NVIDIA gumamit ng SADA dataset ng SDAIA, binawasan ng kalahati ang error sa Saudi dialect

Bumaba sa halos kalahati ang error sa pagkilala ng Saudi dialect ng Nemotron 3.5 ASR ng NVIDIA matapos gamitin ang Saudi Audio Dataset for Arabic (SADA) ng Saudi Data and AI Authority (SDAIA), ayon sa technical study na inilathala sa NVIDIA Developer blog.

Ayon sa ulat ng Saudi Press Agency noong 3 Oktubre 2026, inanunsyo ng NVIDIA na ginamit nito ang SADA upang sanayin ang multilingual automatic speech recognition model na Nemotron 3.5 ASR. Ang SADA ay inilunsad ng SDAIA sa pakikipagtulungan ng Saudi Broadcasting Authority.

Sa datos ng ulat, noong una ay mali ang pagkakakilala ng modelo sa tinatayang 55 sa bawat 100 salita sa Saudi dialects. Matapos sanayin sa 133.7 oras ng Najdi at Hijazi audio mula sa SADA, bumaba ang word error rate sa tinatayang 30 salita. Sa buong multi-dialect dataset, bumaba ang error rate mula 58.8% patungong 35.6%, habang ang character-level errors ay bumaba mula 31.6% patungong 12.2%. Kasabay nito ang pagbuti ng performance sa Modern Standard Arabic at English.

Nakumpleto ang training sa loob lamang ng apat at kalahating oras gamit ang dalawang GPU. Nakatuon ang modelo sa real-time interactive systems, na may latency na nagsisimula sa 80 milliseconds. Kabilang sa mga aplikasyon ang intelligent voice assistants, conversational agents, live broadcast subtitling, at transcription ng call centers, media archives, at meetings.

Ibinahagi rin ng NVIDIA ang mga workflow at tool na kailangan upang magawa ng mga developer sa buong mundo ang parehong paraan sa iba pang wika. Bago ito, inilabas na ng SDAIA ang SADA dataset sa Kaggle platform upang suportahan ang mga international researcher at developer.

Saklaw ng dataset ang tinatayang 667 oras ng transcribed audio. Mahigit 600 oras dito ay mula sa Saudi Broadcasting Authority, mula sa 57 television programs at series na sumasaklaw sa mahigit 10 Saudi dialects, at 20 oras ang nakalaan para sa validation. Binubuo ito ng mahigit 125,000 categorized clips, na nagbigay-daan sa NVIDIA na ituon ang training sa partikular na Najdi at Hijazi speech data.

Paano nagbabago ang isang modelo kapag ang wika mismo ang naging pundasyon ng training nito? Sa kaso ng Nemotron 3.5 ASR, ang 133.7 oras ng Najdi at Hijazi audio ang naging susi upang bumaba ang word error rate mula 55 patungong 30 sa bawat 100 salita. Hindi ba’t malaking hakbang ito para sa mga sistemang nagsasalita ng wikang dati ay hindi gaanong nauunawaan ng makina?

Suportado ng modelo ang real-time transcription sa tinatayang 40 wika at dialect, kabilang ang Arabic. Sa bilis na 80 milliseconds ang latency, ang mga intelligent voice assistant at conversational agent ay maaaring tumugon nang halos agad. Gaano kahalaga ang bilis na ito para sa mga live broadcast subtitling at call center transcription na nangangailangan ng agarang tugon?

Ang pagbaba ng character-level errors mula 31.6% patungong 12.2% ay nagpapakita ng mas tumpak na pagkakilala sa bawat tunog at titik ng salita. Kasabay nito, bumuti rin ang performance sa Modern Standard Arabic at English, na nagpapakita na hindi nagsasakripisyo ang modelo ng ibang wika para lamang sa Saudi dialects. Hindi ba’t ito ang tunay na sukatan ng isang multilingual system?

Ang buong training ay natapos sa loob lamang ng apat at kalahating oras gamit ang dalawang GPU. Sa panahon ng malalaking modelo at mahabang oras ng computation, gaano kahalaga ang kahusayan sa oras at hardware para sa mga mananaliksik at developer? Ang bilis na ito ay maaaring magpababa ng hadlang para sa mga mas maliliit na koponan na gustong magsanay ng sariling modelo.

Ibinahagi ng NVIDIA ang mga workflow at tool upang magawa ng mga developer sa buong mundo ang parehong paraan sa iba pang wika. Kung nagawa ito para sa Najdi at Hijazi, ano ang mangyayari kapag inilapat ang parehong paraan sa iba pang dialect sa rehiyon at sa mundo? Ang pagbabahagi ng metodolohiya ay maaaring magpabilis ng pag-unlad ng speech recognition sa mga wikang dati ay kulang sa datos.

Inilabas na ng SDAIA ang SADA dataset sa Kaggle platform upang suportahan ang mga international researcher at developer. Ang dataset ay sumasaklaw sa tinatayang 667 oras ng transcribed audio, kung saan mahigit 600 oras ay mula sa Saudi Broadcasting Authority. Galing ang mga ito sa 57 television programs at series na sumasaklaw sa mahigit 10 Saudi dialects, at 20 oras ang nakalaan para sa validation. Binubuo ito ng mahigit 125,000 categorized clips.

Ang mga categorized clip na ito ang nagbigay-daan sa NVIDIA na ituon ang training sa partikular na Najdi at Hijazi speech data. Sa halip na gamitin ang buong dataset nang walang pokus, pinili ang mga dialect na pinakanangangailangan ng pagbuti. Hindi ba’t mas epektibo ang ganitong target na paraan kaysa sa basta pagdagdag ng mas maraming datos?

