سعودی پریس ایجنسی نے آج، ہفتہ 3 اکتوبر 2026 کو خبر دی کہ NVIDIA نے SADA کو، جو سعودی ڈیٹا اور مصنوعی ذہانت اتھارٹی (SDAIA) نے سعودی براڈکاسٹنگ اتھارٹی کے ساتھ جاری کیا گیا سعودی آڈیو ڈیٹا سیٹ ہے، اپنے خودکار تقریر کی شناخت کے ماڈل Nemotron 3.5 ASR کی تربیت کے لیے استعمال کیا۔ NVIDIA کی جانب سے 30 ستمبر کو اپنے ڈویلپر بلاگ پر شائع کیے گئے مطالعے کے مطابق، جو ماڈل پہلے نجدی اور حجازی گفتگو میں ہر 100 میں سے تقریباً 55 الفاظ غلط لکھتا تھا، وہ اب تقریباً 30 غلط لکھتا ہے۔

یہ ہر اس کاروبار کے لیے اہم ہے جس کے پاس گاہکوں کی کالز کا آرکائیو، کسٹمر سروس لائن یا ریکارڈ شدہ میٹنگز ہیں۔ لیکن سرخی کا ایک عدد فیصلہ نہیں ہوتا۔ یہ مضمون بتاتا ہے کہ درستی کی یہ سطح کس کام کی ہے اور کس کام کی نہیں، لائسنس کی وہ شرط جس کا خبر میں ذکر نہیں، اور آپ کے گاہکوں کی آوازیں کہاں پروسیس ہونی چاہئیں۔

کیا ہوا، اعداد و شمار میں

  • ماڈل: Nemotron 3.5 ASR، 600 ملین پیرامیٹرز والا ایک اسٹریمنگ ٹرانسکرپشن ماڈل جو 40 زبان و علاقہ جات کا احاطہ کرتا ہے، جن میں سے 32 بغیر کسی تبدیلی کے ٹرانسکرائب کرتے ہیں، اور عربی ٹرانسکرپشن کے لیے تیار درجے میں شامل ہے۔ اس کے Hugging Face صفحے کے مطابق یہ OpenMDW-1.1 لائسنس کے تحت تجارتی استعمال کے لیے تیار ہے۔
  • ڈیٹا: SADA سے نجدی اور حجازی گفتگو کے 133.7 گھنٹے۔ NVIDIA کی ٹیم نے 90% سعودی گفتگو کو 10% عوامی FLEURS ڈیٹا (7% انگریزی، 3% عربی) کے ساتھ ملایا تاکہ ماڈل وہ نہ بھولے جو وہ پہلے سے اچھا کرتا تھا۔
  • الفاظ کی غلطی کی شرح نجدی اور حجازی پر: 55.05% سے 29.96%۔ پورے SADA سیٹ اور اس کے تمام لہجوں پر: 58.84% سے 35.61%۔
  • حروف کی غلطی کی شرح نجدی اور حجازی پر: 31.63% سے 12.18%۔
  • NVIDIA کی دو جانچوں میں کوئی کمی نہیں: انگریزی میں تھوڑی بہتری آئی (11.04% سے 10.42%)، اور FLEURS عربی ٹیسٹ میں بھی (12.67% سے 11.41%)۔
  • تربیت کی لاگت: دو RTX PRO 6000 Blackwell ورک اسٹیشن GPU پر تقریباً ساڑھے چار گھنٹے میں 12,000 مراحل۔
  • رفتار: ماڈل 80 ملی سیکنڈ سے شروع ہونے والی لیٹنسی کے ساتھ چلتا ہے، اور اس کا صفحہ 80 سے 1,120 ملی سیکنڈ تک کی پانچ اسٹریمنگ سیٹنگز درج کرتا ہے۔ تاہم اوپر دی گئی غلطی کی شرحیں 320 ملی سیکنڈ کی ڈیفالٹ سیٹنگ پر ناپی گئی تھیں؛ بڑے حصوں کے ساتھ درستی بڑھتی ہے، اس لیے تیز سیٹنگز رفتار کے بدلے کچھ درستی چھوڑ دیتی ہیں۔

جہاں تک خود SADA کی بات ہے، ایجنسی کے مطابق اس میں تقریباً 667 گھنٹے کی ٹرانسکرائب شدہ آڈیو ہے، زیادہ تر سعودی لہجوں میں، جو بولنے والے کے لہجے کے مطابق لیبل کیے گئے 125,000 سے زیادہ کلپس میں دس سے زیادہ لہجوں کا احاطہ کرتی ہے۔ SDAIA نے اسے محققین اور ڈویلپرز کے لیے Kaggle پر شائع کیا۔

