NVIDIA pakai dataset SADA SDAIA, galat pengenalan dialek Saudi turun separuh

NVIDIA mengumumkan bahwa pihaknya memanfaatkan Saudi Audio Dataset for Arabic (SADA) yang diluncurkan Otoritas Data dan AI Saudi (SDAIA) bersama Saudi Broadcasting Authority untuk melatih model pengenalan suara otomatis multibahasa “Nemotron 3.5 ASR”. Menurut studi teknis yang diterbitkan di blog NVIDIA Developer, integrasi dataset itu menurunkan galat pemahaman dialek Saudi hampir separuh.

Seperti dilaporkan kantor berita Saudi SPA pada 3 Oktober 2026 dari Riyadh, model tersebut mendukung transkripsi waktu nyata pada sekitar 40 bahasa dan dialek, termasuk bahasa Arab. Pada awalnya model itu salah mengidentifikasi sekitar 55 dari setiap 100 kata dalam dialek Saudi. Setelah dilatih dengan 133,7 jam audio Najdi dan Hijazi dari SADA, tingkat kesalahan kata turun menjadi sekitar 30 kata.

Penurunan itu bukan hanya pada dua dialek yang menjadi sasaran pelatihan. Di seluruh dataset multi-dialek, tingkat kesalahan turun dari 58,8 persen menjadi 35,6 persen, sementara kesalahan pada tingkat karakter turun dari 31,6 persen menjadi 12,2 persen. Peningkatan kinerja itu terjadi bersamaan dengan perbaikan pada bahasa Arab Standar Modern dan bahasa Inggris.

Proses pelatihan tersebut selesai hanya dalam empat setengah jam menggunakan dua GPU. Angka itu menunjukkan bahwa penambahan data audio lokal berdampak besar tanpa memerlukan waktu komputasi yang panjang. Bukankah itu pertanda bahwa kualitas data lebih menentukan daripada besarnya daya komputasi semata?

Model yang disempurnakan ini dioptimalkan untuk sistem interaktif waktu nyata dengan latensi mulai dari 80 milidetik. Latensi serendah itu membuka penerapan pada asisten suara cerdas, agen percakapan, takarir siaran langsung, serta transkripsi pusat panggilan, arsip media, dan rapat. NVIDIA juga membagikan alur kerja dan perangkat yang diperlukan agar pengembang global dapat mereplikasi metodologi tersebut untuk bahasa lain.

SDAIA sebelumnya merilis dataset SADA di platform Kaggle untuk mendukung peneliti dan pengembang internasional. Dataset itu mencakup sekitar 667 jam audio yang ditranskripsikan, termasuk lebih dari 600 jam yang disediakan Saudi Broadcasting Authority dari 57 program dan serial televisi yang mencakup lebih dari 10 dialek Saudi, dengan 20 jam disisihkan untuk validasi. Dataset tersebut terdiri atas lebih dari 125.000 klip yang dikategorikan, sehingga memungkinkan NVIDIA menyasar data tutur Najdi dan Hijazi secara spesifik.

Pertanyaan yang muncul kemudian adalah bagaimana data berskala sebesar itu dikurasi. Dengan lebih dari 125.000 klip yang dikategorikan dan lebih dari 10 dialek Saudi, penandaan kategori menjadi kunci agar pengembang dapat memilih subset yang relevan. NVIDIA memanfaatkan struktur itu untuk memfokuskan pelatihan pada Najdi dan Hijazi, dua dialek yang paling banyak digunakan di Arab Saudi.

Peran Saudi Broadcasting Authority juga patut dicermati. Sebanyak lebih dari 600 jam audio berasal dari 57 program dan serial televisi, yang berarti materi siaran menjadi sumber utama korpus. Apakah materi siaran televisi cukup mewakili ragam tutur sehari-hari masyarakat Saudi?

Dari sisi teknis, penurunan tingkat kesalahan kata dari sekitar 55 menjadi sekitar 30 per 100 kata menunjukkan lompatan yang besar untuk model yang sebelumnya tidak dioptimalkan pada dialek Saudi. Pada tingkat karakter, penurunan dari 31,6 persen ke 12,2 persen berarti model lebih tepat menangkap bunyi dan ejaan kata. Kombinasi keduanya penting untuk aplikasi waktu nyata, karena kesalahan kecil pada tingkat karakter dapat mengubah makna transkripsi.

Latensi mulai dari 80 milidetik menjadi nilai jual tersendiri. Untuk asisten suara dan agen percakapan, jeda respons yang pendek menentukan kelayakan penggunaan. Untuk takarir siaran langsung, latensi rendah berarti teks dapat muncul hampir bersamaan dengan ucapan. Untuk transkripsi pusat panggilan, arsip media, dan rapat, kecepatan itu mempercepat alur kerja tanpa mengorbankan ketepatan.

Yang juga menonjol adalah kecepatan pelatihan. Empat setengah jam dengan dua GPU adalah waktu yang singkat untuk menambahkan kemampuan dialek baru pada model yang mendukung sekitar 40 bahasa dan dialek. Apakah ini berarti hambatan utama adopsi bahasa lokal bukan lagi biaya komputasi, melainkan ketersediaan data yang terkurasi?

NVIDIA menyatakan telah membagikan alur kerja dan perangkat yang diperlukan agar pengembang global dapat mereplikasi metodologi tersebut untuk bahasa lain. Artinya, pendekatan yang dipakai pada SADA dapat diuji ulang untuk bahasa dan dialek lain di luar Arab Saudi. Jika metodologi itu dapat direplikasi, dampaknya bisa meluas ke komunitas pengembang di berbagai negara.

