إنفيديا تستخدم مجموعة بيانات سدايا لخفض أخطاء التعرف على اللهجات السعودية إلى النصف

أعلنت شركة إنفيديا، الرائدة عالميًا في مجال الحوسبة والذكاء الاصطناعي، أنها استخدمت مجموعة البيانات الصوتية السعودية للغة العربية (SADA)، التي أطلقتها الهيئة السعودية للبيانات والذكاء الاصطناعي (سدايا) بالشراكة مع هيئة الإذاعة والتلفزيون السعودية، لتدريب نموذجها متعدد اللغات للتعرف التلقائي على الكلام «Nemotron 3.5 ASR». ووفقًا لدراسة تقنية نُشرت على مدونة مطوري إنفيديا، أدى دمج مجموعة البيانات إلى خفض أخطاء الفهم للهجات السعودية بنحو النصف.

كما أفادت وكالة الأنباء السعودية (واس) في 3 أكتوبر 2026، أن النموذج، الذي يدعم النسخ الفوري لنحو 40 لغة ولهجة من بينها العربية، كان في البداية يخطئ في تحديد نحو 55 كلمة من كل 100 كلمة في اللهجات السعودية. وبعد التدريب على 133.7 ساعة من الصوت النجدي والحجازي من مجموعة SADA، انخفض معدل خطأ الكلمات إلى نحو 30 كلمة.

وعلى مستوى مجموعة البيانات متعددة اللهجات بالكامل، انخفض معدل الخطأ من 58.8% إلى 35.6%، فيما تراجعت الأخطاء على مستوى الأحرف من 31.6% إلى 12.2%، مع تحسن متزامن في الأداء باللغة العربية الفصحى والإنجليزية. واكتمل التدريب في أربع ساعات ونصف فقط باستخدام وحدتي معالجة رسومية.

ويتميز النموذج المحسّن، المصمم للأنظمة التفاعلية الفورية، بزمن استجابة يبدأ من 80 مللي ثانية، ما يتيح تطبيقات في المساعدات الصوتية الذكية والوكلاء الحواريين والترجمة النصية للبث المباشر ونسخ مراكز الاتصال والأرشيف الإعلامي والاجتماعات. كما شاركت إنفيديا مسارات العمل والأدوات اللازمة لتمكين المطورين حول العالم من تكرار المنهجية على لغات أخرى.

وكانت سدايا قد أتاحت مجموعة بيانات SADA سابقًا على منصة Kaggle لدعم الباحثين والمطورين الدوليين. وتغطي المجموعة نحو 667 ساعة من الصوت المنسوخ، تشمل أكثر من 600 ساعة قدمتها هيئة الإذاعة والتلفزيون السعودية من 57 برنامجًا ومسلسلًا تلفزيونيًا تغطي أكثر من 10 لهجات سعودية، مع تخصيص 20 ساعة للتحقق. وتضم أكثر من 125 ألف مقطع مصنف، ما مكّن إنفيديا من استهداف بيانات النطق النجدي والحجازي تحديدًا.

ويأتي هذا التعاون في وقت تتسارع فيه جهود توطين تقنيات الذكاء الاصطناعي في المملكة، حيث تعمل سدايا على بناء بنى تحتية للبيانات تدعم اللغة العربية ولهجاتها المحلية. فهل يمكن لمجموعات البيانات المحلية أن تكون المفتاح لسد الفجوة بين النماذج العالمية والواقع اللغوي السعودي؟ وهل يكفي خفض معدل الخطأ إلى النصف لاعتماد هذه النماذج في قطاعات حيوية كالإعلام والقضاء والخدمات الحكومية؟

وتكمن أهمية النتائج التي حققها النموذج في أنها لا تقتصر على تحسين دقة النسخ الصوتي، بل تمتد إلى تقليل الحاجة إلى المراجعة البشرية المكلفة في تطبيقات مثل تفريغ المكالمات وترجمة البث المباشر. فما الذي يعنيه انخفاض الأخطاء على مستوى الأحرف من 31.6% إلى 12.2% لمؤسسات تعتمد على النسخ الدقيق في عملها اليومي؟ وكيف يمكن لهذا التحسن أن يغير اقتصاديات خدمات تحويل الكلام إلى نص في المنطقة؟

وتشير الأرقام إلى أن التدريب على 133.7 ساعة فقط من الصوت النجدي والحجازي كان كافيًا لتحقيق هذا التحسن الملحوظ، وهو ما يطرح سؤالًا حول إمكانية تحقيق نتائج أكبر مع توسيع حجم البيانات المتاحة. فهل ستشهد المرحلة المقبلة إضافة لهجات سعودية أخرى إلى مجموعة SADA؟ وما مدى استعداد الجهات المالكة للبيانات لمشاركة محتواها الصوتي مع مطوري النماذج؟

ومن الجوانب اللافتة أن التدريب اكتمل في أربع ساعات ونصف باستخدام وحدتي معالجة رسومية فقط، وهو ما يعكس كفاءة الأساليب المستخدمة في ضبط النموذج. فهل يمكن لهذه الكفاءة أن تجعل تدريب النماذج اللغوية المحلية في متناول الجامعات والشركات الناشئة السعودية؟ وهل ستصبح مجموعات البيانات المفتوحة مثل SADA معيارًا تحتذي به مبادرات عربية أخرى؟

