NVIDIA guna set data SADA SDAIA kurangkan separuh ralat pengiktirafan dialek Saudi

Kadar ralat perkataan bagi dialek Saudi dalam model “Nemotron 3.5 ASR” milik NVIDIA turun daripada kira-kira 55 daripada setiap 100 perkataan kepada kira-kira 30 perkataan selepas dilatih menggunakan 133.7 jam audio Najdi dan Hijazi daripada set data Saudi Audio Dataset for Arabic (SADA).

Seperti dilaporkan agensi berita Saudi SPA pada 3 Oktober 2026, pengeluar teknologi pengkomputeran dan kecerdasan buatan global itu mengumumkan bahawa ia menggunakan SADA, yang dilancarkan oleh Saudi Data and AI Authority (SDAIA) bersama Saudi Broadcasting Authority, untuk melatih model pengiktirafan pertuturan automatik berbilang bahasa tersebut.

Menurut kajian teknikal yang diterbitkan di blog NVIDIA Developer, penyepaduan set data itu mengurangkan ralat pemahaman bagi dialek Saudi hampir separuh. Model berkenaan menyokong transkripsi masa nyata dalam kira-kira 40 bahasa dan dialek, termasuk bahasa Arab.

Pada peringkat awal, model itu tersalah mengenal pasti kira-kira 55 daripada setiap 100 perkataan dalam dialek Saudi. Selepas latihan menggunakan audio Najdi dan Hijazi daripada SADA, kadar ralat perkataan menurun kepada kira-kira 30 perkataan.

Merentas keseluruhan set data berbilang dialek, kadar ralat menurun daripada 58.8 peratus kepada 35.6 peratus, manakala ralat pada peringkat aksara turun daripada 31.6 peratus kepada 12.2 peratus. Pada masa yang sama, terdapat peningkatan prestasi bagi bahasa Arab Standard Moden dan bahasa Inggeris.

Latihan tersebut diselesaikan dalam masa hanya empat setengah jam menggunakan dua unit pemprosesan grafik (GPU).

Dioptimumkan untuk sistem interaktif masa nyata, model yang dipertingkatkan itu mempunyai kependaman bermula pada 80 milisaat. Ini membolehkan aplikasi dalam pembantu suara pintar, ejen perbualan, sari kata siaran langsung, serta transkripsi pusat panggilan, arkib media dan mesyuarat.

NVIDIA turut berkongsi aliran kerja dan alat yang diperlukan bagi membolehkan pembangun di seluruh dunia mereplikasi metodologi tersebut untuk bahasa lain.

SDAIA sebelum ini mengeluarkan set data SADA di platform Kaggle untuk menyokong penyelidik dan pembangun antarabangsa. Set data itu merangkumi kira-kira 667 jam audio yang ditranskripsikan, termasuk lebih 600 jam yang disediakan oleh Saudi Broadcasting Authority daripada 57 program dan siri televisyen yang meliputi lebih daripada 10 dialek Saudi, dengan 20 jam dikhaskan untuk pengesahan.

Terdiri daripada lebih 125,000 klip yang dikategorikan, set data itu membolehkan NVIDIA menyasarkan data pertuturan Najdi dan Hijazi secara khusus.

Persoalannya, apakah yang menjadikan SADA berbeza daripada set data pertuturan Arab lain yang sedia ada di pasaran global? Jawapannya terletak pada skala dan kepelbagaian sumbernya. Lebih 600 jam audio daripada 57 program dan siri televisyen bermakna bahan latihan itu datang daripada pertuturan sebenar penyiar, bukan rakaman makmal yang terkawal. Lebih daripada 10 dialek Saudi diwakili dalam korpus tersebut, dengan 20 jam dikhaskan untuk pengesahan supaya penilaian model tidak menggunakan bahan yang sama seperti latihan.

Pembahagian kepada lebih 125,000 klip yang dikategorikan pula membolehkan pembangun memilih segmen tertentu mengikut keperluan. Itulah sebabnya NVIDIA dapat menyasarkan data pertuturan Najdi dan Hijazi secara khusus, dan bukannya melatih model dengan keseluruhan korpus secara pukal.

Bagaimanakah penurunan daripada 58.8 peratus kepada 35.6 peratus kadar ralat diterjemahkan kepada pengalaman pengguna harian? Dalam transkripsi pertuturan, setiap peratus ralat yang dikurangkan bermakna lebih sedikit pembetulan manual diperlukan. Apabila ralat peringkat aksara turun daripada 31.6 peratus kepada 12.2 peratus, teks yang dihasilkan menjadi lebih tepat pada ejaan dan bentuk perkataan, bukan sekadar pada pilihan perkataan keseluruhan.

Peningkatan serentak dalam bahasa Arab Standard Moden dan bahasa Inggeris menunjukkan bahawa latihan pada dialek Saudi tidak menjejaskan keupayaan model dalam variasi bahasa lain. Ini penting kerana sistem transkripsi yang digunakan di Arab Saudi biasanya perlu mengendalikan campuran dialek tempatan, bahasa Arab formal dan istilah bahasa Inggeris dalam satu perbualan yang sama.