100 میں سے 30 غلط الفاظ: یہ کس کام کا ہے اور کس کا نہیں

الفاظ کی غلطی کی شرح ہر اس لفظ کو گنتی ہے جو بدلا گیا، چھوٹ گیا یا زائد شامل ہوا۔ 30% پر، کال کے 100 الفاظ کے ایک حصے کی ٹرانسکرپٹ میں تقریباً 30 غلطیاں ہو سکتی ہیں۔ 55 کے مقابلے میں یہ بڑی بہتری ہے، لیکن اس سے ٹرانسکرپٹ ایسا لفظ بہ لفظ ریکارڈ نہیں بن جاتی جس پر آپ بھروسہ کر سکیں۔

الفاظ کی شرح (تقریباً 30%) اور حروف کی شرح (تقریباً 12%) کے درمیان فرق کا ایک عملی مطلب ہے۔ ایک غلط حرف والا لفظ پورا غلط لفظ شمار ہوتا ہے، اس لیے کچھ غلطیاں لفظ کے اندر ایک دو حروف کی ہیں، نہ کہ مکمل طور پر غائب لفظ۔ اسی لیے ٹرانسکرپٹ تلاش اور ٹیگنگ کے لیے 30% کے عدد سے زیادہ مفید ہو سکتی ہے، بشرطیکہ آپ کی تلاش ہوبہو مطابقت مانگنے کے بجائے ملتے جلتے ہجے قبول کرے۔

  • ان کاموں کے لیے اچھا: اپنے کال آرکائیو میں کسی پروڈکٹ کا نام یا بار بار آنے والی شکایت تلاش کرنا، کالز کو وجہ کے مطابق ٹیگ کرنا، ایسے خلاصے جن کا کوئی ملازم جائزہ لے، اور بے ترتیب سننے کے بجائے معیار کے جائزے کے لیے کالز چننا۔
  • اکیلے ان کاموں کے لیے کافی نہیں: ایسا ریکارڈ جس پر آپ کسی تنازع میں انحصار کریں، بغیر جائزے کے کال ٹرانسکرپٹ سے کوئی مالی ہدایت نافذ کرنا، یا ایسا خودکار ایجنٹ جو گاہک کے الفاظ کو لفظی طور پر لے کر ان پر عمل کرے۔

یہ بھی نوٹ کریں کہ SADA ٹیلی ویژن سے آتا ہے: سعودی براڈکاسٹنگ اتھارٹی کے فراہم کردہ 57 سے زیادہ پروگراموں اور سیریلز سے 600 گھنٹے سے زیادہ۔ آپ کے گاہک کی کال فون کی آڈیو ہے، شاید کسی گاڑی سے یا کسی پرہجوم دکان سے، کبھی دو لوگ ایک ساتھ بولتے ہوئے۔ NVIDIA نے خود مطالعے میں لکھا کہ یہ ورک فلو ہر عربی لہجے یا ہر استعمال کے ماحول کا ثبوت نہیں ہے۔ آپ کے لیے اہم عدد وہ ہے جو آپ کی اپنی کالز پر آئے۔

وہ شرط جو خبر میں چھوٹ گئی: SADA کا لائسنس غیر تجارتی ہے

بنیادی ماڈل تجارتی استعمال کے لیے لائسنس یافتہ ہے۔ لیکن SADA ڈیٹا سیٹ Kaggle پر کریئیٹو کامنز CC BY-NC-SA 4.0 لائسنس کے تحت شائع ہے: انتساب، غیر تجارتی، یکساں شرائط پر اشتراک۔ اگر آپ اپنے کاروبار کے لیے SADA پر کوئی ماڈل تربیت دینا چاہتے ہیں تو پہلے لائسنس کی شرائط دیکھیں یا ڈیٹا کے مالک کی اجازت لیں، اور یہ فرض نہ کریں کہ محققین کے لیے کھلا ہونے کا مطلب آپ کی پروڈکٹ کے لیے کھلا ہونا ہے۔

NVIDIA نے تجربے کے مراحل اور کوڈ پوسٹ ہی میں شائع کیے، اور فائن ٹیوننگ کی ایک عمومی نوٹ بک کا لنک دیا جس کا نمونہ ڈیٹا SADA نہیں بلکہ ایک انگریزی ڈیٹا سیٹ ہے۔ لیکن مطالعہ یہ نہیں کہتا کہ اس نے SADA پر فائن ٹیون کیا گیا ماڈل جاری کیا ہے۔ آج آپ کے لیے جو دستیاب ہے وہ بنیادی ماڈل اور طریقہ ہے۔ جس ڈیٹا کو اپنے کاروبار میں استعمال کرنے کا آپ کو واقعی حق ہے، وہ زیادہ تر صورتوں میں آپ کی اپنی ریکارڈنگز ہیں۔

