Mongolische Spracherkennungs-Bestenliste

ElevenLabs Scribe v2Arbeitspunkt: scribe_v2

ElevenLabs Scribe v2 — Benchmark für mongolische Spracherkennung

Echte Ergebnisse der ElevenLabs Scribe v2 Batch API (verbesserter Operating Point, Sprache mn), ausgewertet auf 4 mongolischen Datensätzen und 265 Audio-Samples. Alle Zahlen unten sind gemessen — keine Werbung. WER, Geschwindigkeit und Preis werden ungeschönt und brutal ehrlich gezeigt.

Sprache:MNDiarisierung:noneStichproben:265Lauf:Aug 19, 2026, 6:13 PMEndpoint:https://api.elevenlabs.io/v1/speech-to-text

Genauigkeit

265/265 Samples transkribiert · 100 % Erfolg

Wortfehlerrate

Niedriger ist besser · über 265 Samples

Kennzahlen

Zeichenfehlerrate10.6%

Ø Geschwindigkeitsfaktor1.51×Echtzeit-Vielfaches

Gesamt-Geschwindigkeitsfaktor1.51×

Ø Latenz pro Sample4.7s

Verarbeitetes Audio gesamt1849.3s30.8 Min.

Preis

ElevenLabs Scribe v2-Listenpreis für Batch-Transkription. Keine Rabatte oder verhandelten Tarife — der rohe Preis pro Minute.

Pro 1000 Minuten

$3.7

Batch

Pro Minute

$0.0037

effektiv

Pro 1000 Min (diese 30.8 Min)

$6.84

würde kosten

Open Source?

✗

proprietär

Preisquelle: öffentliche Preise von ElevenLabs Scribe v2. Duudlaga Flow wird nur als Kontext gezeigt — diese Seite isoliert ElevenLabs Scribe v2, damit die Zahl nicht durch unser eigenes Produkt aufgebläht wird.

WER & CER nach Datensatz

Wort- und Zeichenfehlerraten pro Datensatz. Niedriger ist besser — und dies sind die echten ElevenLabs Scribe v2-Zahlen, die bei Common Voice 24 schwach sind.

Common Voice 24 (MN)

Quelldatensatz →

WER

28.5%

CER

10.6%

Shunya Labs Mongolian Speech

Quelldatensatz →

WER

19.2%

CER

6.3%

Common Voice 20 (MN)

Quelldatensatz →

WER

29.4%

CER

11.4%

Modern Voice

WER

29.8%

CER

13%

WERCER

Datensatz-Zusammenfassung

Aggregierte Genauigkeit, Geschwindigkeit und Zeitmessung je Datensatz.

Datensatz	Quelle	Stichproben	Erfolg	WER	CER	Genauigkeit	Geschwindigkeit	Audio (s)	Verarb. (s)
Common Voice 24 (MN)	Hugging Face →	59	59/59	28.5%	10.6%	71.5%	1.33×	330.6s	248.1s
Shunya Labs Mongolian Speech	Hugging Face →	60	60/60	19.2%	6.3%	80.8%	1.74×	645.1s	370.3s
Common Voice 20 (MN)	Hugging Face →	54	54/54	29.4%	11.4%	70.6%	1.41×	269.8s	190.7s
Modern Voice	—	92	92/92	29.8%	13%	70.2%	1.45×	603.8s	416s

WER vs. Geschwindigkeit — pro Sample

Jeder Punkt ist ein Audio-Sample. Der Sweet Spot ist unten links (wenig Fehler, schnell). ElevenLabs Scribe v2 liegt bei vielen Common-Voice-24-Samples hoch im Fehler.

Ergebnisse pro Sample

Die Ground Truth wird in der Spalte „Erwartet“ unverändert gezeigt. Die Ergebnisspalte hebt nur die Wörter rot hervor, die ElevenLabs Scribe v2 falsch hatte — keine Durchstreich-Wechsel, nur die Fehler.

Nur Fehler265 Zeilen

rotfalsches Wort im Ergebnisnormalkorrekt transkribiertDie Spalte „Erwartet“ wird unverändert als Ground Truth gezeigt

#	Stichprobe	Datensatz	Erwartet (Ground Truth)	ElevenLabs Scribe v2-Ergebnis	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 заяасан аж жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү?	8.3%	1.3%	0/0/1
3	btsee_0003	Common Voice 24 (MN)	Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе.	Одоо бид өөрсдөө өвчин эмнэлгээсээ салахыг хичээцгээе.	14.3%	3.8%	0/0/1
4	btsee_0004	Common Voice 24 (MN)	Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн.	Би бол голдуй хээрээр гэр, хэцээр дэр хийж явдаг хүн.	10.0%	2.0%	0/0/1
5	btsee_0005	Common Voice 24 (MN)	Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ.	Хан хурмаст уулс болдоггүй бороо өгнө. Хоёр луугаар нэргүүлэхээр явагч	70.0%	26.0%	0/0/7
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 дээдс таны тухайд би ботолг чадахгүй	25.0%	8.7%	0/0/2
8	btsee_0008	Common Voice 24 (MN)	Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв.	Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв.	0.0%	0.0%	0/0/0
9	btsee_0009	Common Voice 24 (MN)	Та нар очингуутаа шөл л өгч үз.	Та нар очгондоо шүлэл өгч үз	42.9%	30.0%	0/1/2
10	btsee_0010	Common Voice 24 (MN)	Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь.	Эрүүлсээл үйлдвэрээсээ салаагүй явсан юм чинь	28.6%	20.8%	0/1/1

…Seite 1 von 27

Methodik

Wie diese Zahlen entstanden sind.

Anbieter: ElevenLabs Scribe v2 (ElevenLabs Scribe v2 hosted transcription (language_code=mn).).

Endpoint https://api.elevenlabs.io/v1/speech-to-text. Sprache mn. Arbeitspunkt scribe_v2. Diarisierung none.

Datensätze: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 Samples, insgesamt 1849.3s Audio.

Quell-URLs der Datensätze:

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—

Kennzahlen: WER und CER werden mit einem Standard-Wort-/Zeichen-Levenshtein-Alignment berechnet, normalisiert für Groß-/Kleinschreibung und Zeichensetzung. Genauigkeit = 100 − WER. Geschwindigkeitsfaktor = Audiodauer ÷ Verarbeitungszeit (× Echtzeit). Alle Anfragen sind echte ElevenLabs Scribe v2-Batch-API-Aufrufe, weder gecacht noch simuliert.

Diff-Hervorhebung: Die Ergebnisspalte wird an der Ground Truth ausgerichtet und färbt jede Substitution und Insertion rot. Deletionen (im Ergebnis fehlende Wörter) werden nicht in der Ergebnisspalte gezeigt — die Spalte „Erwartet“ enthält bereits die volle Ground Truth unverändert.

Erstellt vom ElevenLabs Scribe v2 Benchmark Runner · ElevenLabs Scribe v2 Batch API v2 · Lauf Aug 19, 2026, 6:13 PM