VibeVoice ASR — Benchmark převodu mongolské řeči na text
Skutečné výsledky ze VibeVoice ASR 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.
258/265 vzorků přepsáno · 100% úspěch
Nižší je lepší · na 265 vzorcích
Cena
Ceník VibeVoice ASR pro dávkový přepis. Bez slev a sjednaných sazeb — hrubá sazba za minutu.
Zdroj ceny: veřejné ceny VibeVoice ASR. Duudlaga Flow je ukázán pouze pro kontext — tato stránka izoluje VibeVoice ASR, 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 VibeVoice ASR, 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 | 57/59 | 98.9% | 59.2% | 1.1% | 0.56× | 318.8s | 574.1s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 59/60 | 114.2% | 58% | -14.2% | 0.63× | 630.9s | 1003.2s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 52/54 | 103.8% | 62.2% | -3.8% | 0.57× | 258.2s | 452.9s |
| Modern Voice | — | 92 | 90/92 | 109.4% | 63.4% | -9.4% | 0.43× | 580.6s | 1338.1s |
WER vs. rychlost — na vzorek
Každý bod je jeden zvukový vzorek. Ideální místo je vlevo dole (málo chyb, rychle). VibeVoice ASR 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 VibeVoice ASR chybovala — bez přeškrtávání/zámen, jen chyby.
| # | Zvuk | Vzorek | Dataset | Očekáváno (referenční pravda) | Výsledek VibeVoice ASR | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Китэйм солонгос рахасаа, мөн тэнд мэдэгдэхгүй байна шүү дээ. | 112.5% | 63.8% | 1/0/8 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад зээс санагч ралхитэг юрдогорхон сарын хутагдай байсан гэж байна. | 66.7% | 42.7% | 0/2/6 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Атаа титурстуучин бийгээс ард хичээсгээд. | 100.0% | 55.8% | 0/2/5 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бас алтуу хэдэр гэр, эцэрг дэргий чи аптахуун. | 80.0% | 43.1% | 0/1/7 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Ханхан мэдээлэл, бүртгэл баруунд нэг хэсэг, зөөвөр нэг рус шүршгээ. | 100.0% | 72.7% | 0/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Аз жүн байш, ороудыр, гейт кэсэдэ ороудыр. | 100.0% | 62.2% | 0/0/7 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | О, өндөртөөс танигдаж байгаа бие баталгаатай байна шүү дээ. | 112.5% | 76.1% | 1/0/8 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин, урвдаг, удахас, яглэг, хүмүүсийг санжуулж лүү. | 75.0% | 35.7% | 0/1/5 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танар, очонгутаа, шүлэл, юг, чүүдз. | 100.0% | 30.0% | 0/2/5 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ирсээд үүрдүүр сэсэлтэй өгөөд сэгчихээд. | 100.0% | 72.9% | 0/2/5 |
Metodika
Jak byla tato čísla získána.
Poskytovatel: VibeVoice ASR (Microsoft VibeVoice-ASR (7.6B, MIT) run locally — a long-form speech LLM covering 50+ languages. Needs a Mongolian context prompt: without it, language auto-detection picks the wrong script entirely.).
Endpoint local (transformers). Jazyk mn. Operating point microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. Diarizace none.
Datasety: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 vzorků, celkem 1788.5s 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 VibeVoice ASR, 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.