja movimentada, às vezes com duas pessoas falando ao mesmo tempo. A própria NVIDIA escreveu no estudo que esse fluxo de trabalho não é evidência para todos os dialetos árabes nem para todos os ambientes de implantação. O número que importa para você é o número nas suas próprias chamadas.

A condição que a notícia deixa de fora: a licença do SADA é não comercial

O modelo base é licenciado para uso comercial. Já o conjunto de dados SADA está publicado no Kaggle sob a licença Creative Commons CC BY-NC-SA 4.0: atribuição, não comercial, compartilhamento pela mesma licença. Se você quer treinar um modelo para a sua empresa com o SADA, verifique antes os termos da licença ou obtenha a permissão do dono dos dados, e não presuma que estar aberto a pesquisadores significa estar aberto ao seu produto.

A NVIDIA publicou as etapas e o código do experimento no próprio post e indicou um notebook geral de ajuste fino cujos dados de exemplo são um conjunto de dados em inglês, não o SADA. Mas o estudo não diz que liberou o modelo ajustado com o SADA. O que está disponível para você hoje é o modelo base e o método. Os dados que você realmente tem o direito de usar na sua empresa são, na maioria dos casos, as suas próprias gravações.

As suas chamadas são os dados: o que preparar antes de qualquer teste

  • Uma amostra real: escolha chamadas da sua linha de verdade, nos dialetos dos seus clientes, com a qualidade que o seu sistema grava, incluindo as difíceis, com ruído, falas sobrepostas, números e nomes de produtos.
  • Uma transcrição de referência: peça a um funcionário que as transcreva à mão uma vez. Essa transcrição é a régua com que você mede cada modelo e cada fornecedor, não a demonstração que o vendedor traz.
  • Meça o que importa para você: o modelo captou o número do pedido, o nome do produto e o motivo da chamada? Esses campos importam mais para o seu negócio do que a taxa de erro geral.
  • Aviso e finalidade: a Lei de Proteção de Dados Pessoais define dados pessoais como quaisquer dados, qualquer que seja a sua origem ou forma, que possam identificar uma pessoa, incluindo números de contato, e trata gravar, armazenar, usar e transmitir como formas de tratamento. Uma chamada gravada de cliente normalmente é um dado pessoal, e transcrevê-la é tratamento. Garanta que você tem uma base legal para cada finalidade e que o aviso de privacidade que o seu cliente ouve ou lê cobre a transcrição e a análise, sobretudo se você pretende usar gravações para treinar um modelo. Tratamos disso em detalhe no nosso artigo sobre conversas com clientes e a PDPL.

Onde a voz dos seus clientes é processada

É aqui que os dois caminhos realmente se diferenciam:

  • Um modelo aberto no seu próprio servidor ou em uma nuvem dentro do Reino: o áudio nunca sai do Reino, e você decide por quanto tempo ele é guardado e quem o vê. Ele roda melhor em um servidor com GPU da NVIDIA (a página do modelo lista arquiteturas da NVIDIA de Volta a Blackwell, em Linux), e a página também indica o NeMo-Speech.cpp, um runtime leve da NVIDIA que pode executá-lo em uma CPU comum. Ajustá-lo com as suas chamadas exige GPUs, e de qualquer forma alguém precisa operá-lo e atualizá-lo. Fizemos as contas do hardware no nosso artigo sobre rodar modelos nos seus próprios servidores.
  • Um serviço de transcrição em nuvem fora do Reino: mais fácil de começar, mas as gravações dos seus clientes viajam para o exterior, e a transferência de dados pessoais para fora do Reino é regida pelo Regulamento de Transferência de Dados Pessoais para fora do Reino, um dos regulamentos de execução da PDPL. Pergunte ao seu fornecedor onde o áudio é processado e armazenado antes de perguntar o preço.

Perguntas para o seu fornecedor de call center ou de voicebot

Se você já tem um fornecedor de call center, ou está avaliando um agente de voz que atende os seus clientes, estas perguntas revelam muito em uma única reunião:

  • Quais dialetos o seu sistema realmente suporta, e com quais dados vocês mediram a precisão dele?
  • Vocês vão medir a precisão com uma amostra das nossas chamadas, comparando com uma transcrição de referência feita por nós?
  • Onde o áudio é processado e onde o texto é armazenado, dentro ou fora do Reino?
  • Vocês usam as nossas gravações para treinar os seus modelos, e como desativamos isso?
  • Por quanto tempo vocês guardam gravações e transcrições, e podemos exportá-las e apagá-las?

A visão da Origami

A voz é o dado mais desperdiçado em uma empresa saudita. Uma chamada com uma reclamação, um pedido ou uma promessa de um funcionário termina, e depois ninguém a pesquisa e ela nunca se liga ao cadastro do cliente. O que aconteceu com o SADA mostra que a distância entre os modelos globais e os nossos dialetos diminui com dados sauditas bem rotulados, mesmo em um modelo pequeno de 600 milhões de parâmetros.

A nossa leitura para donos de empresas: não comece com um agente automatizado atendendo clientes. Comece com um arquivo que você possa pesquisar, uma classificação que ligue cada chamada ao seu motivo e ao cadastro do cliente no seu sistema, e uma pessoa que revise. Depois meça a precisão nas suas próprias chamadas antes de ampliar. A primeira decisão não é qual modelo escolher; é onde a voz dos seus clientes é processada e quem é dono dela.

Conclusão

  • A NVIDIA reduziu os erros do seu modelo em najdi e hijazi de cerca de 55 para cerca de 30 palavras em cada 100, treinando com 133,7 horas de dados do SADA.
  • Uma taxa de erro de 30% basta para busca, classificação e resumos com revisão humana, e não basta para um registro literal nem para uma decisão automatizada.
  • O modelo base é licenciado para uso comercial, mas o SADA é licenciado apenas para uso não comercial, então verifique a licença antes de construir sobre ele.
  • Meça qualquer modelo ou fornecedor com uma amostra das suas próprias chamadas, comparando com uma transcrição de referência feita por você.
  • Saiba onde o áudio é processado e garanta que o seu aviso de privacidade cobre a transcrição e a análise.

Fontes