Suudi Basın Ajansı bugün, 3 Ekim 2026 Cumartesi günü, NVIDIA'nın Suudi Veri ve Yapay Zekâ Kurumu (SDAIA) ile Suudi Yayın Kurumu tarafından yayımlanan Suudi ses veri seti SADA'yı, otomatik konuşma tanıma modeli Nemotron 3.5 ASR'yi eğitmek için kullandığını bildirdi. NVIDIA'nın 30 Eylül'de geliştirici blogunda yayımladığı çalışmaya göre, Necdi ve Hicazi konuşmada her 100 kelimeden yaklaşık 55'ini yanlış çıkaran bir model artık yaklaşık 30'unu yanlış çıkarıyor.

Bu, müşteri aramaları arşivi, müşteri hizmetleri hattı ya da kayıtlı toplantıları olan her işletme için önemlidir. Ancak manşetteki bir sayı bir karar değildir. Bu yazı, bu doğruluk düzeyinin ne işe yaradığını ve neye yaramadığını, haberin söz etmediği lisans koşulunu ve müşterilerinizin seslerinin nerede işlenmesi gerektiğini açıklıyor.

Rakamlarla ne oldu

  • Model: Nemotron 3.5 ASR, 40 dil-bölge bileşenini kapsayan, 600 milyon parametreli bir akışlı transkripsiyon modeli; bunların 32'si kutudan çıktığı gibi yazıya döküyor ve Arapça transkripsiyona hazır katmanda yer alıyor. Hugging Face sayfası, OpenMDW-1.1 lisansıyla ticari kullanıma hazır olduğunu söylüyor.
  • Veri: SADA'dan 133,7 saatlik Necdi ve Hicazi konuşma. NVIDIA ekibi, modelin zaten iyi yaptığı şeyleri unutmaması için %90 Suudi konuşmasını %10 kamuya açık FLEURS verisiyle (%7 İngilizce, %3 Arapça) karıştırdı.
  • Kelime hata oranı Necdi ve Hicazi'de: %55,05'ten %29,96'ya. SADA setinin tamamında ve tüm lehçelerinde: %58,84'ten %35,61'e.
  • Karakter hata oranı Necdi ve Hicazi'de: %31,63'ten %12,18'e.
  • NVIDIA'nın yaptığı iki kontrolde kayıp yok: İngilizce biraz iyileşti (%11,04'ten %10,42'ye), FLEURS Arapça testi de öyle (%12,67'den %11,41'e).
  • Eğitim maliyeti: iki adet RTX PRO 6000 Blackwell iş istasyonu GPU'sunda yaklaşık dört buçuk saatte 12.000 adım.
  • Hız: model 80 milisaniyeden başlayan gecikmeyle çalışıyor ve sayfası 80 ile 1.120 milisaniye arasında beş akış ayarı listeliyor. Ancak yukarıdaki hata oranları 320 milisaniyelik varsayılan ayarda ölçüldü; doğruluk daha büyük parçalarla artıyor, yani daha hızlı ayarlar hız için bir miktar doğruluktan vazgeçiyor.

SADA'nın kendisine gelince, ajans setin yaklaşık 667 saatlik yazıya dökülmüş ses içerdiğini, çoğunun Suudi lehçelerinde olduğunu ve konuşmacının lehçesine göre etiketlenmiş 125.000'den fazla klipte ondan fazla lehçeyi kapsadığını söylüyor. SDAIA seti araştırmacılar ve geliştiriciler için Kaggle'da yayımladı.

100 kelimede 30 yanlış: ne işe yarar, neye yaramaz

Kelime hata oranı, değiştirilen, atlanan ya da eklenen her kelimeyi sayar. %30'da, bir aramanın 100 kelimelik bir bölümünün transkripti yaklaşık 30 hata içerebilir. Bu, 55'e göre büyük bir iyileşme, ancak transkripti güvenebileceğiniz kelimesi kelimesine bir kayda dönüştürmüyor.

Kelime oranı (yaklaşık %30) ile karakter oranı (yaklaşık %12) arasındaki farkın pratik bir anlamı var. Tek bir harfi yanlış olan bir kelime, bütünüyle yanlış bir kelime sayılır; yani hataların bir kısmı tamamen kaybolmuş bir kelime değil, bir kelimenin içindeki bir iki harftir. Bu yüzden bir transkript, aramanız birebir eşleşme istemek yerine yakın yazımları tolere ettiği sürece, arama ve etiketleme için %30 rakamının düşündürdüğünden daha yararlı olabilir.

