Qwen3-ASR-Flash — Benchmark für mongolische Spracherkennung
Echte Ergebnisse der Qwen3-ASR-Flash Batch API (verbesserter Operating Point, Sprache auto (mn rejected)), 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.
265/265 Samples transkribiert · 100 % Erfolg
Niedriger ist besser · über 265 Samples
Preis
Qwen3-ASR-Flash-Listenpreis für Batch-Transkription. Keine Rabatte oder verhandelten Tarife — der rohe Preis pro Minute.
Preisquelle: öffentliche Preise von Qwen3-ASR-Flash. Duudlaga Flow wird nur als Kontext gezeigt — diese Seite isoliert Qwen3-ASR-Flash, 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 Qwen3-ASR-Flash-Zahlen, die bei Common Voice 24 schwach sind.
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 | 105.2% | 90% | -5.2% | 2.81× | 330.6s | 117.7s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 102.3% | 75.2% | -2.3% | 1.94× | 645.1s | 332.9s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 104.5% | 90.4% | -4.5% | 2.71× | 269.8s | 99.5s |
| Modern Voice | — | 92 | 92/92 | 103.2% | 89.1% | -3.2% | 2.04× | 603.8s | 295.3s |
WER vs. Geschwindigkeit — pro Sample
Jeder Punkt ist ein Audio-Sample. Der Sweet Spot ist unten links (wenig Fehler, schnell). Qwen3-ASR-Flash 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 Qwen3-ASR-Flash falsch hatte — keine Durchstreich-Wechsel, nur die Fehler.
| # | Audio | Stichprobe | Datensatz | Erwartet (Ground Truth) | Qwen3-ASR-Flash-Ergebnis | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | كشدا مسخرة خاصة ومن تندم يدي جاغا هي لي. | 112.5% | 87.9% | 1/0/8 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | 나타자야상아처럼깨끗이剃도그러곤살에혹자떼버리는게좋. | 100.0% | 100.0% | 0/11/1 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | أعطى بيدروس دوتشين فيكيسي سفيرًا لتشيكيا. | 100.0% | 92.3% | 0/1/6 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Við varst kalt og hér er gott, ég þyrfti þér ekki að segja það kom. | 150.0% | 111.8% | 5/0/10 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | خانفرم استورت سپورت کویبرا ونیو خیرت ثووگارنیرو شریمچی. | 100.0% | 92.2% | 0/2/8 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | عجبنه شعرة كتكشت تعرف. | 100.0% | 91.9% | 0/3/4 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | أو أنظر تلك التنيطات ببطء شتى. | 100.0% | 89.1% | 0/2/6 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Herhangi rüptükle takas etmek umutsuzca zor çıktı. | 100.0% | 92.9% | 0/1/7 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Таны орчингод шүдлэл тохуч. | 100.0% | 60.0% | 0/3/4 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | 이로써 롤드컵에서 사타구니 없앤 첫. | 100.0% | 91.7% | 0/2/5 |
Methodik
Wie diese Zahlen entstanden sind.
Anbieter: Qwen3-ASR-Flash (Alibaba qwen3-asr-flash hosted transcription with automatic language detection — Mongolian is not a supported language (the API rejects the 'mn' code).).
Endpoint https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation. Sprache auto (mn rejected). Arbeitspunkt qwen3-asr-flash. Diarisierung none.
Datensätze: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 Samples, insgesamt 1849.3s Audio.
- 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 Qwen3-ASR-Flash-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.