Ang mga aplikasyon ng pinahusay na modelo ay malawak: intelligent voice assistants, conversational agents, live broadcast subtitling, at transcription ng call centers, media archives, at meetings. Sa bawat isa, ang mas mababang error rate ay nangangahulugan ng mas maaasahang serbisyo. Paano makikinabang ang mga institusyon at negosyo sa Saudi Arabia at sa rehiyon mula sa mas tumpak na speech recognition?

Ang pakikipagtulungan ng SDAIA at Saudi Broadcasting Authority sa SADA ay nagpapakita ng halaga ng pagbuo ng lokal na dataset para sa pandaigdigang teknolohiya. Ang 57 television programs at series na pinagmulan ng audio ay nagbibigay ng tunay na gamit ng wika sa iba’t ibang konteksto. Hindi ba’t ang ganitong uri ng datos ang pinakamahirap hanapin ng mga developer?

Sa kabuuan, ang pagbaba ng word error rate mula 58.8% patungong 35.6% at ng character-level errors mula 31.6% patungong 12.2% ay nagpapakita ng malaking pagbabago sa kakayahan ng modelo. Ang 80 milliseconds na latency ay nagbubukas ng mga aplikasyong nangangailangan ng agarang tugon. Ang apat at kalahating oras na training sa dalawang GPU ay nagpapakita ng kahusayan ng paraan.

Hindi ibinigay ng ulat ang halaga ng proyekto, ang eksaktong petsa ng pagsisimula ng training, o ang mga partikular na programa at series na pinagmulan ng audio. Hindi rin tinukoy ang mga susunod na hakbang ng NVIDIA o SDAIA para sa karagdagang dialect o wika. Ang mga detalyeng ito ay maaaring mahalaga para sa mga mananaliksik na gustong sundan ang parehong landas.

Ano ang SADA dataset at sino ang gumawa nito? Ang SADA o Saudi Audio Dataset for Arabic ay inilunsad ng Saudi Data and AI Authority (SDAIA) sa pakikipagtulungan ng Saudi Broadcasting Authority. Sumasaklaw ito sa tinatayang 667 oras ng transcribed audio, kung saan mahigit 600 oras ay mula sa Saudi Broadcasting Authority sa 57 television programs at series na sumasaklaw sa mahigit 10 Saudi dialects. May 20 oras na nakalaan para sa validation, at binubuo ito ng mahigit 125,000 categorized clips. Inilabas ito ng SDAIA sa Kaggle platform para sa mga international researcher at developer.

Gaano kalaki ang pagbuti ng Nemotron 3.5 ASR matapos gamitin ang SADA? Noong una, mali ang pagkakakilala ng modelo sa tinatayang 55 sa bawat 100 salita sa Saudi dialects. Matapos sanayin sa 133.7 oras ng Najdi at Hijazi audio mula sa SADA, bumaba ang word error rate sa tinatayang 30 salita. Sa buong multi-dialect dataset, bumaba ang error rate mula 58.8% patungong 35.6%, habang ang character-level errors ay bumaba mula 31.6% patungong 12.2%. Kasabay nito ang pagbuti ng performance sa Modern Standard Arabic at English.

Ano ang mga aplikasyon ng pinahusay na modelo? Ang Nemotron 3.5 ASR ay optimized para sa real-time interactive systems, na may latency na nagsisimula sa 80 milliseconds. Kabilang sa mga aplikasyon ang intelligent voice assistants, conversational agents, live broadcast subtitling, at transcription ng call centers, media archives, at meetings. Suportado rin nito ang real-time transcription sa tinatayang 40 wika at dialect, kabilang ang Arabic. Ang mababang latency ay mahalaga para sa mga sistemang nangangailangan ng agarang tugon.

Gaano katagal at anong hardware ang ginamit sa training? Nakumpleto ang training sa loob lamang ng apat at kalahating oras gamit ang dalawang GPU. Ito ay bahagi ng technical study na inilathala sa NVIDIA Developer blog. Ang bilis na ito ay nagpapakita ng kahusayan ng paraan at maaaring magpababa ng hadlang para sa mga mas maliliit na koponan na gustong magsanay ng sariling modelo. Hindi ibinigay ng ulat ang eksaktong petsa ng pagsisimula ng training o ang mga partikular na GPU model na ginamit.

Paano makikinabang ang mga developer sa buong mundo? Ibinahagi ng NVIDIA ang mga workflow at tool na kailangan upang magawa ng mga developer sa buong mundo ang parehong paraan sa iba pang wika. Bukod dito, inilabas na ng SDAIA ang SADA dataset sa Kaggle platform upang suportahan ang mga international researcher at developer. Ang pagbabahagi ng metodolohiya at datos ay maaaring magpabilis ng pag-unlad ng speech recognition sa mga wikang dati ay kulang sa datos. Hindi tinukoy ng ulat ang mga susunod na hakbang ng NVIDIA o SDAIA.

Ano ang hindi ibinigay ng ulat tungkol sa proyekto? Hindi ibinigay ng ulat ang halaga ng proyekto, ang eksaktong petsa ng pagsisimula ng training, o ang mga partikular na programa at series na pinagmulan ng audio. Hindi rin tinukoy ang mga susunod na hakbang ng NVIDIA o SDAIA para sa karagdagang dialect o wika. Ang mga detalyeng ito ay maaaring mahalaga para sa mga mananaliksik na gustong sundan ang parehong landas. Ang mga available na datos ay mula sa technical study sa NVIDIA Developer blog at sa ulat ng Saudi Press Agency.