  • İşe yaradığı yerler: arama arşivinizde bir ürün adını ya da tekrarlayan bir şikâyeti aramak, aramaları nedenine göre etiketlemek, bir çalışanın gözden geçirdiği özetler ve rastgele dinlemek yerine kalite incelemesi için arama seçmek.
  • Tek başına yetmediği yerler: bir anlaşmazlıkta dayanacağınız bir kayıt, bir arama transkriptindeki mali bir talimatı inceleme olmadan uygulamak ya da müşterinin sözlerini harfiyen alıp onlara göre hareket eden otomatik bir ajan.

Şunu da not edin: SADA televizyondan geliyor; Suudi Yayın Kurumu'nun sağladığı 57'den fazla program ve diziden 600 saatten fazla kayıt. Müşterinizin araması ise telefon sesidir; belki bir arabadan ya da kalabalık bir dükkândan, bazen iki kişinin üst üste konuştuğu bir kayıt. NVIDIA'nın kendisi de çalışmada bu iş akışının her Arap lehçesi ya da her kullanım ortamı için kanıt olmadığını yazdı. Sizin için önemli olan sayı, kendi aramalarınızdaki sayıdır.

Haberin atladığı koşul: SADA'nın lisansı ticari değil

Temel model ticari kullanım için lisanslı. SADA veri seti ise Kaggle'da Creative Commons CC BY-NC-SA 4.0 lisansıyla yayımlanmış: atıf, ticari olmayan, aynı lisansla paylaşım. İşletmeniz için SADA ile bir model eğitmek istiyorsanız, önce lisans koşullarını kontrol edin ya da veri sahibinin iznini alın; araştırmacılara açık olmanın ürününüze açık olmak anlamına geldiğini varsaymayın.

NVIDIA deneyin adımlarını ve kodunu yazının kendisinde yayımladı ve örnek verisi SADA değil, İngilizce bir veri seti olan genel bir ince ayar not defterine bağlantı verdi. Ancak çalışma, SADA ile ince ayarlanmış modeli yayımladığını söylemiyor. Bugün elinizde olan, temel model ve yöntemdir. İşletmenizde gerçekten kullanma hakkına sahip olduğunuz veri, çoğu durumda kendi kayıtlarınızdır.

Veri sizin aramalarınız: herhangi bir denemeden önce neler hazırlanmalı

  • Gerçek bir örnek: gerçek hattınızdan, müşterilerinizin lehçelerinde, sisteminizin kaydettiği kalitede aramalar seçin; gürültü, üst üste konuşma, sayılar ve ürün adları içeren zor olanlar da dahil.
  • Bir referans transkript: bir çalışana bunları bir kez elle yazıya döktürün. Bu transkript, satıcının getirdiği demo değil, her modeli ve her tedarikçiyi ölçtüğünüz cetveldir.
  • Sizin için önemli olanı ölçün: model sipariş numarasını, ürün adını ve aramanın nedenini yakaladı mı? Bu alanlar işiniz için genel hata oranından daha önemlidir.
  • Bildirim ve amaç: Kişisel Verilerin Korunması Kanunu kişisel veriyi, kaynağı ya da biçimi ne olursa olsun bir kişiyi tanımlayabilen her türlü veri olarak tanımlar, iletişim numaraları da buna dahildir; kaydetmeyi, saklamayı, kullanmayı ve iletmeyi de işleme biçimleri olarak ele alır. Kayıtlı bir müşteri araması genellikle kişisel veridir ve onu yazıya dökmek işlemedir. Her amaç için hukuki bir dayanağınız olduğundan ve müşterinizin duyduğu ya da okuduğu gizlilik bildiriminin transkripsiyon ile analizi kapsadığından emin olun; özellikle kayıtları bir model eğitmek için kullanmayı planlıyorsanız. Bunu müşteri konuşmaları ve PDPL hakkındaki yazımızda ayrıntılı olarak ele aldık.

