NVIDIA сократила ошибки распознавания саудовских диалектов вдвое с помощью SADA

Снижение ошибок распознавания саудовских диалектов почти вдвое — с примерно 55 до 30 неверно распознанных слов на каждые 100 — достигла компания NVIDIA после обучения своей многоязычной модели автоматического распознавания речи «Nemotron 3.5 ASR» на наборе данных Saudi Audio Dataset for Arabic (SADA). Об этом сообщило государственное агентство SPA 3 октября 2026 года из Эр-Рияда.

Как сообщило государственное агентство SPA, набор SADA был запущен Саудовским управлением данных и искусственного интеллекта (SDAIA) совместно с Саудовским вещательным управлением. NVIDIA использовала этот набор для тренировки своей модели, а результаты описаны в техническом исследовании, опубликованном в блоге NVIDIA Developer.

Модель «Nemotron 3.5 ASR» поддерживает транскрипцию в реальном времени примерно на 40 языках и диалектах, включая арабский. Изначально она неверно распознавала около 55 слов из каждых 100 в саудовских диалектах. После обучения на 133,7 часа аудиозаписей на диалектах наджди и хиджази из набора SADA показатель ошибок в словах снизился примерно до 30 слов.

По всему многоязычному набору данных уровень ошибок в словах уменьшился с 58,8% до 35,6%, а ошибки на уровне символов — с 31,6% до 12,2%. Одновременно были зафиксированы улучшения в работе с современным литературным арабским и английским языками. Обучение было завершено всего за четыре с половиной часа с использованием двух графических процессоров.

Модель оптимизирована для интерактивных систем реального времени и имеет задержку от 80 миллисекунд. Это открывает возможности для применения в интеллектуальных голосовых помощниках, разговорных агентах, субтитрировании прямых трансляций, а также в транскрипции колл-центров, медиаархивов и встреч. NVIDIA также опубликовала необходимые рабочие процессы и инструменты, позволяющие разработчикам по всему миру воспроизвести эту методологию для других языков.

SDAIA ранее выпустила набор данных SADA на платформе Kaggle для поддержки международных исследователей и разработчиков. Набор охватывает около 667 часов транскрибированного аудио, включая более 600 часов, предоставленных Саудовским вещательным управлением из 57 телевизионных программ и сериалов, охватывающих более 10 саудовских диалектов, при этом 20 часов зарезервированы для проверки. Набор состоит из более чем 125 000 категоризированных клипов, что позволило NVIDIA целенаправленно работать с конкретными данными речи на наджди и хиджази.

Что стоит за этими цифрами для будущего голосовых технологий на арабском? Снижение ошибок с 58,8% до 35,6% по всему многоязычному набору — это не просто техническая метрика, а показатель того, насколько ближе становятся системы распознавания речи к повседневному использованию в регионе. Если раньше модель путала каждое второе слово в саудовском диалекте, то теперь ошибка касается примерно каждого третьего. Для приложений, где важна точность — субтитры в прямом эфире, расшифровка звонков, — такой сдвиг меняет саму возможность применения технологии.

Почему именно диалекты наджди и хиджази оказались в фокусе? Эти два диалекта широко представлены в саудовских медиа и повседневной речи, и именно они были выделены из набора SADA для целевого обучения. 133,7 часа аудио — это не случайная выборка, а целенаправленный ресурс, позволивший модели адаптироваться к реальному звучанию речи, а не к усреднённым языковым моделям.

Как четыре с половиной часа обучения на двух GPU соотносятся с масштабом задачи? Скорость обучения говорит о том, что современные вычислительные подходы позволяют достигать заметных улучшений без месяцев работы. Это важно для разработчиков, которые хотят быстро адаптировать модели под новые языки и диалекты, используя опубликованные NVIDIA рабочие процессы и инструменты.

Что означает задержка в 80 миллисекунд для интерактивных систем? В разговорных агентах и голосовых помощниках задержка определяет, насколько естественным ощущается диалог. Порог в 80 миллисекунд приближает машинное распознавание к темпу человеческой реакции, что критично для живого общения и синхронного субтитрирования.

Насколько важен вклад Саудовского вещательного управления? Более 600 часов аудио из 57 телевизионных программ и сериалов, охватывающих более 10 диалектов, — это основа, без которой обучение на реальной речи было бы невозможно. Именно этот массив данных, собранный из эфирного контента, дал модели разнообразие, необходимое для работы с живой саудовской речью.

Почему публикация на Kaggle имеет значение для глобального сообщества? Открытый доступ к набору SADA позволяет исследователям и разработчикам по всему миру не только повторить методологию NVIDIA, но и применить её к другим языкам. Это превращает локальный саудовский проект в часть глобальной экосистемы речевых технологий.

Что осталось за рамками сообщения? SPA не приводит сведений о том, какие именно приложения уже используют обновлённую модель, какова её стоимость или доступность, а также не уточняет, планируются ли дальнейшие совместные проекты NVIDIA и SDAIA. Не указано и то, как именно будет поддерживаться и обновляться набор SADA в будущем.

Что такое набор данных SADA? SADA — это Saudi Audio Dataset for Arabic, запущенный SDAIA совместно с Саудовским вещательным управлением. Он охватывает около 667 часов транскрибированного аудио, включая более 600 часов из 57 телевизионных программ и сериалов на более чем 10 саудовских диалектах. 20 часов зарезервированы для проверки, а сам набор состоит из более чем 125 000 категоризированных клипов. SDAIA ранее выпустила его на платформе Kaggle.

Насколько улучшилось распознавание саудовских диалектов? Изначально модель неверно распознавала около 55 слов из каждых 100 в саудовских диалектах. После обучения на 133,7 часа аудио на наджди и хиджази из SADA ошибка снизилась примерно до 30 слов. По всему многоязычному набору уровень ошибок в словах упал с 58,8% до 35,6%, а на уровне символов — с 31,6% до 12,2%. Одновременно улучшились показатели для литературного арабского и английского.

Сколько времени заняло обучение модели? Обучение было завершено всего за четыре с половиной часа с использованием двух графических процессоров. Это демонстрирует эффективность современных вычислительных подходов при работе с большими наборами данных. NVIDIA также опубликовала рабочие процессы и инструменты, позволяющие разработчикам воспроизвести методологию для других языков. Модель поддерживает транскрипцию примерно на 40 языках и диалектах, включая арабский.

Где можно применять обновлённую модель? Модель оптимизирована для интерактивных систем реального времени с задержкой от 80 миллисекунд. Это позволяет использовать её в интеллектуальных голосовых помощниках, разговорных агентах, субтитрировании прямых трансляций, а также для транскрипции колл-центров, медиаархивов и встреч. Низкая задержка важна для естественного диалога и синхронного отображения текста в прямом эфире.

Кто предоставил аудиоданные для обучения? Более 600 часов аудио предоставило Саудовское вещательное управление — это записи из 57 телевизионных программ и сериалов, охватывающих более 10 саудовских диалектов. Всего набор SADA включает около 667 часов транскрибированного аудио, из которых 20 часов отведены на проверку. Именно этот массив данных позволил NVIDIA целенаправленно работать с диалектами наджди и хиджази.