Qwen3-ASR-Flash — Benchmark μετατροπής μογγολικής ομιλίας σε κείμενο
Πραγματικά αποτελέσματα από το Qwen3-ASR-Flash Batch API (βελτιωμένο σημείο λειτουργίας, γλώσσα auto (mn rejected)) 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 Qwen3-ASR-Flash για ομαδική μεταγραφή. Χωρίς εκπτώσεις ή διαπραγματευμένες τιμές — η ακατέργαστη τιμή ανά λεπτό.
Πηγή τιμής: δημόσιες τιμές Qwen3-ASR-Flash. Το Duudlaga Flow εμφανίζεται μόνο για πλαίσιο — αυτή η σελίδα απομονώνει το Qwen3-ASR-Flash 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 Qwen3-ASR-Flash, 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 | 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 ταχύτητα — ανά δείγμα
Κάθε κουκκίδα είναι ένα δείγμα ήχου. Το ιδανικό σημείο είναι κάτω αριστερά (λίγο σφάλμα, γρήγορα). Το Qwen3-ASR-Flash 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 Qwen3-ASR-Flash — χωρίς διαγραφές/αντικαταστάσεις, μόνο τα λάθη.
| # | Ήχος | Δείγμα | Σύνολο δεδομένων | Αναμένεται (αλήθεια αναφοράς) | Αποτέλεσμα Qwen3-ASR-Flash | 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 |
Μεθοδολογία
Πώς προέκυψαν αυτοί οι αριθμοί.
Πάροχος: 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. Γλώσσα auto (mn rejected). Operating point qwen3-asr-flash. 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 Qwen3-ASR-Flash, 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.