Müşterilerinizin sesleri nerede işleniyor

İki yolun gerçekten ayrıştığı yer burası:

  • Kendi sunucunuzda ya da Krallık içindeki bir bulutta açık bir model: ses Krallık'tan hiç çıkmaz ve ne kadar süre saklanacağına ve kimin göreceğine siz karar verirsiniz. En iyi NVIDIA GPU'lu bir sunucuda çalışır (model sayfası Linux üzerinde Volta'dan Blackwell'e kadar NVIDIA mimarilerini listeliyor) ve sayfa ayrıca onu sıradan bir CPU'da çalıştırabilen hafif bir NVIDIA çalışma zamanı olan NeMo-Speech.cpp'ye işaret ediyor. Onu kendi aramalarınızla ince ayarlamak ise GPU gerektirir ve her iki durumda da birinin onu işletmesi ve güncellemesi gerekir. Donanım hesabını modelleri kendi sunucularınızda çalıştırma hakkındaki yazımızda adım adım yaptık.
  • Krallık dışında bir bulut transkripsiyon hizmeti: başlamak daha kolay, ancak müşterilerinizin kayıtları yurt dışına gider ve kişisel verilerin Krallık dışına aktarılması, PDPL'nin uygulama yönetmeliklerinden biri olan Kişisel Verilerin Krallık Dışına Aktarılmasına İlişkin Yönetmelik ile düzenlenir. Fiyatı sormadan önce sağlayıcınıza sesin nerede işlenip saklandığını sorun.

Çağrı merkezi ya da sesli bot tedarikçinize sorulacak sorular

Halihazırda bir çağrı merkezi tedarikçiniz varsa ya da müşterilerinize yanıt veren bir sesli ajanı değerlendiriyorsanız, bu sorular tek bir toplantıda çok şey ortaya koyar:

  • Sisteminiz gerçekte hangi lehçeleri destekliyor ve doğruluğunu hangi verilerle ölçtünüz?
  • Doğruluğu, bizim hazırladığımız bir referans transkripte karşı, aramalarımızdan bir örnek üzerinde ölçecek misiniz?
  • Ses nerede işleniyor ve metin nerede saklanıyor, Krallık içinde mi dışında mı?
  • Kayıtlarımızı modellerinizi eğitmek için kullanıyor musunuz ve bunu nasıl kapatırız?
  • Kayıtları ve transkriptleri ne kadar süre saklıyorsunuz, bunları dışa aktarıp silebilir miyiz?

Origami'nin görüşü

Ses, bir Suudi işletmesinde en çok israf edilen veridir. Bir şikâyet, bir sipariş ya da bir çalışanın verdiği bir söz içeren arama biter, sonra kimse onda arama yapmaz ve hiçbir zaman müşterinin kaydına bağlanmaz. SADA ile yaşananlar, iyi etiketlenmiş Suudi verisiyle küresel modeller ile lehçelerimiz arasındaki farkın, 600 milyon parametreli küçük bir modelde bile daraldığını gösteriyor.

İşletme sahipleri için okumamız şu: müşterilere yanıt veren otomatik bir ajanla başlamayın. Arama yapabileceğiniz bir arşivle, her aramayı nedenine ve sisteminizdeki müşteri kaydına bağlayan etiketlemeyle ve gözden geçiren bir kişiyle başlayın. Sonra ölçeklendirmeden önce doğruluğu kendi aramalarınızda ölçün. İlk karar hangi modelin seçileceği değil; müşterilerinizin seslerinin nerede işlendiği ve onlara kimin sahip olduğudur.

Sonuç

  • NVIDIA, 133,7 saatlik SADA verisiyle eğiterek modelinin Necdi ve Hicazi'deki hatalarını her 100 kelimede yaklaşık 55'ten yaklaşık 30'a indirdi.
  • %30'luk bir hata oranı, insan incelemesiyle arama, etiketleme ve özetler için yeterli; kelimesi kelimesine bir kayıt ya da otomatik bir karar için yeterli değil.
  • Temel model ticari kullanım için lisanslı, ancak SADA yalnızca ticari olmayan kullanım için lisanslı; bu yüzden üzerine bir şey kurmadan önce lisansı kontrol edin.
  • Her modeli ya da tedarikçiyi, kendi hazırladığınız bir referans transkripte karşı, kendi aramalarınızdan bir örnek üzerinde ölçün.
  • Sesin nerede işlendiğini bilin ve gizlilik bildiriminizin transkripsiyon ile analizi kapsadığından emin olun.

Kaynaklar