NVIDIA, SADA veri setiyle Nemotron 3.5 ASR modelinde Suudi lehçe hatalarını yarıya indirdi

NVIDIA, Suudi Veri ve Yapay Zeka Otoritesi (SDAIA) ile Suudi Yayın Kurumu ortaklığında yayımlanan Suudi Arapça Ses Veri Seti’ni (SADA) kullanarak çok dilli otomatik konuşma tanıma modeli Nemotron 3.5 ASR’yi eğitti. NVIDIA Developer blogunda yayımlanan teknik çalışmaya göre veri setinin entegrasyonu, Suudi lehçelerindeki anlama hatalarını yaklaşık yarıya düşürdü. Peki bir veri seti, bir yapay zeka modelinin bir lehçeyi anlama biçimini gerçekten bu kadar hızlı değiştirebilir mi?

Suudi basın ajansı SPA’nın 3 Ekim 2026’da Riyad’dan bildirdiğine göre model, Arapça dahil yaklaşık 40 dil ve lehçede gerçek zamanlı transkripsiyon desteği sunuyor. Model başlangıçta Suudi lehçelerinde her 100 kelimenin yaklaşık 55’ini yanlış tanımlıyordu. SADA’dan alınan 133,7 saatlik Necdi ve Hicazi ses kaydıyla eğitildikten sonra kelime hata oranı yaklaşık 30 kelimeye geriledi. Tüm çok lehçeli veri seti genelinde hata oranı yüzde 58,8’den yüzde 35,6’ya, karakter düzeyindeki hatalar ise yüzde 31,6’dan yüzde 12,2’ye düştü. Aynı eğitimde Modern Standart Arapça ve İngilizce performansında da eşzamanlı kazanımlar elde edildi. Eğitim, iki GPU kullanılarak yalnızca dört buçuk saatte tamamlandı. Bu tablo, bölgesel lehçeler için özel veri toplamanın ne kadar belirleyici olduğunu göstermiyor mu?

Gerçek zamanlı sistemler için 80 milisaniyeden başlayan gecikme

Gerçek zamanlı etkileşimli sistemler için optimize edilen geliştirilmiş model, 80 milisaniyeden başlayan gecikme süresi sunuyor. Bu özellik; akıllı sesli asistanlar, konuşma ajanları, canlı yayın altyazılama ile çağrı merkezleri, medya arşivleri ve toplantı transkripsiyonu gibi uygulamalara kapı açıyor. Canlı bir yayında altyazının konuşmayla neredeyse aynı anda ekrana düşmesi, yayıncılık açısından ne anlama gelir?

NVIDIA ayrıca küresel geliştiricilerin bu metodolojiyi başka dillerde de tekrarlayabilmesi için gereken iş akışlarını ve araçları paylaştı. SADA veri seti daha önce SDAIA tarafından Kaggle platformunda uluslararası araştırmacılar ve geliştiriciler için yayımlanmıştı. Veri seti yaklaşık 667 saatlik deşifre edilmiş ses kaydını kapsıyor. Bunun 600 saatten fazlası Suudi Yayın Kurumu tarafından 57 televizyon programı ve dizisinden, 10’dan fazla Suudi lehçesini kapsayacak şekilde sağlandı; 20 saat doğrulama için ayrıldı. 125 binden fazla kategorize edilmiş klipten oluşan veri seti, NVIDIA’nın özellikle Necdi ve Hicazi konuşma verilerini hedeflemesini mümkün kıldı. 125 binden fazla klibin kategorize edilmiş olması, araştırmacılara hangi kapıları açıyor?

Çalışmanın dikkat çeken yanlarından biri, eğitimin ölçeği ile süresi arasındaki ilişki. Yüzde 58,8’lik kelime hata oranının yüzde 35,6’ya inmesi ve karakter düzeyindeki hatanın yüzde 31,6’dan yüzde 12,2’ye gerilemesi, iki GPU ve dört buçuk saatlik bir eğitimle elde edildi. Bu, veri kalitesinin ve hedefli seçimin ham hesaplama gücünün önüne geçebildiği bir örnek olarak okunabilir. Peki yüksek hesaplama maliyeti olmadan bu düzeyde iyileştirme elde edilebilmesi, yapay zeka yarışında veri setlerini yeni bir rekabet alanı haline getirmez mi?

