Κατάταξη μετατροπής μογγολικής ομιλίας σε κείμενο

Συγκρίνετε τον ρυθμό σφάλματος λέξεων, την ταχύτητα και την τιμή παρόχων μετατροπής ομιλίας σε κείμενο για τα μογγολικά. Κάθε αριθμός μετριέται σε πραγματικό μογγολικό ήχο — όχι μάρκετινγκ.

Datasets used

Public speech corpora used for every provider run. Open a source URL for the upstream dataset card, license, and download.

WER vs ταχύτητα

Κάθε κουκκίδα είναι ένας πάροχος. Το ιδανικό σημείο είναι κάτω δεξιά (λίγο σφάλμα, γρήγορα). Μετρημένο σε πραγματικό μογγολικό ήχο.

Google STTDuudlaga FlowSpeechmaticsChimegeOpenAI WhisperGPT-4o TranscribeAzure SpeechGladiaGemma 4Whisper large-v3Whisper large-v3-turboWhisper large-v2 MNSeamlessM4T v2MMS-1B-allMoonshine MNwav2vec2 XLSR-53 MNWhisper turbo MNWhisper medium MNElevenLabs Scribe v1ElevenLabs Scribe v2Qwen3-ASR-FlashDolphin smallOmniASR CTC-1BOmniASR LLM-1BVibeVoice ASRWhisper large-v3 MN

Σύγκριση παρόχων

Ταξινομήστε οποιαδήποτε στήλη. Κάντε κλικ στο Λεπτομέρειες για την ανάλυση ανά δείγμα, τις τιμές και τη μεθοδολογία ενός παρόχου.

ΠάροχοςWER ↑CERΑκρίβειαΤαχύτηταΚαθυστέρησηΤιμή / 1000 λεπτά
Speechmatics
14.4%7.4%85.6%0.51×13.8s$8.5Λεπτομέρειες
Duudlaga FlowΔικός μας
14.6%7.6%85.4%1.47×5.2s$19.4Λεπτομέρειες
Chimege
14.6%6.6%85.4%1.51×4.7s$11.1Λεπτομέρειες
Google STT
16.9%7.4%83.1%1.98×3.7s$16Λεπτομέρειες
Whisper large-v2 MN
20.7%8.3%79.3%0.53×13.5s$0Λεπτομέρειες
Azure Speech
20.8%9.7%79.2%0.39×17.3s$16.7Λεπτομέρειες
Whisper medium MNOverlap
22.5%8.9%77.5%2.7×2.7s$0Λεπτομέρειες
SeamlessM4T v2
24%11.1%76%0.39×26.3s$0Λεπτομέρειες
Whisper turbo MNOverlap
25.7%9.2%74.3%2.43×3.0s$0Λεπτομέρειες
ElevenLabs Scribe v1
27.1%10.8%72.9%2.14×3.3s$6.7Λεπτομέρειες
ElevenLabs Scribe v2
27.1%10.6%72.9%1.51×4.7s$3.7Λεπτομέρειες
Gemma 4
30.2%14.7%69.8%1×7.3s$0Λεπτομέρειες
OmniASR LLM-1B
33.8%14.2%66.2%0.27×26.6s$0Λεπτομέρειες
Whisper large-v3 MNOverlap
39.4%14.9%60.6%1.57×4.5s$0Λεπτομέρειες
MMS-1B-all
41.7%12.3%58.3%19.2×0.4s$0Λεπτομέρειες
wav2vec2 XLSR-53 MNOverlap
45%16.4%55%42.32×0.2s$0Λεπτομέρειες
Dolphin small
49.1%19.2%50.9%1.73×4.1s$0Λεπτομέρειες
OmniASR CTC-1B
51.2%15.5%48.8%0.6×11.7s$0Λεπτομέρειες
GPT-4o Transcribe
53%27.6%47%2.11×3.7s$6Λεπτομέρειες
Moonshine MNOverlap
58.8%45.2%41.2%8.44×0.8s$0Λεπτομέρειες
Whisper large-v3
89.5%37.4%10.5%1.29×6.0s$0Λεπτομέρειες
Gladia
90.1%38.9%9.9%0.75×9.4s$10.2Λεπτομέρειες
Whisper large-v3-turbo
99%54.4%1%0.91×8.7s$0Λεπτομέρειες
Qwen3-ASR-Flash
103.7%86.4%-3.7%2.19×3.2s$2.1Λεπτομέρειες
OpenAI Whisper
105.2%63.7%-5.2%1.5×4.5s$6Λεπτομέρειες
VibeVoice ASR
107%61%-7%0.53×12.1s$0Λεπτομέρειες
Gemini Flash
Το benchmark έρχεται σύντομα

