Whisper large-v3 — মঙ্গোলীয় স্পিচ-টু-টেক্স্ট বেঞ্চমার্ক
Whisper large-v3 Batch API (উন্নত পরিচালনা বিন্দু, ভাষা mn) দ্বারা 4টি মঙ্গোলীয় ডেটাসেট এবং 265টি অডিও নমুনায় মূল্যায়িত প্রকৃত ফলাফল। নিচের প্রতিটি সংখ্যা পরিমাপকৃত — বিপণন নয়। WER, গতি ও মূল্য যেমন আছে তেমনই, কঠোর সততার সাথে দেখানো হয়েছে।
265/265 নমুনা ট্রান্সক্রাইব করা হয়েছে · 100% সাফল্য
কম ভালো · 265 নমুনায়
মূল্য
ব্যাচ ট্রান্সক্রিপশনের জন্য Whisper large-v3-এর তালিকা মূল্য। কোনো ছাড় বা আপস করা হার নয় — প্রতি মিনিটের কাঁচা হার।
মূল্যের উৎস: Whisper large-v3-এর প্রকাশিত মূল্য। Duudlaga Flow শুধুমাত্র প্রেক্ষাপটে দেখানো হয়েছে — এই পৃষ্ঠাটি Whisper large-v3-কে আলাদা রাখে যাতে সংখ্যাটি আমাদের পণ্য দ্বারা ফোলানো না হয়।
ডেটাসেট অনুযায়ী WER ও CER
ডেটাসেট অনুযায়ী শব্দ ও অক্ষর ত্রুটি হার। কম ভালো — এবং এগুলো Whisper large-v3-এর প্রকৃত সংখ্যা, যা Common Voice 24-এ দুর্বল।
ডেটাসেট সারসংক্ষেপ
প্রতিটি ডেটাসেটের সমষ্টিগত নির্ভুলতা, গতি ও সময়।
| ডেটাসেট | উৎস | নমুনা | সাফল্য | WER | CER | নির্ভুলতা | গতি | অডিও (সে) | প্রক্রি. (সে) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 91.2% | 38.8% | 8.8% | 0.72× | 330.6s | 456.5s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 86.2% | 33% | 13.8% | 1.87× | 645.1s | 344.8s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 94% | 41% | 6.0% | 1.13× | 269.8s | 238.3s |
| Modern Voice | — | 92 | 92/92 | 87.7% | 37.2% | 12.3% | 1.53× | 603.8s | 394.1s |
WER বনাম গতি — নমুনা অনুযায়ী
প্রতিটি বিন্দু একটি অডিও নমুনা। আদর্শ অবস্থান নিচে-বামে (কম ত্রুটি, দ্রুত)। Whisper large-v3-এর অনেক Common Voice 24 নমুনায় ত্রুটি বেশি।
নমুনা অনুযায়ী ফলাফল
প্রত্যাশিত কলামে গ্রাউন্ড ট্রুথ যেমন আছে তেমনই দেখানো হয়েছে। ফলাফল কলাম শুধুমাত্র Whisper large-v3 ভুল করেছে এমন শব্দগুলো লাল রঙে হাইলাইট করে — কোনো স্ট্রাইকথ্রু/অদলবদল নয়, শুধু ভুল।
| # | অডিও | নমুনা | ডেটাসেট | প্রত্যাশিত (গ্রাউন্ড ট্রুথ) | Whisper large-v3 ফলাফল | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Кэлтээ амсгол түрээ хасаа омон танд мэдэж байгаа хэлээ. | 87.5% | 32.8% | 1/0/6 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надзай асан аджирал гэдэгээрдээ үрхүн сарай хүгцадтай байсан гэж бүх. | 83.3% | 33.3% | 0/2/8 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Атаах тээ төрч төрч энрээгээсээ салхих чигцгээ. | 100.0% | 53.8% | 0/0/7 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би босголту хэрээр гэр хэцэр дэрхийж ябдог хүн. | 70.0% | 17.6% | 0/2/5 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Ханхурмас дуу орлос болдгой бараа үгэнээ 2 лоогуу арны эргүйлэхээр ягалж байна. | 120.0% | 51.9% | 2/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Аж байнааша ородор, гэдгэжтэй оров. | 85.7% | 35.1% | 0/2/4 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Уу, үндэр дээд таныи тухууд би бааталг чалтахгүй. | 87.5% | 28.3% | 0/0/7 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин 3-тэг хуудагаса эхлэн хүмүүстэг сайнархаж гэлэв. | 75.0% | 35.7% | 0/0/6 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танр очингууд шүүллэл үхж байз. | 100.0% | 50.0% | 0/2/5 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ерөөсөөл үүлтүрөссээ салаагуу ябсан имч нь. | 100.0% | 33.3% | 0/1/6 |
পদ্ধতিবিদ্যা
এই সংখ্যাগুলো কীভাবে পাওয়া গেছে।
সরবরাহকারী: Whisper large-v3 (OpenAI Whisper large-v3 open weights run locally with an explicit Mongolian language token — the reference open-source ASR baseline.).
এন্ডপয়েন্ট local (transformers). ভাষা mn. অপারেটিং পয়েন্ট openai/whisper-large-v3 (language=mn, task=transcribe) on mps. বক্তা বিচ্ছেদ none.
ডেটাসেট: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 নমুনা, মোট 1849.3s অডিও।
- Common Voice 24 (MN)https://huggingface.co/datasets/btsee/common-voices-24-mn
- Shunya Labs Mongolian Speechhttps://huggingface.co/datasets/shunyalabs/mongolian-speech-dataset
- Common Voice 20 (MN)https://huggingface.co/datasets/warmestman/common-voice-20-mn-normalized
- Modern Voice—
মেট্রিক্স: WER ও CER মানক শব্দ/অক্ষর লেভেনশটাইন সজ্জায়, কেস ও যতিচিহ্নের জন্য নরমালাইজ করে গণনা করা হয়। নির্ভুলতা = 100 − WER। গতি গুণক = অডিও সময়কাল ÷ প্রক্রিয়াকরণ সময় (× রিয়েল-টাইম)। সব অনুরোধ প্রকৃত Whisper large-v3 Batch API কল, ক্যাশ বা সিমুলেটেড নয়।
পার্থক্য হাইলাইট: ফলাফল কলাম গ্রাউন্ড ট্রুথের সাথে সজ্জিত এবং প্রতিটি প্রতিস্থাপন ও সন্নিবেশ লাল রঙ করে। বিলোপ (ফলাফল থেকে অনুপস্থিত শব্দ) ফলাফল কলামে দেখানো হয় না — প্রত্যাশিত কলাম ইতিমধ্যে সম্পূর্ণ গ্রাউন্ড ট্রুথ যেমন আছে ধরে রেখেছে।