Саудовское агентство печати сообщило сегодня, в субботу 3 октября 2026 года, что NVIDIA использовала SADA, саудовский набор аудиоданных, выпущенный Саудовским управлением по данным и искусственному интеллекту (SDAIA) совместно с Саудовским управлением радиовещания, для обучения своей модели автоматического распознавания речи Nemotron 3.5 ASR. Согласно исследованию, которое NVIDIA опубликовала в своём блоге для разработчиков 30 сентября, модель, которая раньше ошибалась примерно в 55 словах из каждых 100 в речи на наджди и хиджази, теперь ошибается примерно в 30.

Это важно для любого бизнеса, у которого есть архив звонков клиентов, линия обслуживания клиентов или записанные встречи. Но цифра из заголовка ещё не решение. В этой статье объясняется, для чего годится такой уровень точности и для чего нет, какое лицензионное условие новость не упоминает и где следует обрабатывать голоса ваших клиентов.

Что произошло, в цифрах

  • Модель: Nemotron 3.5 ASR, потоковая модель расшифровки на 600 миллионов параметров, охватывающая 40 языковых локалей, из которых 32 расшифровывают сразу из коробки, а арабский входит в уровень, готовый к расшифровке. На её странице в Hugging Face сказано, что она готова к коммерческому использованию по лицензии OpenMDW-1.1.
  • Данные: 133,7 часа речи на наджди и хиджази из SADA. Команда NVIDIA смешала 90% саудовской речи с 10% открытых данных FLEURS (7% английского, 3% арабского), чтобы модель не забыла то, что уже делала хорошо.
  • Доля ошибок по словам на наджди и хиджази: с 55,05% до 29,96%. По всему набору SADA и всем его диалектам: с 58,84% до 35,61%.
  • Доля ошибок по символам на наджди и хиджази: с 31,63% до 12,18%.
  • Без потерь в двух проверках, которые провела NVIDIA: английский немного улучшился (с 11,04% до 10,42%), как и арабский тест FLEURS (с 12,67% до 11,41%).
  • Затраты на обучение: 12 000 шагов примерно за четыре с половиной часа на двух GPU для рабочих станций RTX PRO 6000 Blackwell.
  • Скорость: модель работает с задержкой от 80 миллисекунд, а на её странице указаны пять настроек потоковой обработки от 80 до 1 120 миллисекунд. Однако приведённые выше доли ошибок измерены при настройке по умолчанию в 320 миллисекунд; точность растёт с увеличением фрагментов, поэтому более быстрые настройки жертвуют частью точности ради скорости.

Что касается самого SADA, агентство сообщает, что он содержит около 667 часов расшифрованного аудио, в основном на саудовских диалектах, и охватывает более десяти диалектов в более чем 125 000 фрагментов, размеченных по диалекту говорящего. SDAIA опубликовало его на Kaggle для исследователей и разработчиков.

30 неверных слов из 100: для чего это годится, а для чего нет

Доля ошибок по словам учитывает каждое слово, которое было заменено, пропущено или добавлено. При 30% расшифровка фрагмента звонка из 100 слов может содержать около 30 ошибок. Это большое улучшение по сравнению с 55, но оно не превращает расшифровку в дословную запись, на которую можно положиться.

Разрыв между долей ошибок по словам (около 30%) и по символам (около 12%) имеет практический смысл. Слово с одной неверной буквой считается целиком неверным словом, поэтому часть ошибок это одна-две буквы внутри слова, а не полностью потерянное слово. Именно поэтому расшифровка может быть полезнее для поиска и разметки, чем подсказывает цифра 30%, при условии что ваш поиск допускает близкие написания, а не требует точного совпадения.

  • Годится для: поиска в архиве звонков по названию продукта или повторяющейся жалобе, разметки звонков по причине обращения, кратких изложений, которые проверяет сотрудник, и отбора звонков для контроля качества вместо прослушивания наугад.
  • Сама по себе недостаточна для: записи, на которую вы бы опирались в споре, исполнения финансового распоряжения по расшифровке звонка без проверки или автоматического агента, который понимает слова клиента буквально и действует на их основании.

Учтите также, что SADA взят с телевидения: более 600 часов из более чем 57 программ и сериалов, предоставленных Саудовским управлением радиовещания. Звонок вашего клиента это телефонный звук, возможно, из машины или людного магазина, иногда с двумя людьми, говорящими одновременно. Сама NVIDIA написала в исследовании, что этот процесс не является доказательством для каждого арабского диалекта или каждой среды внедрения. Для вас важна цифра на ваших собственных звонках.

Условие, которое новость опускает: лицензия SADA некоммерческая

Базовая модель лицензирована для коммерческого использования. А вот набор данных SADA опубликован на Kaggle по лицензии Creative Commons CC BY-NC-SA 4.0: с указанием авторства, некоммерческая, с сохранением условий. Если вы хотите обучить модель для своего бизнеса на SADA, сначала проверьте условия лицензии или получите разрешение владельца данных и не считайте, что открытость для исследователей означает открытость для вашего продукта.