Modelin yaklaşık 40 dil ve lehçeyi desteklemesi, Arapça’nın yanı sıra İngilizce ve Modern Standart Arapça performansının da aynı eğitimde iyileşmesi, çok dilli modellerde lehçe verisinin genel performansı zayıflatmadığını, aksine güçlendirebildiğini gösteriyor. Bu nokta, farklı dillerde benzer veri setleri kurmayı planlayan kurumlar için ne ifade ediyor?

SADA’nın Kaggle’da yayımlanmış olması, veri setinin yalnızca tek bir şirketin kullanımına kapalı kalmadığını gösteriyor. Uluslararası araştırmacılar ve geliştiriciler, aynı veri üzerinde kendi modellerini eğiterek farklı sonuçlar üretebilir. Bu açıklık, Suudi lehçeleri üzerine yapılan çalışmaların sayısını artırır mı? Veri setinin 57 televizyon programı ve dizisinden derlenmiş olması, içeriğin konuşma çeşitliliği açısından geniş bir taban sunduğunu gösteriyor. 10’dan fazla Suudi lehçesini kapsayan bu taban, günlük konuşma dilinin yanı sıra yayın dili örneklerini de içeriyor. Doğrulama için ayrılan 20 saatlik bölümün, modelin görmediği verilerde nasıl performans gösterdiğini ölçmek için kullanıldığı anlaşılıyor. Böyle bir ayrım, sonuçların güvenilirliği açısından neden kritik?

NVIDIA’nın paylaştığı iş akışları ve araçlar, metodolojinin başka dillere uyarlanmasını hedefliyor. Bu, Suudi lehçeleri için kurulan bir altyapının küresel bir şablona dönüşme ihtimalini gündeme getiriyor. Bir ülkenin yayın arşivinden çıkan verinin, başka ülkelerin dilleri için model geliştirme sürecine örnek olması ne anlama gelir?

Uygulama alanları arasında sayılan canlı yayın altyazılaması, çağrı merkezi transkripsiyonu, medya arşivlerinin deşifresi ve toplantı kayıtlarının metne dökülmesi, modelin ticari ve kurumsal kullanım potansiyelini gösteriyor. 80 milisaniyeden başlayan gecikme, bu senaryoların çoğunda kullanıcı deneyimini doğrudan etkileyen bir eşik. Çağrı merkezinde müşteri temsilcisinin ekranına konuşmanın neredeyse anında düşmesi, hizmet kalitesini nasıl değiştirir?

SPA’nın aktardığı bültende, SADA veri setinin toplam süresi, klip sayısı, lehçe kapsamı ve NVIDIA’nın eğitim sonuçlarına ilişkin sayısal veriler yer alıyor. Bültende modelin ticari kullanıma sunulup sunulmadığı, hangi ülkelerde veya hangi platformlarda erişilebilir olacağı, fiyatlandırma modeli ya da SDAIA ile NVIDIA arasındaki işbirliğinin kapsamına ilişkin ayrıntı bulunmuyor. Ayrıca eğitimde kullanılan iki GPU’nun türü, veri setinin gelecekte genişletilip genişletilmeyeceği ve doğrulama sonuçlarının ayrıntıları da bültende yer almıyor. Bu boşluklar, geliştiricilerin modeli kendi projelerinde nasıl konumlandıracağı sorusunu açık bırakıyor.

Yine de ortaya çıkan tablo net: Suudi lehçelerinde her 100 kelimede 55 hata, hedefli veriyle 30’a indi; karakter hataları yüzde 31,6’dan yüzde 12,2’ye çekildi; eğitim dört buçuk saatte tamamlandı. Bu sonuçlar, lehçe odaklı veri setlerinin çok dilli konuşma tanıma modellerinde ölçülebilir fark yarattığını gösteriyor. SADA gibi açık veri setlerinin çoğalması, Arapça konuşma teknolojilerinde rekabetin yönünü değiştirebilir mi? Cevap, önümüzdeki dönemde yayımlanacak yeni teknik çalışmalarda ve veri setinin kaç geliştirici tarafından kullanıldığında saklı görünüyor.