Apakah maksud kependaman 80 milisaat bagi aplikasi masa nyata? Dalam pembantu suara pintar dan ejen perbualan, kelewatan antara ucapan pengguna dan respons sistem menentukan sama ada interaksi terasa semula jadi atau mengganggu. Bagi sari kata siaran langsung, kependaman yang rendah bermakna teks muncul hampir serentak dengan pertuturan penyampai.

Bagi transkripsi pusat panggilan, arkib media dan mesyuarat, keupayaan memproses pertuturan dengan pantas membolehkan rakaman panjang ditukar kepada teks dalam tempoh yang munasabah. Persoalannya, adakah 80 milisaat cukup pantas untuk semua kes penggunaan ini, atau adakah segmen tertentu memerlukan kependaman yang lebih rendah lagi? SPA tidak menyatakan butiran tersebut.

Mengapakah latihan yang diselesaikan dalam empat setengah jam menggunakan dua GPU menarik perhatian? Tempoh itu menunjukkan bahawa penalaan model untuk dialek tertentu tidak semestinya memerlukan infrastruktur pengkomputeran berskala besar atau masa pemprosesan berhari-hari. Dengan dua GPU sahaja, NVIDIA dapat menyesuaikan model berbilang bahasa kepada data Najdi dan Hijazi.

Pendekatan ini relevan kepada pembangun di negara lain yang mempunyai sumber pengkomputeran terhad tetapi memiliki korpus pertuturan tempatan sendiri. NVIDIA turut berkongsi aliran kerja dan alat yang diperlukan bagi membolehkan metodologi tersebut direplikasi untuk bahasa lain. Namun, SPA tidak menyatakan jenis GPU yang digunakan, kos pengkomputeran, atau sama ada aliran kerja itu tersedia secara terbuka tanpa syarat.

Apakah peranan Saudi Broadcasting Authority dalam rantaian penyediaan data ini? Lebih 600 jam daripada 667 jam audio dalam SADA berasal daripada 57 program dan siri televisyen yang disediakan oleh pihak berkuasa penyiaran tersebut. Ini bermakna sebahagian besar bahan latihan datang daripada kandungan yang disiarkan kepada penonton Saudi, meliputi lebih daripada 10 dialek.

Kerjasama antara SDAIA dan Saudi Broadcasting Authority menunjukkan bahawa arkib penyiaran boleh berfungsi sebagai sumber data untuk pembangunan model kecerdasan buatan. Persoalannya, bagaimanakah persetujuan dan hak penggunaan kandungan penyiaran itu diuruskan apabila ia dikeluarkan semula sebagai set data penyelidikan di platform Kaggle? SPA tidak memberikan maklumat mengenai perkara ini.

Bagaimanakah pengeluaran SADA di Kaggle mengubah landskap penyelidikan pertuturan Arab? Dengan meletakkan set data itu di platform terbuka, SDAIA membuka akses kepada penyelidik dan pembangun antarabangsa, bukan hanya kepada syarikat atau institusi dalam Arab Saudi. Ini bermakna pasukan penyelidik di negara lain boleh menguji model mereka terhadap korpus dialek Saudi yang sama.

Kesan jangka panjangnya mungkin muncul dalam bentuk perbandingan hasil yang lebih mudah antara penyelidik, kerana mereka menggunakan data rujukan yang sama. Namun, SPA tidak menyatakan bilangan muat turun, jumlah penyelidik yang menggunakan set data itu, atau syarat lesen yang dikenakan ke atas penggunaannya.

Apakah yang dimaksudkan dengan lebih 125,000 klip yang dikategorikan? Pengkategorian membolehkan data disusun mengikut ciri tertentu, sama ada dialek, jenis program, atau atribut lain. Apabila NVIDIA ingin menumpukan pada pertuturan Najdi dan Hijazi, struktur kategori itu membolehkan ia memilih segmen yang berkaitan tanpa perlu menapis keseluruhan 667 jam audio secara manual.

Pendekatan bersasar sebegini lebih cekap berbanding latihan yang menggunakan semua data tanpa penapisan. Persoalannya, apakah kategori lain yang terdapat dalam set data itu selain pembahagian dialek? SPA tidak memperincikan struktur kategori tersebut.

Apakah implikasi penurunan ralat ini terhadap industri tempatan di Arab Saudi? Pusat panggilan, penyiar televisyen, dan penganjur mesyuarat semuanya menghasilkan rakaman pertuturan dalam dialek tempatan. Model yang lebih tepat dalam mengenal pasti dialek Saudi boleh mengurangkan keperluan pembetulan manual dalam transkripsi rakaman tersebut.

Bagi penyiar, sari kata siaran langsung dalam dialek tempatan menjadi lebih praktikal apabila kadar ralat menurun. Bagi arkib media, rakaman lama boleh ditukar kepada teks yang boleh dicari dengan lebih tepat. Namun, SPA tidak menyatakan sama ada mana-mana institusi Saudi telah mula menggunakan model yang dipertingkatkan itu, atau apakah syarat komersial untuk penggunaannya.