NVIDIA опубликовала шаги и код эксперимента прямо в посте и дала ссылку на общий ноутбук для дообучения, примерные данные в котором представляют собой английский набор данных, а не SADA. Но исследование не сообщает, что модель, дообученная на SADA, была выпущена. Сегодня вам доступны базовая модель и метод. Данные, которые вы действительно вправе использовать в своём бизнесе, в большинстве случаев это ваши собственные записи.

Ваши звонки и есть данные: что подготовить перед любым испытанием

  • Реальная выборка: выберите звонки с вашей настоящей линии, на диалектах ваших клиентов, в том качестве, в каком записывает ваша система, включая сложные, с шумом, перебиваниями, числами и названиями продуктов.
  • Эталонная расшифровка: попросите сотрудника один раз расшифровать их вручную. Эта расшифровка и есть линейка, которой вы измеряете каждую модель и каждого поставщика, а не демо, которое приносит продавец.
  • Измеряйте то, что важно вам: уловила ли модель номер заказа, название продукта и причину звонка? Эти поля важнее для вашего бизнеса, чем общая доля ошибок.
  • Уведомление и цель: Закон о защите персональных данных определяет персональные данные как любые данные, независимо от их источника или формы, по которым можно установить личность человека, включая контактные номера, и рассматривает запись, хранение, использование и передачу как формы обработки. Записанный звонок клиента обычно является персональными данными, а его расшифровка это обработка. Убедитесь, что у вас есть правовое основание для каждой цели и что уведомление о конфиденциальности, которое ваш клиент слышит или читает, охватывает расшифровку и анализ, особенно если вы планируете использовать записи для обучения модели. Мы подробно разобрали это в нашей статье о разговорах с клиентами и PDPL.

Где обрабатываются голоса ваших клиентов

Именно здесь два пути действительно расходятся:

  • Открытая модель на вашем собственном сервере или в облаке внутри Королевства: аудио никогда не покидает Королевство, и вы решаете, как долго оно хранится и кто его видит. Лучше всего она работает на сервере с GPU NVIDIA (на странице модели перечислены архитектуры NVIDIA от Volta до Blackwell под Linux), а также на странице указан NeMo-Speech.cpp, лёгкая среда выполнения NVIDIA, которая может запускать её на обычном CPU. Для дообучения на ваших звонках нужны GPU, и в любом случае кто-то должен её эксплуатировать и обновлять. Расчёты по оборудованию мы разобрали в нашей статье о запуске моделей на собственных серверах.
  • Облачный сервис расшифровки за пределами Королевства: начать проще, но записи ваших клиентов уходят за рубеж, а передача персональных данных за пределы Королевства регулируется Положением о передаче персональных данных за пределы Королевства, одним из подзаконных актов PDPL. Спросите поставщика, где обрабатывается и хранится аудио, прежде чем спрашивать о цене.

Вопросы к поставщику колл-центра или голосового бота

Если у вас уже есть поставщик колл-центра или вы рассматриваете голосового агента, который отвечает вашим клиентам, эти вопросы многое покажут за одну встречу:

  • Какие диалекты ваша система действительно поддерживает и на каких данных вы измеряли её точность?
  • Измерите ли вы точность на выборке наших звонков по сравнению с эталонной расшифровкой, которую подготовим мы?
  • Где обрабатывается аудио и где хранится текст, внутри Королевства или за его пределами?
  • Используете ли вы наши записи для обучения своих моделей и как это отключить?
  • Как долго вы храните записи и расшифровки и можем ли мы их выгрузить и удалить?

Взгляд Origami

Голос самые растрачиваемые данные в саудовском бизнесе. Звонок с жалобой, заказом или обещанием сотрудника заканчивается, а потом по нему никто не ищет, и он никогда не связывается с карточкой клиента. То, что произошло с SADA, показывает, что разрыв между глобальными моделями и нашими диалектами сокращается благодаря хорошо размеченным саудовским данным, даже на небольшой модели в 600 миллионов параметров.

Наш вывод для владельцев бизнеса: не начинайте с автоматического агента, отвечающего клиентам. Начните с архива, по которому можно искать, с разметки, связывающей каждый звонок с его причиной и с карточкой клиента в вашей системе, и с человека, который проверяет. Затем измерьте точность на собственных звонках, прежде чем масштабироваться. Первое решение не в том, какую модель выбрать; оно в том, где обрабатываются голоса ваших клиентов и кому они принадлежат.

Выводы

  • NVIDIA сократила ошибки своей модели на наджди и хиджази примерно с 55 до примерно 30 слов из каждых 100, обучив её на 133,7 часа данных SADA.
  • Доли ошибок 30% достаточно для поиска, разметки и кратких изложений с проверкой человеком, но недостаточно для дословной записи или автоматического решения.
  • Базовая модель лицензирована для коммерческого использования, но SADA лицензирован только для некоммерческого, поэтому проверьте лицензию, прежде чем строить на нём.
  • Измеряйте любую модель или поставщика на выборке собственных звонков по сравнению с эталонной расшифровкой, которую подготовили вы.
  • Знайте, где обрабатывается аудио, и убедитесь, что ваше уведомление о конфиденциальности охватывает расшифровку и анализ.

Источники