Di sisi lain, SADA dirilis di platform Kaggle untuk mendukung peneliti dan pengembang internasional. Langkah itu menjadikan dataset tersebut dapat diakses publik, bukan hanya oleh mitra tertentu. Dengan 20 jam yang disisihkan untuk validasi, peneliti lain dapat mengukur kinerja model mereka pada data yang tidak dipakai untuk pelatihan.

Peningkatan pada bahasa Arab Standar Modern dan bahasa Inggris yang terjadi bersamaan menunjukkan bahwa penambahan data dialek tidak mengorbankan kemampuan pada bahasa lain. Ini penting karena model multibahasa sering menghadapi trade-off ketika dilatih pada domain baru. Apakah hasil ini akan bertahan ketika model diperluas ke lebih banyak dialek Arab di luar Najdi dan Hijazi?

Bagi Arab Saudi, kolaborasi antara SDAIA dan Saudi Broadcasting Authority dalam menyediakan SADA menjadi contoh bagaimana lembaga data dan lembaga penyiaran dapat bekerja sama membangun sumber daya bahasa. Materi siaran dari 57 program dan serial televisi berubah menjadi korpus yang dapat dipakai industri AI global.

Dampak praktisnya terlihat pada daftar aplikasi yang disebut NVIDIA: asisten suara cerdas, agen percakapan, takarir siaran langsung, transkripsi pusat panggilan, arsip media, dan rapat. Semua itu adalah penggunaan yang menuntut transkripsi cepat dan akurat dalam bahasa yang benar-benar dipakai penutur. Bagaimana penerjemahan angka-angka ini ke pengalaman pengguna sehari-hari di Arab Saudi?

Studi teknis yang dipublikasikan di blog NVIDIA Developer menjadi rujukan angka-angka dalam pengumuman ini. Angka-angka tersebut mencakup 133,7 jam audio Najdi dan Hijazi, penurunan tingkat kesalahan kata dari sekitar 55 menjadi sekitar 30 per 100 kata, penurunan tingkat kesalahan multi-dialek dari 58,8 persen ke 35,6 persen, penurunan kesalahan karakter dari 31,6 persen ke 12,2 persen, waktu pelatihan empat setengah jam dengan dua GPU, dan latensi mulai dari 80 milidetik.

Rilis dan laporan tersebut tidak menyebutkan nilai kerja sama antara NVIDIA dan SDAIA, tidak merinci jenis GPU yang digunakan, tidak menyebutkan jadwal peluncuran produk, dan tidak menjelaskan apakah model akan tersedia secara komersial di Arab Saudi. Sumber juga tidak menyebutkan apakah ada dialek Saudi lain di luar Najdi dan Hijazi yang akan menjadi sasaran pelatihan berikutnya.

Apa itu dataset SADA dan siapa yang meluncurkannya? SADA adalah Saudi Audio Dataset for Arabic yang diluncurkan SDAIA bersama Saudi Broadcasting Authority. Dataset ini mencakup sekitar 667 jam audio bertranskripsi, termasuk lebih dari 600 jam dari 57 program dan serial televisi yang mencakup lebih dari 10 dialek Saudi, dengan 20 jam untuk validasi. Dataset terdiri atas lebih dari 125.000 klip terkategori dan sebelumnya dirilis di platform Kaggle untuk peneliti dan pengembang internasional.

Seberapa besar penurunan galat setelah pelatihan dengan SADA? Model Nemotron 3.5 ASR awalnya salah mengidentifikasi sekitar 55 dari setiap 100 kata dalam dialek Saudi. Setelah dilatih dengan 133,7 jam audio Najdi dan Hijazi dari SADA, tingkat kesalahan kata turun menjadi sekitar 30 kata. Di seluruh dataset multi-dialek, tingkat kesalahan turun dari 58,8 persen menjadi 35,6 persen, sedangkan kesalahan tingkat karakter turun dari 31,6 persen menjadi 12,2 persen.

Berapa lama pelatihan berlangsung dan apa hasilnya? Pelatihan selesai hanya dalam empat setengah jam menggunakan dua GPU. Hasilnya, model yang mendukung sekitar 40 bahasa dan dialek itu mengalami penurunan galat dialek Saudi hampir separuh, sekaligus peningkatan kinerja pada bahasa Arab Standar Modern dan bahasa Inggris. Model juga dioptimalkan untuk sistem interaktif waktu nyata dengan latensi mulai dari 80 milidetik.

Aplikasi apa yang bisa memakai model ini? NVIDIA menyebut penerapan pada asisten suara cerdas, agen percakapan, takarir siaran langsung, serta transkripsi pusat panggilan, arsip media, dan rapat. Latensi mulai dari 80 milidetik mendukung penggunaan waktu nyata. NVIDIA juga membagikan alur kerja dan perangkat agar pengembang global dapat mereplikasi metodologi tersebut untuk bahasa lain.

Apa yang tidak disebutkan dalam pengumuman ini? Rilis dan laporan tidak menyebutkan nilai kerja sama NVIDIA dan SDAIA, tidak merinci jenis GPU yang dipakai, tidak menyebut jadwal peluncuran produk, dan tidak menjelaskan apakah model akan tersedia secara komersial di Arab Saudi. Sumber juga tidak menyebut apakah dialek Saudi lain di luar Najdi dan Hijazi akan menjadi sasaran pelatihan berikutnya.