آپ کی کالز ہی ڈیٹا ہیں: کسی بھی تجربے سے پہلے کیا تیار کریں

  • ایک حقیقی نمونہ: اپنی اصل لائن سے، اپنے گاہکوں کے لہجوں میں، اسی معیار پر کالز چنیں جس پر آپ کا سسٹم ریکارڈ کرتا ہے، جن میں شور، ایک ساتھ بولنے، اعداد اور پروڈکٹ کے ناموں والی مشکل کالز بھی شامل ہوں۔
  • ایک حوالہ جاتی ٹرانسکرپٹ: کسی ملازم سے انہیں ایک بار ہاتھ سے ٹرانسکرائب کروائیں۔ یہی ٹرانسکرپٹ وہ پیمانہ ہے جس سے آپ ہر ماڈل اور ہر وینڈر کو ناپتے ہیں، نہ کہ وہ ڈیمو جو فروخت کنندہ لے کر آتا ہے۔
  • وہ ناپیں جو آپ کے لیے اہم ہے: کیا ماڈل نے آرڈر نمبر، پروڈکٹ کا نام اور کال کی وجہ پکڑی؟ یہ فیلڈز آپ کے کاروبار کے لیے مجموعی غلطی کی شرح سے زیادہ اہم ہیں۔
  • نوٹس اور مقصد: ذاتی ڈیٹا کے تحفظ کا قانون ذاتی ڈیٹا کی تعریف ایسے کسی بھی ڈیٹا کے طور پر کرتا ہے، اس کا ذریعہ یا شکل کچھ بھی ہو، جس سے کسی فرد کی شناخت ہو سکے، بشمول رابطہ نمبر، اور ریکارڈ کرنے، محفوظ کرنے، استعمال کرنے اور منتقل کرنے کو پروسیسنگ کی شکلیں مانتا ہے۔ گاہک کی ریکارڈ شدہ کال عام طور پر ذاتی ڈیٹا ہوتی ہے، اور اس کی ٹرانسکرپشن پروسیسنگ ہے۔ یقینی بنائیں کہ ہر مقصد کے لیے آپ کے پاس قانونی بنیاد ہے، اور جو رازداری کا نوٹس آپ کا گاہک سنتا یا پڑھتا ہے وہ ٹرانسکرپشن اور تجزیے کا احاطہ کرتا ہے، خاص طور پر اگر آپ ریکارڈنگز کو کسی ماڈل کی تربیت کے لیے استعمال کرنا چاہتے ہیں۔ ہم نے اس پر گاہکوں کی گفتگو اور PDPL پر اپنے مضمون میں تفصیل سے بات کی ہے۔

آپ کے گاہکوں کی آوازیں کہاں پروسیس ہوتی ہیں

یہیں دونوں راستے واقعی الگ ہوتے ہیں:

  • اپنے سرور پر یا مملکت کے اندر کسی کلاؤڈ میں ایک اوپن ماڈل: آڈیو کبھی مملکت سے باہر نہیں جاتی، اور آپ طے کرتے ہیں کہ اسے کتنی دیر رکھا جائے اور کون دیکھے۔ یہ NVIDIA GPU والے سرور پر سب سے اچھا چلتا ہے (ماڈل کا صفحہ Linux پر Volta سے Blackwell تک کے NVIDIA آرکیٹیکچرز درج کرتا ہے)، اور صفحہ NeMo-Speech.cpp کی طرف بھی اشارہ کرتا ہے، جو NVIDIA کا ایک ہلکا رن ٹائم ہے اور اسے عام CPU پر چلا سکتا ہے۔ اپنی کالز پر اسے فائن ٹیون کرنے کے لیے GPU درکار ہیں، اور دونوں صورتوں میں کسی کو اسے چلانا اور اپ ڈیٹ کرنا ہوگا۔ ہارڈویئر کا حساب ہم نے اپنے سرورز پر ماڈل چلانے پر اپنے مضمون میں تفصیل سے لگایا ہے۔
  • مملکت سے باہر کلاؤڈ ٹرانسکرپشن سروس: شروع کرنا آسان ہے، لیکن آپ کے گاہکوں کی ریکارڈنگز بیرون ملک جاتی ہیں، اور مملکت سے باہر ذاتی ڈیٹا کی منتقلی مملکت سے باہر ذاتی ڈیٹا کی منتقلی کے ضابطے کے تحت آتی ہے، جو PDPL کے نفاذی ضوابط میں سے ایک ہے۔ قیمت پوچھنے سے پہلے اپنے فراہم کنندہ سے پوچھیں کہ آڈیو کہاں پروسیس اور محفوظ ہوتی ہے۔