Όλα τα αποτελέσματα μετρώνται σε πραγματικά μογγολικά σύνολα δεδομένων. Η ταχύτητα είναι × πραγματικός χρόνος (υψηλότερο = γρηγορότερο). Χαμηλότερο WER είναι καλύτερο.

Overlap— Models with this badge were trained on data that overlaps the benchmark corpora (Mongolian Common Voice — 113 of 173 samples — or the public Shunya Labs corpus). Scores on overlapping corpora are inflated by memorization; judge these models by the per-dataset table on their details page, especially the corpora they were NOT trained on.

Duudlaga Voice Set

92 samples · 10.2 min · 28 systems

A second corpus recorded first-party for this benchmark, covering what the public Mongolian datasets barely contain: modern loanwords, English/Mongolian code-switching, numbers, dates, and commands. Every system is measured on the same 92 recordings.

ΠάροχοςWERCERΑκρίβειαΤαχύτητα
1Duudlaga FlowΔικός μας
9.5%5.3%90.5%1.27×
2Google STT
11.7%5.5%88.3%2.28×
3Chimege
14.5%6.8%85.5%1.48×
4Speechmatics
15.3%7.6%84.7%0.5×
5Gemini 3.5 Flash
19.5%11.4%80.5%0.06×
6SeamlessM4T v2Ανοιχτού κώδικα
22.9%10.4%77.1%4.32×
7Whisper large-v2 MNΑνοιχτού κώδικα
23.2%10.9%76.8%0.55×
8ElevenLabs Scribe v1
23.4%9.3%76.6%2.09×
9ElevenLabs Scribe v2
24.6%9.8%75.4%1.47×
10Azure Speech
26.1%10.9%73.9%0.32×
11Gemma 4Ανοιχτού κώδικα
27.7%13.2%72.3%1.04×
12OmniASR LLM-1BΑνοιχτού κώδικα
34.5%14.5%65.5%0.27×
13Whisper medium MNΑνοιχτού κώδικαOverlap
35.1%14.8%64.9%2.71×
14Whisper turbo MNΑνοιχτού κώδικαOverlap
37.6%14.1%62.4%2.59×
15Whisper large-v3 MNΑνοιχτού κώδικαOverlap
41%17.1%59%1.58×
16GPT-4o Transcribe
44.3%23.7%55.7%2.62×
17MMS-1B-allΑνοιχτού κώδικα
45.3%15.1%54.7%20.52×
18Dolphin smallΑνοιχτού κώδικα
46.1%19%53.9%1.69×
19W2v-BERT 2.0 MNΑνοιχτού κώδικαOverlap
46.3%18.2%53.7%28.12×
20OmniASR CTC-1BΑνοιχτού κώδικα
54.9%18.9%45.1%0.59×
21wav2vec2 XLSR-53 MNΑνοιχτού κώδικαOverlap
56.3%23.9%43.7%45.7×
22Whisper large-v3Ανοιχτού κώδικα
87.3%36.6%12.7%1.55×
23Gladia
88.1%39.9%11.9%0.74×
24Moonshine MNΑνοιχτού κώδικαOverlap
96.2%75.7%3.8%8.36×
25Whisper large-v3-turboΑνοιχτού κώδικα
98.1%57.1%1.9%1.19×
26Qwen3-ASR-Flash
103.6%89.9%-3.6%2.07×
27OpenAI Whisper
104.6%63.8%-4.6%1.32×
28VibeVoice ASRΑνοιχτού κώδικα
110.1%64%-10.1%0.4×

Recorded first-party for this benchmark — audio not distributed, metrics only.