Un article technique publié le 30 septembre par NVIDIA décrit l’adaptation du modèle de reconnaissance automatique de la parole Nemotron 3.5 aux dialectes Najdi et Hijazi utilisés en Arabie saoudite. L’équipe a utilisé 133,7 heures de parole de ces dialectes issues du Saudi Audio Dataset for Arabic (SADA). Selon l’article, le filtrage a conservé 103 559 énoncés sur 125 490, soit 82,5 %. Il s’agit de l’expérience d’entraînement et d’évaluation de l’entreprise, pas d’une mesure indépendante à l’échelle nationale.

NVIDIA indique que le taux d’erreur de mots (WER) sur le sous-ensemble de test Najdi-Hijazi est passé de 55,05 % à 29,96 %. Sur l’ensemble de test SADA, il est passé de 58,84 % à 35,61 %. Le WER compte substitutions, suppressions et insertions par rapport au nombre de mots ; cela ne signifie pas que le modèle est devenu « 25 % plus précis ». Dans la même expérience, le WER anglais FLEURS est passé de 11,04 % à 10,42 %, et le WER arabe de 12,67 % à 11,41 %. Ces chiffres concernent des tests distincts.

La méthode mélange les données dialectales avec des exemples anglais et arabes pondérés de FLEURS et regroupe des segments de durée similaire pour organiser le calcul. Le meilleur résultat SADA publié a suivi 12 000 étapes d’entraînement et environ 4,5 heures sur deux GPU. Ce sont les conditions expérimentales de NVIDIA et elles ne garantissent pas le même coût ou la même performance avec d’autres données, versions ou infrastructures.

L’article souligne que les résultats dépendent du jeu d’évaluation et qu’un gain sur un test ne se généralise pas automatiquement aux autres dialectes ou à l’usage réel. Le filtrage, le bruit, les microphones, le débit de parole et les conventions de transcription peuvent influer sur le WER. NVIDIA indique aussi que certains décodages hors ligne ont réduit le taux d’erreur au prix d’une latence accrue ; un contexte d’attention plus large peut ajouter environ 800 millisecondes. La transcription en direct et l’analyse d’archives d’appels impliquent donc des compromis différents.

Une reconnaissance vocale adaptée peut constituer une composante technique pour le service client, les archives médiatiques ou les interfaces vocales. La source ne dit pas que des entreprises saoudiennes ont déployé ce modèle ou signé un contrat commercial. Elle mesure des sorties sur des tests définis avec une recette publiée. Un déploiement réel nécessiterait encore des essais locaux, une analyse des erreurs, des contrôles de confidentialité et de consentement, une évaluation de l’accessibilité et des coûts, ainsi qu’une supervision humaine adaptée.

Le tableau présente des taux WER en pourcentage et sépare les jeux de test. Les valeurs avant et après sont celles de l’article technique ; elles ne prétendent pas représenter tous les dialectes ou locuteurs du pays. La conclusion étayée est que l’adaptation ciblée a amélioré la performance mesurée dans cette expérience, tandis que l’usage réel demande une validation distincte.