Whisper large-v3-turbo — Benchmark převodu mongolské řeči na text
Skutečné výsledky ze Whisper large-v3-turbo 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 Whisper large-v3-turbo pro dávkový přepis. Bez slev a sjednaných sazeb — hrubá sazba za minutu.
Zdroj ceny: veřejné ceny Whisper large-v3-turbo. Duudlaga Flow je ukázán pouze pro kontext — tato stránka izoluje Whisper large-v3-turbo, 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 Whisper large-v3-turbo, 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 | 100.3% | 56.2% | -0.3% | 0.86× | 330.6s | 382.6s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 99.4% | 47.7% | 0.6% | 1.01× | 645.1s | 640.2s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 101% | 58.1% | -1.0% | 0.55× | 269.8s | 489.7s |
| Modern Voice | — | 92 | 92/92 | 96.8% | 55.6% | 3.2% | 1.18× | 603.8s | 513.8s |
WER vs. rychlost — na vzorek
Každý bod je jeden zvukový vzorek. Ideální místo je vlevo dole (málo chyb, rychle). Whisper large-v3-turbo 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 Whisper large-v3-turbo chybovala — bez přeškrtávání/zámen, jen chyby.
| # | Zvuk | Vzorek | Dataset | Očekáváno (referenční pravda) | Výsledek Whisper large-v3-turbo | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Дээ амсхалд бараа бээхэээ тэндэ мэдэжэээгээээ хэлэээ. | 100.0% | 56.9% | 0/1/7 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | нады заясан аджырғалгеттэгэртэ құрыққын сарай құтсаттэ бәсэнгэ чуэл | 100.0% | 54.7% | 0/4/8 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одо дэ дүр стөл чин рэгэсэсэлэй чэцгэй | 100.0% | 51.9% | 0/0/7 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би боз қолтүү хэрэр гэр цэр дэр хий жабдэг хүн | 60.0% | 29.4% | 0/0/6 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Hann formast orðlas boltgu, borðu hún hærð, þógar, neyrgur fyrir og sér. | 120.0% | 92.2% | 2/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Эсфина þessi орður, get gist í orð. | 100.0% | 83.8% | 0/0/7 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Уүндөрдээд тэний түхээд би бодал чадагүй. | 87.5% | 37.0% | 0/2/5 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | хараан горубтойг үудагаас сай кайлиң хүнүүсыйг сан рэх бэг келл ў. | 137.5% | 62.5% | 3/0/8 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танар отжунгута шүлэл ўүтжүт. | 100.0% | 43.3% | 0/3/4 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ёрөз үлтурэсэй салагы афсэймчэн. | 100.0% | 58.3% | 0/3/4 |
Metodika
Jak byla tato čísla získána.
Poskytovatel: Whisper large-v3-turbo (Whisper large-v3-turbo open weights (4 decoder layers) run locally — the speed-optimised distillation of large-v3.).
Endpoint local (transformers). Jazyk mn. Operating point openai/whisper-large-v3-turbo (language=mn, task=transcribe) 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 Whisper large-v3-turbo, 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.