NVIDIA réduit de moitié les erreurs de reconnaissance des dialectes saoudiens grâce à SADA

Le taux d’erreur de reconnaissance vocale des dialectes saoudiens est passé d’environ 55 mots mal identifiés sur 100 à environ 30, après que NVIDIA a entraîné son modèle Nemotron 3.5 ASR sur 133,7 heures d’audio najdi et hijazi issus du Saudi Audio Dataset for Arabic (SADA), lancé par la Saudi Data and AI Authority (SDAIA) en partenariat avec la Saudi Broadcasting Authority.

Comme l’a rapporté l’agence de presse saoudienne SPA le 3 octobre 2026 depuis Riyad, NVIDIA, présenté comme un leader mondial du calcul et de l’intelligence artificielle, a annoncé avoir utilisé SADA pour entraîner son modèle multilingue de reconnaissance automatique de la parole Nemotron 3.5 ASR. Selon une étude technique publiée sur le blog NVIDIA Developer, l’intégration du jeu de données a réduit de près de moitié les erreurs de compréhension des dialectes saoudiens.

Le modèle prend en charge la transcription en temps réel dans environ 40 langues et dialectes, dont l’arabe. Avant l’entraînement sur les données SADA, il identifiait mal environ 55 mots sur 100 en dialectes saoudiens. Après l’entraînement sur les 133,7 heures d’audio najdi et hijazi, le taux d’erreur au niveau des mots est tombé à environ 30 mots. Sur l’ensemble du jeu de données multi-dialectes, le taux d’erreur est passé de 58,8 % à 35,6 %, tandis que les erreurs au niveau des caractères ont chuté de 31,6 % à 12,2 %, avec des gains de performance simultanés en arabe standard moderne et en anglais. L’entraînement a été achevé en seulement quatre heures et demie sur deux GPU.

Comment un modèle conçu pour une quarantaine de langues peut-il à ce point progresser sur des dialectes régionaux précis ? La réponse tient en partie à la nature du corpus saoudien. SADA s’étend sur environ 667 heures d’audio transcrit, dont plus de 600 heures fournies par la Saudi Broadcasting Authority, issues de 57 programmes et séries télévisées couvrant plus de 10 dialectes saoudiens, avec 20 heures réservées à la validation. Le jeu de données comprend plus de 125 000 clips catégorisés, ce qui a permis à NVIDIA de cibler spécifiquement les données de parole najdi et hijazi.

Optimisé pour les systèmes interactifs en temps réel, le modèle amélioré affiche une latence à partir de 80 millisecondes. Cette caractéristique ouvre la voie à des applications dans les assistants vocaux intelligents, les agents conversationnels, le sous-titrage de diffusion en direct et la transcription des centres d’appels, des archives médias et des réunions.

NVIDIA a également partagé les flux de travail et les outils nécessaires pour permettre aux développeurs du monde entier de reproduire la méthodologie sur d’autres langues. Une telle ouverture change-t-elle la donne pour les langues peu dotées en ressources ? Elle suggère en tout cas que la méthode appliquée au couple najdi-hijazi peut être transposée, selon la formulation de l’étude technique relayée par SPA.

SDAIA avait déjà publié le jeu de données SADA sur la plateforme Kaggle afin de soutenir les chercheurs et développeurs internationaux. Cette mise à disposition s’inscrit dans une logique de partage de ressources linguistiques saoudiennes avec la communauté internationale. Pourquoi une autorité nationale de données et d’IA choisit-elle de rendre public un corpus de cette ampleur plutôt que de le conserver en interne ? La publication sur Kaggle répond à un objectif affiché de soutien à la recherche internationale.

Le détail des chiffres donne la mesure du chemin parcouru. Le passage de 58,8 % à 35,6 % d’erreur sur l’ensemble du jeu multi-dialectes, et de 31,6 % à 12,2 % au niveau des caractères, ne concerne pas uniquement les dialectes saoudiens : l’étude fait état de gains de performance simultanés en arabe standard moderne et en anglais. Autrement dit, l’apport de données dialectales saoudiennes n’a pas dégradé les performances sur les autres variétés linguistiques traitées par le modèle.

La question du temps d’entraînement mérite elle aussi d’être posée. Quatre heures et demie sur deux GPU seulement : ce chiffre interroge sur l’efficacité de la méthode autant que sur la qualité du corpus. Un volume de 133,7 heures d’audio najdi et hijazi suffit donc à diviser par près de deux le taux d’erreur mots sur ces dialectes, dans le cadre d’un modèle qui couvre environ 40 langues et dialectes.

Les usages cités par NVIDIA dessinent plusieurs secteurs concernés. Le sous-titrage de diffusion en direct renvoie directement à l’origine d’une partie du corpus, fourni par la Saudi Broadcasting Authority à travers 57 programmes et séries. La transcription des centres d’appels, des archives médias et des réunions concerne des volumes de parole enregistrée que les entreprises et institutions saoudiennes accumulent. Les assistants vocaux intelligents et les agents conversationnels, eux, dépendent de la latence : à partir de 80 millisecondes, le modèle se positionne sur des systèmes interactifs en temps réel.

