Google STT — Benchmark převodu mongolské řeči na text
Skutečné výsledky ze Google STT Batch API (vylepšený provozní bod, jazyk mn-MN) vyhodnocené na 4 mongolských datasetech a 265 zvukových vzorcích. Každé číslo níže je změřené — ne marketing. WER, rychlost a cena jsou ukázány tak, jak jsou, brutálně poctivě.
265/265 vzorků přepsáno · 100% úspěch
Nižší je lepší · na 265 vzorcích
Cena
Ceník Google STT pro dávkový přepis. Bez slev a sjednaných sazeb — hrubá sazba za minutu.
Zdroj ceny: veřejné ceny Google STT. Duudlaga Flow je ukázán pouze pro kontext — tato stránka izoluje Google STT, aby číslo nebylo nafouknuté naším produktem.
WER a CER podle datasetu
Míry chybovosti slov a znaků podle datasetu. Nižší je lepší — a to jsou skutečná čísla Google STT, která jsou slabá na Common Voice 24.
Souhrn datasetů
Agregovaná přesnost, rychlost a časování pro každý dataset.
| Dataset | Source | Vzorky | Úspěch | WER | CER | Přesnost | Rychlost | Zvuk (s) | Zprac. (s) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 16.7% | 6% | 83.3% | 2.03× | —s | —s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 10.5% | 4% | 89.5% | 2.45× | —s | —s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 21.3% | 8.7% | 78.7% | 1.44× | —s | —s |
| Modern Voice | — | 92 | 92/92 | 18.7% | 9.9% | 81.3% | 2.06× | 603.8s | 293s |
WER vs. rychlost — na vzorek
Každý bod je jeden zvukový vzorek. Ideální místo je vlevo dole (málo chyb, rychle). Google STT má vysokou chybovost u mnoha vzorků Common Voice 24.
Výsledky na vzorek
Referenční pravda je ukázána doslova ve sloupci Očekáváno. Sloupec výsledku červeně zvýrazní pouze slova, která Google STT chybovala — bez přeškrtávání/zámen, jen chyby.
| # | Zvuk | Vzorek | Dataset | Očekáváno (referenční pravda) | Výsledek Google STT | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee-cv24-mn-0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | 0.0% | 0.0% | 0/0/0 | |
| 2 | btsee-cv24-mn-0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | 0.0% | 0.0% | 0/0/0 | |
| 3 | btsee-cv24-mn-0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | 0.0% | 0.0% | 0/0/0 | |
| 4 | btsee-cv24-mn-0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бол голдуу хээрээр гэр хэцээр дэр хийж явдаг хүн. | 0.0% | 0.0% | 0/0/0 | |
| 5 | btsee-cv24-mn-0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Хаан Хормистуусын болтугай баруун хоёр дахь луугаар нэргүүлэхээр явжээ. | 100.0% | 41.6% | 0/1/9 | |
| 6 | btsee-cv24-mn-0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Алив наашаа ороод ир гээд гэртээ оров. | 0.0% | 0.0% | 0/0/0 | |
| 7 | btsee-cv24-mn-0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Өө, өндөр дээдэс, таны тухайд би баталж чадахгүй. | 0.0% | 0.0% | 0/0/0 | |
| 8 | btsee-cv24-mn-0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин гурав дахь удаагаасаа эхлэн хүмүүсийг сонирхож эхлэв. | 12.5% | 3.6% | 0/0/1 | |
| 9 | btsee-cv24-mn-0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Та нар очингуутаа шүлэл өгч үз. | 28.6% | 6.7% | 0/1/1 | |
| 10 | btsee-cv24-mn-0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ерөөсөө л үйлдвэрээсээ салаагүй явсан юм чинь. | 14.3% | 6.2% | 0/0/1 |
Metodika
Jak byla tato čísla získána.
Poskytovatel: Google STT (Google Cloud Speech-to-Text V2 raw transcription.).
Endpoint http://localhost:8080/transcribe. Jazyk mn-MN. Interpunkce odstraněna pro WER.
Datasety: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 vzorků, celkem 1849.3s zvuku.
- 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—
Metriky: WER a CER se počítají standardním zarovnáním Levenshtein nad slovy/znaky s normalizací velikosti písmen a interpunkce. Přesnost = 100 − WER. Rychlostní faktor = délka zvuku ÷ doba zpracování (× reálný čas). Všechny požadavky jsou skutečná volání Batch API Google STT, ne z mezipaměti ani simulovaná.
Zvýraznění rozdílů: Sloupec výsledku se zarovnává k referenční pravdě a barví červeně každou substituci a insertci. Delece (slova chybějící ve výsledku) se ve sloupci výsledku nezobrazují — sloupec Očekáváno již obsahuje celou referenční pravdu tak, jak je.