اپنے کال سینٹر یا وائس بوٹ وینڈر سے پوچھنے کے سوالات

اگر آپ کے پاس پہلے سے کوئی کال سینٹر وینڈر ہے، یا آپ اپنے گاہکوں کو جواب دینے والے وائس ایجنٹ پر غور کر رہے ہیں، تو یہ سوالات ایک ہی ملاقات میں بہت کچھ ظاہر کر دیتے ہیں:

  • آپ کا سسٹم واقعی کون سے لہجے سپورٹ کرتا ہے، اور آپ نے اس کی درستی کس ڈیٹا پر ناپی؟
  • کیا آپ ہماری کالز کے ایک نمونے پر، ہماری تیار کردہ حوالہ جاتی ٹرانسکرپٹ کے مقابلے میں درستی ناپیں گے؟
  • آڈیو کہاں پروسیس ہوتی ہے اور متن کہاں محفوظ ہوتا ہے، مملکت کے اندر یا باہر؟
  • کیا آپ ہماری ریکارڈنگز اپنے ماڈلز کی تربیت کے لیے استعمال کرتے ہیں، اور ہم اسے کیسے بند کریں؟
  • آپ ریکارڈنگز اور ٹرانسکرپٹس کتنی دیر رکھتے ہیں، اور کیا ہم انہیں ایکسپورٹ اور حذف کر سکتے ہیں؟

Origami کا نقطہ نظر

آواز کسی سعودی کاروبار میں سب سے زیادہ ضائع ہونے والا ڈیٹا ہے۔ شکایت، آرڈر یا کسی ملازم کے وعدے والی کال ختم ہوتی ہے، پھر کوئی اس میں تلاش نہیں کرتا اور وہ کبھی گاہک کے ریکارڈ سے نہیں جڑتی۔ SADA کے ساتھ جو ہوا وہ دکھاتا ہے کہ اچھی طرح لیبل کیے گئے سعودی ڈیٹا سے عالمی ماڈلز اور ہمارے لہجوں کے درمیان فاصلہ کم ہوتا ہے، حتیٰ کہ 600 ملین پیرامیٹرز والے ایک چھوٹے ماڈل پر بھی۔

کاروباری مالکان کے لیے ہماری رائے: گاہکوں کو جواب دینے والے خودکار ایجنٹ سے آغاز نہ کریں۔ ایسے آرکائیو سے شروع کریں جس میں آپ تلاش کر سکیں، ایسی ٹیگنگ سے جو ہر کال کو اس کی وجہ اور آپ کے سسٹم میں گاہک کے ریکارڈ سے جوڑے، اور ایک ایسے شخص سے جو جائزہ لے۔ پھر توسیع سے پہلے اپنی کالز پر درستی ناپیں۔ پہلا فیصلہ یہ نہیں کہ کون سا ماڈل چنیں؛ بلکہ یہ ہے کہ آپ کے گاہکوں کی آوازیں کہاں پروسیس ہوتی ہیں اور ان کا مالک کون ہے۔

نتیجہ

  • NVIDIA نے SADA کے 133.7 گھنٹے کے ڈیٹا پر تربیت دے کر نجدی اور حجازی میں اپنے ماڈل کی غلطیاں ہر 100 الفاظ میں تقریباً 55 سے گھٹا کر تقریباً 30 کر دیں۔
  • 30% غلطی کی شرح انسانی جائزے کے ساتھ تلاش، ٹیگنگ اور خلاصوں کے لیے کافی ہے، لیکن لفظ بہ لفظ ریکارڈ یا خودکار فیصلے کے لیے نہیں۔
  • بنیادی ماڈل تجارتی استعمال کے لیے لائسنس یافتہ ہے، لیکن SADA صرف غیر تجارتی استعمال کے لیے، اس لیے اس پر کچھ بنانے سے پہلے لائسنس دیکھیں۔
  • کسی بھی ماڈل یا وینڈر کو اپنی کالز کے ایک نمونے پر، اپنی تیار کردہ حوالہ جاتی ٹرانسکرپٹ کے مقابلے میں ناپیں۔
  • جانیں کہ آڈیو کہاں پروسیس ہوتی ہے، اور یقینی بنائیں کہ آپ کا رازداری کا نوٹس ٹرانسکرپشن اور تجزیے کا احاطہ کرتا ہے۔

ذرائع