Whisper large-v3-turbo — Benchmark für mongolische Spracherkennung
Echte Ergebnisse der Whisper large-v3-turbo 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.
265/265 Samples transkribiert · 100 % Erfolg
Niedriger ist besser · über 265 Samples
Preis
Whisper large-v3-turbo-Listenpreis für Batch-Transkription. Keine Rabatte oder verhandelten Tarife — der rohe Preis pro Minute.
Preisquelle: öffentliche Preise von Whisper large-v3-turbo. Duudlaga Flow wird nur als Kontext gezeigt — diese Seite isoliert Whisper large-v3-turbo, 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 Whisper large-v3-turbo-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 | 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. Geschwindigkeit — pro Sample
Jeder Punkt ist ein Audio-Sample. Der Sweet Spot ist unten links (wenig Fehler, schnell). Whisper large-v3-turbo 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 Whisper large-v3-turbo falsch hatte — keine Durchstreich-Wechsel, nur die Fehler.
| # | Audio | Stichprobe | Datensatz | Erwartet (Ground Truth) | Whisper large-v3-turbo-Ergebnis | 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 |
Methodik
Wie diese Zahlen entstanden sind.
Anbieter: 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). Sprache mn. Arbeitspunkt openai/whisper-large-v3-turbo (language=mn, task=transcribe) on mps. 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 Whisper large-v3-turbo-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.