GPT-4o Transcribe — Benchmark μετατροπής μογγολικής ομιλίας σε κείμενο
Πραγματικά αποτελέσματα από το GPT-4o Transcribe Batch API (βελτιωμένο σημείο λειτουργίας, γλώσσα mn) αξιολογημένα σε 4 μογγολικά σύνολα δεδομένων και 265 δείγματα ήχου. Κάθε αριθμός παρακάτω είναι μετρημένος — όχι μάρκετινγκ. Τα WER, η ταχύτητα και η τιμή εμφανίζονται ως έχουν, ωμά ειλικρινή.
265/265 δείγματα μεταγράφηκαν · 100% επιτυχία
Χαμηλότερο είναι καλύτερο · σε 265 δείγματα
Τιμολόγηση
Τιμή καταλόγου GPT-4o Transcribe για ομαδική μεταγραφή. Χωρίς εκπτώσεις ή διαπραγματευμένες τιμές — η ακατέργαστη τιμή ανά λεπτό.
Πηγή τιμής: δημόσιες τιμές GPT-4o Transcribe. Το Duudlaga Flow εμφανίζεται μόνο για πλαίσιο — αυτή η σελίδα απομονώνει το GPT-4o Transcribe ώστε ο αριθμός να μην διογκώνεται από το προϊόν μας.
WER και CER ανά σύνολο δεδομένων
Ρυθμοί σφάλματος λέξεων και χαρακτήρων ανά σύνολο δεδομένων. Χαμηλότερο είναι καλύτερο — και αυτά είναι τα πραγματικά νούμερα του GPT-4o Transcribe, τα οποία είναι αδύναμα στο Common Voice 24.
Σύνοψη συνόλων δεδομένων
Συνολική ακρίβεια, ταχύτητα και χρονισμός για κάθε σύνολο δεδομένων.
| Σύνολο δεδομένων | Source | Δείγματα | Επιτυχία | WER | CER | Ακρίβεια | Ταχύτητα | Ήχος (δ) | Επεξ. (δ) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 61.3% | 31.1% | 38.7% | 2.73× | 330.6s | 121.2s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 41.7% | 19.4% | 58.3% | 1.67× | 645.1s | 386.8s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 65.9% | 36.4% | 34.1% | 2.01× | 269.8s | 133.9s |
| Modern Voice | — | 92 | 92/92 | 47.4% | 25.5% | 52.6% | 2.59× | 603.8s | 233.4s |
WER vs ταχύτητα — ανά δείγμα
Κάθε κουκκίδα είναι ένα δείγμα ήχου. Το ιδανικό σημείο είναι κάτω αριστερά (λίγο σφάλμα, γρήγορα). Το GPT-4o Transcribe έχει υψηλό σφάλμα σε πολλά δείγματα Common Voice 24.
Αποτελέσματα ανά δείγμα
Η αλήθεια αναφοράς εμφανίζεται αυτούσια στη στήλη Αναμένεται. Η στήλη αποτελέσματος επισημαίνει με κόκκινο μόνο τις λέξεις που έκανε λάθος το GPT-4o Transcribe — χωρίς διαγραφές/αντικαταστάσεις, μόνο τα λάθη.
| # | Ήχος | Δείγμα | Σύνολο δεδομένων | Αναμένεται (αλήθεια αναφοράς) | Αποτέλεσμα GPT-4o Transcribe | 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 яваагаа хэлье. | 12.5% | 6.9% | 0/0/1 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад сая санагдаж байгаа гэхэд ердөө гурван сарийн хугацаатай байсан л гэж үү? | 58.3% | 22.7% | 1/0/6 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одоо би дуртай хүнтэйгээ салахыг хүсч байгаа. | 85.7% | 51.9% | 0/0/6 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бас голдуу хэрээр гэр, хэцэр дээр хийж явдаг хүн. | 40.0% | 9.8% | 0/0/4 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Хаварын сүүлчээс барлагийн хоёр зоогоор нэргүүл шарив. | 100.0% | 66.2% | 0/3/7 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Айсин наашаараад ир, гэж гэртээ оров. | 57.1% | 24.3% | 0/1/3 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Оо, өндөртэд таныг тохойод би баталж чадахгүй. | 62.5% | 23.9% | 0/1/4 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин 33 дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | 12.5% | 8.9% | 0/0/1 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Та нар орчлонгоудаа шүүлт өгч үз. | 42.9% | 30.0% | 0/1/2 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ирүүсөөл үлдүүрээсээ салаагүй явсна юм чинь. | 57.1% | 25.0% | 0/1/3 |
Μεθοδολογία
Πώς προέκυψαν αυτοί οι αριθμοί.
Πάροχος: GPT-4o Transcribe (OpenAI gpt-4o-transcribe hosted transcription (Mongolian prompt hint; 'mn' is not an accepted language code).).
Endpoint https://api.openai.com/v1/audio/transcriptions. Γλώσσα mn. Operating point gpt-4o-transcribe. Διαχωρισμός ομιλούντων none.
Σύνολα δεδομένων: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 δείγματα, συνολικά 1849.3s ήχου.
- 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—
Μετρικές: Τα WER και CER υπολογίζονται με τυποποιημένη στοίχιση Levenshtein λέξεων/χαρακτήρων, κανονικοποιημένη για πεζά/κεφαλαία και στίξη. Ακρίβεια = 100 − WER. Συντελεστής ταχύτητας = διάρκεια ήχου ÷ χρόνος επεξεργασίας (× πραγματικός χρόνος). Όλα τα αιτήματα είναι πραγματικές κλήσεις στο Batch API του GPT-4o Transcribe, όχι στην cache ούτε προσομοιωμένα.
Επισήμανση διαφορών: Η στήλη αποτελέσματος στοιχίζεται με την αλήθεια αναφοράς και χρωματίζει κόκκινη κάθε αντικατάσταση και εισαγωγή. Οι διαγραφές (λέξεις που λείπουν από το αποτέλεσμα) δεν εμφανίζονται στη στήλη αποτελέσματος — η στήλη Αναμένεται ήδη περιέχει όλη την αλήθεια αναφοράς αυτούσια.