SeamlessM4T v2 — Benchmark převodu mongolské řeči na text
Skutečné výsledky ze SeamlessM4T v2 Batch API (vylepšený provozní bod, jazyk 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 SeamlessM4T v2 pro dávkový přepis. Bez slev a sjednaných sazeb — hrubá sazba za minutu.
Zdroj ceny: veřejné ceny SeamlessM4T v2. Duudlaga Flow je ukázán pouze pro kontext — tato stránka izoluje SeamlessM4T v2, 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 SeamlessM4T v2, 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 | 17.6% | 6.3% | 82.4% | 3.59× | 330.6s | 92.1s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 22.2% | 10.2% | 77.8% | 0.25× | 645.1s | 2569.2s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 21.7% | 7.9% | 78.3% | 0.14× | 269.8s | 1897s |
| Modern Voice | — | 92 | 92/92 | 30.9% | 16.7% | 69.1% | 4.26× | 603.8s | 141.6s |
WER vs. rychlost — na vzorek
Každý bod je jeden zvukový vzorek. Ideální místo je vlevo dole (málo chyb, rychle). SeamlessM4T v2 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 SeamlessM4T v2 chybovala — bez přeškrtávání/zámen, jen chyby.
| # | Zvuk | Vzorek | Dataset | Očekáváno (referenční pravda) | Výsledek SeamlessM4T v2 | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_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_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад аясан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | 8.3% | 2.7% | 0/0/1 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одоо бид өөрсдөө өвчнөөр эмгэгээсээ салахыг хичээцгээе. | 14.3% | 7.7% | 0/0/1 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бол голдуу хээрээр гэр, хетээр дэр хийж явдаг хүн. | 10.0% | 3.9% | 0/0/1 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Хан хурамс уурлаж, болдоггүй бор уг нь хоёр луугаар нэхүүлэхээр явуулжээ. | 60.0% | 19.5% | 1/0/5 | |
| 6 | btsee_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_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Өө, өндөр дээдэс таны тухайд би батлаж чадахгүй. | 12.5% | 4.3% | 0/0/1 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | харин гурав дахь удаагаа эхлээд хүмүүсийг сонирхож эхлэв. | 25.0% | 5.4% | 0/0/2 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Та нар очингуутаа шөл л өгч үз. | 0.0% | 0.0% | 0/0/0 | |
| 10 | btsee_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: SeamlessM4T v2 (Meta SeamlessM4T v2 Large speech-to-text run locally, decoding to Halh Mongolian (khk) — 2.3B params covering ~100 source languages.).
Endpoint local (transformers). Jazyk mn. Operating point facebook/seamless-m4t-v2-large (tgt_lang=khk) on mps. Diarizace none.
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 SeamlessM4T v2, 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.