Persoalannya, sejauh manakah peningkatan prestasi dalam bahasa Arab Standard Moden dan bahasa Inggeris itu diukur? SPA menyatakan bahawa peningkatan tersebut berlaku serentak dengan penambahbaikan dialek Saudi, tetapi tidak memberikan angka khusus bagi kedua-dua variasi bahasa itu. Yang diberikan ialah angka bagi keseluruhan set data berbilang dialek, iaitu penurunan daripada 58.8 peratus kepada 35.6 peratus pada peringkat perkataan, dan daripada 31.6 peratus kepada 12.2 peratus pada peringkat aksara.

Ketidakseragaman pelaporan angka ini menyukarkan perbandingan langsung antara prestasi dialek Saudi dengan prestasi bahasa Arab formal. Pembaca yang ingin menilai keberkesanan penuh penalaan tersebut perlu merujuk kepada kajian teknikal penuh di blog NVIDIA Developer.

Apakah yang tidak dinyatakan oleh SPA? Laporan itu tidak menyebut nilai kewangan perjanjian antara NVIDIA dan SDAIA, jika ada. Ia juga tidak menyatakan sama ada kerjasama tersebut akan diteruskan untuk versi model akan datang, atau sama ada SADA akan dikembangkan dengan dialek tambahan.

Butiran teknikal seperti jenis GPU, kos pengkomputeran, dan syarat lesen aliran kerja yang dikongsi juga tidak diperincikan. Begitu juga dengan bilangan pengguna set data di Kaggle dan sebarang penggunaan komersial yang telah bermula. Semua perkara itu kekal di luar skop laporan SPA yang diterbitkan pada 3 Oktober 2026.

Apakah yang dicapai NVIDIA dengan menggunakan set data SADA? NVIDIA menggunakan 133.7 jam audio Najdi dan Hijazi daripada SADA untuk melatih model Nemotron 3.5 ASR. Kadar ralat perkataan bagi dialek Saudi turun daripada kira-kira 55 daripada setiap 100 perkataan kepada kira-kira 30 perkataan. Merentas keseluruhan set data berbilang dialek, kadar ralat menurun daripada 58.8 peratus kepada 35.6 peratus, manakala ralat peringkat aksara turun daripada 31.6 peratus kepada 12.2 peratus.

Apakah kandungan set data SADA? SADA merangkumi kira-kira 667 jam audio yang ditranskripsikan, termasuk lebih 600 jam daripada Saudi Broadcasting Authority melalui 57 program dan siri televisyen yang meliputi lebih daripada 10 dialek Saudi. Sebanyak 20 jam dikhaskan untuk pengesahan. Set data itu terdiri daripada lebih 125,000 klip yang dikategorikan, dan ia dikeluarkan di platform Kaggle untuk menyokong penyelidik serta pembangun antarabangsa.

Berapa lama latihan model itu dijalankan? Latihan tersebut diselesaikan dalam masa hanya empat setengah jam menggunakan dua unit pemprosesan grafik. Tempoh yang singkat ini menunjukkan bahawa penalaan model untuk dialek tertentu tidak semestinya memerlukan infrastruktur pengkomputeran berskala besar atau masa pemprosesan berhari-hari. SPA tidak menyatakan jenis GPU yang digunakan atau kos pengkomputeran bagi proses latihan tersebut.

Apakah aplikasi yang disasarkan oleh model yang dipertingkatkan ini? Model itu dioptimumkan untuk sistem interaktif masa nyata dengan kependaman bermula pada 80 milisaat. Ia menyokong aplikasi dalam pembantu suara pintar, ejen perbualan, sari kata siaran langsung, serta transkripsi pusat panggilan, arkib media dan mesyuarat. Model tersebut menyokong transkripsi masa nyata dalam kira-kira 40 bahasa dan dialek, termasuk bahasa Arab.

Apakah yang dikongsi NVIDIA untuk pembangun lain? NVIDIA berkongsi aliran kerja dan alat yang diperlukan bagi membolehkan pembangun di seluruh dunia mereplikasi metodologi tersebut untuk bahasa lain. Ini bermakna pendekatan penalaan yang digunakan pada data Najdi dan Hijazi boleh dicuba pada korpus pertuturan bahasa lain. SPA tidak menyatakan sama ada aliran kerja itu tersedia secara terbuka tanpa syarat atau mempunyai sekatan lesen tertentu.

Apakah yang tidak dinyatakan dalam laporan SPA? Laporan itu tidak menyebut nilai kewangan perjanjian antara NVIDIA dan SDAIA, jika ada. Ia juga tidak menyatakan sama ada kerjasama tersebut akan diteruskan untuk versi model akan datang, atau sama ada SADA akan dikembangkan dengan dialek tambahan. Butiran seperti jenis GPU, kos pengkomputeran, syarat lesen aliran kerja, dan bilangan pengguna set data di Kaggle juga tidak diperincikan.