NVIDIA展示Nemotron 3.5 ASR方言微调：Najdi与Hijazi测试WER降至29.96%

事件概述：NVIDIA技术博客于2026年9月30日发布教程，展示如何用NVIDIA Nemotron 3.5 ASR和NeMo框架适配沙特阿拉伯Najdi、Hijazi方言。官方指出，多语言模型即使支持阿拉伯语，在地方方言和真实录音条件下仍可能明显失准，因此需要针对部署方言进行微调。

对象与开发者：对象是支持40个语言区域流式转写的NVIDIA Nemotron 3.5 ASR；教程作者为NVIDIA的Imane Khaouja、Amine El Khair、Meshari Alaeena、Zahra Al-Kaf和Abdulrahman Alkhamees。

官方发布日期：NVIDIA Technical Blog标注发布于2026年9月30日。

关键能力与改动：流程先对SADA 2022语音数据做轻量清洗，再用FLEURS英语和阿拉伯语数据进行加权回放，配合按时长分桶和部分编码器解冻，以减少灾难性遗忘。133.7小时Najdi与Hijazi语音微调后，目标测试集WER从55.05%降至29.96%，CER从31.63%降至12.18%；FLEURS英语WER从11.04%变为10.42%，阿拉伯语WER从12.67%变为11.41%。在不重新训练的情况下，13帧前瞻上下文配合MALSD beam-8，将目标测试集WER再降到27.25%，代价是约800毫秒额外延迟。文章还介绍了Nemotron 3 Diarization，可把最多8名说话人的边界与ASR时间戳对齐。

适用对象：需要阿拉伯地区呼叫中心、会议、媒体或政企场景进行方言转写的团队，以及拥有标注语音、希望在保留原有多语言能力的同时适配本地口音的ASR开发者。

实际影响与限制：这套方法说明低资源方言适配可以通过目标数据、回放混合和解冻深度取得明显收益，且解码设置可在不重训时换取准确率。但结果来自特定SADA数据、两张RTX PRO 6000 Blackwell工作站GPU和独立评测配置，不能直接推广到所有阿拉伯方言或录音环境；部分解冻减少算力却可能牺牲准确率，扩大前瞻上下文会增加实时延迟，beam搜索收益也依赖解码器配置。团队仍需使用自有数据、词汇和延迟目标复测。

官方来源：https://developer.nvidia.com/blog/fine-tuning-nvidia-nemotron-for-saudi-arabic-dialects-with-a-path-to-other-languages/