ويُتوقع أن يستفيد قطاع الإعلام السعودي بشكل مباشر من تحسن دقة النسخ، خصوصًا مع وجود أكثر من 600 ساعة من المحتوى التلفزيوني ضمن مجموعة البيانات. فكيف يمكن لعمليات الأرشفة الرقمية أن تستفيد من هذه التقنية في فهرسة المحتوى التاريخي والبحث فيه؟ وما الفرص التي تفتحها أمام صناعة المحتوى المرئي والمسموع في المملكة؟

وفي سياق أوسع، يدعم النموذج نحو 40 لغة ولهجة، ما يجعله أداة متعددة الاستخدامات على المستوى العالمي. فهل يمكن للنهج المتبع مع اللهجات السعودية أن يُطبَّق على لهجات عربية أخرى في مصر والمغرب وبلاد الشام؟ وما الدور الذي يمكن أن تلعبه سدايا في قيادة جهود إقليمية مماثلة؟

ومع زمن استجابة يبدأ من 80 مللي ثانية، يصبح النموذج مناسبًا للتطبيقات التفاعلية التي تتطلب ردودًا فورية، مثل المساعدات الصوتية والوكلاء الحواريين. فهل هذا الزمن كافٍ لتجارب مستخدم سلسة في التطبيقات الحية؟ وكيف ستتعامل الشركات مع متطلبات الخصوصية عند معالجة البيانات الصوتية الحساسة؟

ولم تذكر الدراسة قيمة استثمارية للتعاون بين إنفيديا وسدايا، كما لم توضح ما إذا كان هناك اتفاق تجاري بين الطرفين أو خطط لإصدار نموذج مخصص للسوق السعودي. ولم تتضمن المصادر المنشورة تفاصيل عن الجدول الزمني لتوسيع مجموعة البيانات أو عن الجهات التي ستستفيد من الأدوات التي شاركتها إنفيديا مع المطورين.

ما الذي أعلنته إنفيديا بشأن مجموعة بيانات سدايا؟ أعلنت إنفيديا أنها استخدمت مجموعة البيانات الصوتية السعودية للغة العربية (SADA) التي أطلقتها سدايا بالشراكة مع هيئة الإذاعة والتلفزيون السعودية، لتدريب نموذجها متعدد اللغات للتعرف التلقائي على الكلام Nemotron 3.5 ASR. ووفق دراسة تقنية على مدونة مطوري إنفيديا، أدى دمج المجموعة إلى خفض أخطاء الفهم للهجات السعودية بنحو النصف، مع تحسن متزامن في الأداء بالعربية الفصحى والإنجليزية.

كيف تغيرت معدلات الخطأ بعد التدريب على بيانات SADA؟ كان النموذج يخطئ في نحو 55 كلمة من كل 100 في اللهجات السعودية، وبعد التدريب على 133.7 ساعة من الصوت النجدي والحجازي انخفض الرقم إلى نحو 30 كلمة. وعلى مستوى مجموعة البيانات متعددة اللهجات، تراجع معدل الخطأ من 58.8% إلى 35.6%، وانخفضت الأخطاء على مستوى الأحرف من 31.6% إلى 12.2%، مع تحسن الأداء في العربية الفصحى والإنجليزية.

ما مواصفات مجموعة بيانات SADA التي استخدمتها إنفيديا؟ تغطي مجموعة SADA نحو 667 ساعة من الصوت المنسوخ، منها أكثر من 600 ساعة قدمتها هيئة الإذاعة والتلفزيون السعودية من 57 برنامجًا ومسلسلًا تلفزيونيًا تغطي أكثر من 10 لهجات سعودية، مع تخصيص 20 ساعة للتحقق. وتضم أكثر من 125 ألف مقطع مصنف، ما مكّن إنفيديا من استهداف بيانات النطق النجدي والحجازي تحديدًا. وكانت سدايا قد أتاحتها على منصة Kaggle لدعم الباحثين والمطورين الدوليين.

ما التطبيقات العملية التي يتيحها النموذج المحسّن؟ النموذج مصمم للأنظمة التفاعلية الفورية بزمن استجابة يبدأ من 80 مللي ثانية، ما يتيح استخدامه في المساعدات الصوتية الذكية والوكلاء الحواريين والترجمة النصية للبث المباشر ونسخ مراكز الاتصال والأرشيف الإعلامي والاجتماعات. كما شاركت إنفيديا مسارات العمل والأدوات اللازمة لتمكين المطورين حول العالم من تكرار المنهجية على لغات أخرى، ما يوسع نطاق التطبيقات المحتملة خارج السوق السعودي.

ما الذي لم تكشف عنه الدراسة أو المصادر المنشورة؟ لم تذكر الدراسة قيمة استثمارية للتعاون بين إنفيديا وسدايا، ولم توضح ما إذا كان هناك اتفاق تجاري بين الطرفين أو خطط لإصدار نموذج مخصص للسوق السعودي. كما لم تتضمن المصادر المنشورة تفاصيل عن الجدول الزمني لتوسيع مجموعة البيانات أو عن الجهات التي ستستفيد من الأدوات التي شاركتها إنفيديا مع المطورين حول العالم.