Combien de dialectes saoudiens le corpus couvre-t-il exactement ? Plus de 10, selon la description de SADA, pour 57 programmes et séries télévisées fournis par la Saudi Broadcasting Authority. Sur les quelque 667 heures d’audio transcrit, plus de 600 proviennent de ce diffuseur, et 20 heures sont réservées à la validation. Les plus de 125 000 clips catégorisés constituent la base sur laquelle NVIDIA a pu isoler les segments najdi et hijazi utilisés pour l’entraînement.

La publication du jeu de données sur Kaggle précède donc l’annonce de NVIDIA. Ce séquençage compte : SADA était déjà accessible aux chercheurs et développeurs internationaux avant que NVIDIA ne documente son usage dans une étude technique sur son blog développeur. La démarche de SDAIA, en partenariat avec la Saudi Broadcasting Authority, a ainsi fourni la matière première d’un entraînement dont les résultats sont désormais publics.

Que retiennent les développeurs de la mise à disposition des flux de travail et des outils ? NVIDIA indique avoir partagé ce qu’il faut pour reproduire la méthodologie sur d’autres langues. Cette dimension dépasse le cas saoudien : elle porte sur la manière d’utiliser un corpus dialectal pour améliorer un modèle multilingue sans sacrifier les performances sur l’arabe standard moderne et l’anglais.

Les chiffres de latence et de taux d’erreur proviennent de l’étude technique publiée sur le blog NVIDIA Developer, relayée par SPA. Le modèle concerné est Nemotron 3.5 ASR, décrit comme multilingue et destiné à la transcription en temps réel dans environ 40 langues et dialectes, arabe compris. L’entraînement spécifique aux dialectes saoudiens a porté sur 133,7 heures d’audio najdi et hijazi extraites de SADA.

Pourquoi le najdi et le hijazi en particulier ? Parce que SADA, avec ses plus de 125 000 clips catégorisés, a permis à NVIDIA de cibler ces deux variétés parmi les plus de 10 dialectes saoudiens représentés. Le résultat sur ces deux dialectes — d’environ 55 à environ 30 mots mal identifiés sur 100 — constitue le chiffre central de l’annonce.

La dépêche ne précise ni le nombre exact de GPU au-delà des deux mentionnés, ni le coût de l’opération, ni la date de mise à disposition générale du modèle amélioré, ni les langues qui seront traitées en priorité par les développeurs utilisant les flux de travail partagés.

Quel gain NVIDIA a-t-il obtenu sur les dialectes saoudiens ? Selon l’étude technique publiée sur le blog NVIDIA Developer et relayée par SPA, le modèle Nemotron 3.5 ASR identifiait mal environ 55 mots sur 100 en dialectes saoudiens avant entraînement. Après entraînement sur 133,7 heures d’audio najdi et hijazi issus de SADA, le taux d’erreur au niveau des mots est tombé à environ 30 mots sur 100. Sur l’ensemble du jeu multi-dialectes, le taux d’erreur est passé de 58,8 % à 35,6 %, et les erreurs au niveau des caractères de 31,6 % à 12,2 %.

Qu’est-ce que le jeu de données SADA ? SADA, le Saudi Audio Dataset for Arabic, a été lancé par la Saudi Data and AI Authority (SDAIA) en partenariat avec la Saudi Broadcasting Authority. Il s’étend sur environ 667 heures d’audio transcrit, dont plus de 600 heures fournies par la Saudi Broadcasting Authority à partir de 57 programmes et séries télévisées couvrant plus de 10 dialectes saoudiens, avec 20 heures réservées à la validation. Il comprend plus de 125 000 clips catégorisés et a été publié sur la plateforme Kaggle pour les chercheurs et développeurs internationaux.

Quelles applications le modèle amélioré permet-il ? Optimisé pour les systèmes interactifs en temps réel, le modèle affiche une latence à partir de 80 millisecondes. Cela ouvre la voie aux assistants vocaux intelligents, aux agents conversationnels, au sous-titrage de diffusion en direct, ainsi qu’à la transcription des centres d’appels, des archives médias et des réunions. Le modèle prend en charge la transcription en temps réel dans environ 40 langues et dialectes, dont l’arabe, et l’entraînement a été achevé en quatre heures et demie sur deux GPU.

NVIDIA a-t-il partagé sa méthode ? Oui. NVIDIA a partagé les flux de travail et les outils nécessaires pour permettre aux développeurs du monde entier de reproduire la méthodologie sur d’autres langues. Cette mise à disposition fait suite à l’entraînement du modèle Nemotron 3.5 ASR sur les données najdi et hijazi de SADA. L’étude technique publiée sur le blog NVIDIA Developer documente cette approche, et SDAIA avait déjà rendu SADA accessible sur Kaggle pour soutenir la recherche internationale.

Quelles informations la dépêche ne précise-t-elle pas ? La dépêche ne donne ni le coût de l’opération, ni la date de mise à disposition générale du modèle amélioré, ni les langues qui seront traitées en priorité par les développeurs utilisant les flux de travail partagés. Elle ne détaille pas non plus le nombre exact de GPU au-delà des deux mentionnés pour l’entraînement de quatre heures et demie. Ces éléments ne figurent pas dans le texte relayé par SPA.