NVIDIA hangi veri setini kullandı? NVIDIA, SDAIA ile Suudi Yayın Kurumu ortaklığında yayımlanan Suudi Arapça Ses Veri Seti’ni (SADA) kullandı. Veri seti yaklaşık 667 saatlik deşifre edilmiş ses kaydını, 125 binden fazla kategorize edilmiş klibi ve 10’dan fazla Suudi lehçesini kapsıyor. 600 saatten fazlası Suudi Yayın Kurumu’nun 57 televizyon programı ve dizisinden sağlandı; 20 saat doğrulama için ayrıldı. SADA daha önce Kaggle platformunda araştırmacılara açılmıştı.

Modelin Suudi lehçelerindeki hata oranı ne kadar düştü? Model başlangıçta Suudi lehçelerinde her 100 kelimenin yaklaşık 55’ini yanlış tanımlıyordu. SADA’dan alınan 133,7 saatlik Necdi ve Hicazi ses kaydıyla eğitildikten sonra bu oran yaklaşık 30 kelimeye geriledi. Tüm çok lehçeli veri seti genelinde kelime hata oranı yüzde 58,8’den yüzde 35,6’ya, karakter düzeyindeki hatalar ise yüzde 31,6’dan yüzde 12,2’ye düştü. Eğitim iki GPU ile dört buçuk saatte tamamlandı.

Model hangi uygulamalarda kullanılabilir? Gerçek zamanlı etkileşimli sistemler için optimize edilen model, 80 milisaniyeden başlayan gecikme sunuyor. Bu özellik akıllı sesli asistanlar, konuşma ajanları, canlı yayın altyazılama ile çağrı merkezleri, medya arşivleri ve toplantı transkripsiyonu gibi alanlara uygulanabiliyor. Model yaklaşık 40 dil ve lehçede gerçek zamanlı transkripsiyon desteği veriyor; eğitimde Modern Standart Arapça ve İngilizce performansı da eşzamanlı olarak iyileşti.

NVIDIA geliştiricilere ne sundu? NVIDIA, küresel geliştiricilerin metodolojiyi başka dillerde tekrarlayabilmesi için gereken iş akışlarını ve araçları paylaştı. Bu paylaşım, SADA üzerinde kurulan yaklaşımın farklı dillerdeki veri setlerine uyarlanmasını hedefliyor. SADA’nın Kaggle’da yayımlanmış olması da uluslararası araştırmacıların aynı veri üzerinde kendi modellerini eğitmesine imkan tanıyor. Bültende iş akışlarının kapsamına ilişkin ek ayrıntı yer almıyor.

SADA veri setinin kapsamı nedir? SADA yaklaşık 667 saatlik deşifre edilmiş ses kaydından oluşuyor. Bunun 600 saatten fazlası Suudi Yayın Kurumu tarafından 57 televizyon programı ve dizisinden, 10’dan fazla Suudi lehçesini kapsayacak şekilde sağlandı. Veri setinde 125 binden fazla kategorize edilmiş klip bulunuyor ve 20 saat doğrulama için ayrıldı. Bu yapı, NVIDIA’nın özellikle Necdi ve Hicazi konuşma verilerini hedeflemesini mümkün kıldı.

Bültende hangi bilgiler yer almıyor? SPA bültende modelin ticari kullanıma sunulup sunulmadığını, hangi ülkelerde veya platformlarda erişilebilir olacağını, fiyatlandırma modelini ya da SDAIA ile NVIDIA arasındaki işbirliğinin kapsamını belirtmiyor. Eğitimde kullanılan iki GPU’nun türü, veri setinin gelecekte genişletilip genişletilmeyeceği ve doğrulama sonuçlarının ayrıntıları da bültende yok. Bu boşluklar, geliştiricilerin modeli kendi projelerinde nasıl konumlandıracağı sorusunu açık bırakıyor.