沙特通讯社今天(2026年10月3日,星期六)报道,NVIDIA 使用了沙特数据和人工智能管理局(SDAIA)与沙特广播管理局共同发布的沙特音频数据集 SADA,来训练其自动语音识别模型 Nemotron 3.5 ASR。根据 NVIDIA 于9月30日在其开发者博客上发布的研究,一个过去在纳季德方言和汉志方言语音中每 100 个词约错 55 个的模型,现在约错 30 个。

这对任何拥有客户通话档案、客服热线或会议录音的企业都很重要。但标题里的一个数字并不等于一个决策。本文将说明这一准确度适合做什么、不适合做什么,新闻没有提到的许可条件,以及您客户的声音应该在哪里处理。

用数字看发生了什么

  • 模型:Nemotron 3.5 ASR,一个拥有6亿参数的流式转写模型,覆盖 40 个语言区域,其中 32 个开箱即可转写,阿拉伯语属于可直接转写的一档。其 Hugging Face 页面写明它可用于商业用途,采用 OpenMDW-1.1 许可。
  • 数据:来自 SADA 的 133.7 小时纳季德方言和汉志方言语音。NVIDIA 团队将 90% 的沙特语音与 10% 的公开 FLEURS 数据(7% 英语、3% 阿拉伯语)混合,以免模型忘记它原本就擅长的内容。
  • 词错误率(纳季德方言和汉志方言):从 55.05% 降至 29.96%。在整个 SADA 数据集及其全部方言上:从 58.84% 降至 35.61%。
  • 字符错误率(纳季德方言和汉志方言):从 31.63% 降至 12.18%。
  • 在 NVIDIA 进行的两项检查中没有退步:英语略有改善(从 11.04% 到 10.42%),FLEURS 阿拉伯语测试也是如此(从 12.67% 到 11.41%)。
  • 训练成本:在两块 RTX PRO 6000 Blackwell 工作站 GPU 上用约四个半小时完成 12,000 步。
  • 速度:该模型的延迟最低从 80 毫秒起,其页面列出了从 80 到 1,120 毫秒的五种流式设置。不过,上述错误率是在默认的 320 毫秒设置下测得的;分块越大准确度越高,因此更快的设置是用一部分准确度换取速度。

至于 SADA 本身,该通讯社称其包含约 667 小时的已转写音频,大部分为沙特方言,涵盖十多种方言,共有超过 125,000 个按说话人方言标注的片段。SDAIA 已在 Kaggle 上将其发布给研究人员和开发者。

100 个词错 30 个:适合做什么,不适合做什么

词错误率统计每一个被替换、遗漏或多加的词。在 30% 的水平下,一段 100 个词的通话转写可能包含约 30 处错误。相比 55 这是很大的进步,但这并不能让转写稿变成您可以依赖的逐字记录。

词错误率(约 30%)与字符错误率(约 12%)之间的差距有实际意义。一个词只要错了一个字母,就算整个词错误,因此部分错误只是词里的一两个字母,而不是整个词完全丢失。正因如此,只要您的检索能容忍相近拼写、而不是要求完全匹配,转写稿在检索和打标签方面的用处可能比 30% 这个数字所暗示的更大。

  • 适合用于:在通话档案中检索某个产品名称或反复出现的投诉,按来电原因给通话打标签,由员工审核的摘要,以及挑选通话做质检,而不是随机抽听。
  • 单独使用不够用于:在纠纷中您要依赖的记录,未经审核就根据通话转写执行财务指令,或者一个按字面理解客户话语并据此行动的自动化代理。

还要注意,SADA 来自电视:由沙特广播管理局提供的超过 57 个节目和剧集、超过 600 小时的内容。而您客户的来电是电话音频,可能来自车里或繁忙的店铺,有时还有两个人同时说话。NVIDIA 自己在研究中也写道,这一流程并不能证明适用于每一种阿拉伯语方言或每一种部署环境。对您来说重要的数字,是在您自己通话上的数字。

新闻遗漏的条件:SADA 的许可是非商业的

基础模型许可商业使用。但 SADA 数据集在 Kaggle 上以知识共享 CC BY-NC-SA 4.0 许可发布:署名、非商业性使用、相同方式共享。如果您想用 SADA 为自己的企业训练模型,请先核查许可条款或取得数据所有者的许可,不要以为对研究人员开放就等于对您的产品开放。

NVIDIA 在文章中公布了实验的步骤和代码,并链接了一个通用微调笔记本,其示例数据是一个英语数据集,而不是 SADA。但研究并未说明已发布基于 SADA 微调的模型。您今天能用到的是基础模型和方法。在大多数情况下,您在业务中真正有权使用的数据,是您自己的录音。

您的通话就是数据:任何试用之前要准备什么

  • 真实样本:从您实际的线路中挑选通话,使用您客户的方言、您系统录音的实际质量,包括有噪音、抢话、数字和产品名称的困难通话。
  • 参考转写:请一位员工手工转写一次。这份转写稿就是您衡量每个模型和每个供应商的标尺,而不是销售人员带来的演示。
  • 测量对您重要的内容:模型是否抓住了订单号、产品名称和来电原因?这些字段对您业务的意义大于整体错误率。
  • 告知与目的:《个人数据保护法》将个人数据定义为无论来源或形式、能够识别个人身份的任何数据,包括联系电话,并将录制、存储、使用和传输视为处理的形式。录下的客户通话通常属于个人数据,转写它就是处理。请确保每一项目的都有合法依据,并且客户听到或读到的隐私声明涵盖转写和分析,尤其是当您计划用录音训练模型时。我们在关于客户对话与 PDPL 的文章中对此做了详细说明。

您客户的声音在哪里处理

两条路径真正的区别就在这里:

  • 在您自己的服务器或王国境内的云上运行开放模型:音频永远不会离开王国,保存多久、谁能看到都由您决定。它在配备 NVIDIA GPU 的服务器上运行效果最好(模型页面列出了从 Volta 到 Blackwell 的 NVIDIA 架构,运行于 Linux),页面还提到了 NeMo-Speech.cpp,这是 NVIDIA 的一个轻量运行时,可以在普通 CPU 上运行它。用您的通话对其进行微调则需要 GPU,而且无论哪种方式都需要有人负责运行和更新。我们在关于在自有服务器上运行模型的文章中详细算过硬件账。
  • 王国境外的云转写服务:上手更容易,但您客户的录音会被传到境外,而个人数据向王国境外传输受《个人数据向王国境外传输条例》管辖,这是 PDPL 的实施条例之一。在问价格之前,先问您的服务商音频在哪里处理和存储。

向呼叫中心或语音机器人供应商提的问题

如果您已经有呼叫中心供应商,或者正在考虑一个接听客户来电的语音代理,下面这些问题一次会面就能揭示很多:

  • 你们的系统实际支持哪些方言,准确度是用什么数据测得的?
  • 你们会不会用我们的通话样本、对照我们制作的参考转写来测量准确度?
  • 音频在哪里处理,文本在哪里存储,在王国境内还是境外?
  • 你们是否用我们的录音训练你们的模型,我们如何关闭这一点?
  • 你们会保存录音和转写稿多久,我们能否导出和删除它们?

Origami 的观点

声音是沙特企业中浪费最多的数据。一通包含投诉、订单或员工承诺的电话结束后,就再没人去检索它,也从未与客户档案关联起来。SADA 这件事表明,借助标注良好的沙特数据,全球模型与我们方言之间的差距正在缩小,哪怕是一个只有6亿参数的小模型。

我们给企业主的解读是:不要从一个自动回复客户的代理开始。先从一个可检索的档案开始,用标签把每通电话与其原因以及您系统中的客户档案关联起来,再配一个负责审核的人。然后在扩大规模之前,先用您自己的通话测量准确度。第一个决定不是选哪个模型,而是您客户的声音在哪里处理、归谁所有。

结论

  • NVIDIA 用 133.7 小时的 SADA 数据进行训练,把其模型在纳季德方言和汉志方言上的错误从每 100 个词约 55 个降到约 30 个。
  • 30% 的错误率足以支持有人工审核的检索、打标签和摘要,但不足以作为逐字记录或自动化决策的依据。
  • 基础模型许可商业使用,但 SADA 仅许可非商业使用,因此在基于它构建之前请核查许可。
  • 用您自己的通话样本、对照您制作的参考转写来测量任何模型或供应商。
  • 弄清音频在哪里处理,并确保您的隐私声明涵盖转写和分析。

资料来源