Whisper large-v3 — Benchmark μετατροπής μογγολικής ομιλίας σε κείμενο
Πραγματικά αποτελέσματα από το Whisper large-v3 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 Whisper large-v3 για ομαδική μεταγραφή. Χωρίς εκπτώσεις ή διαπραγματευμένες τιμές — η ακατέργαστη τιμή ανά λεπτό.
Πηγή τιμής: δημόσιες τιμές Whisper large-v3. Το Duudlaga Flow εμφανίζεται μόνο για πλαίσιο — αυτή η σελίδα απομονώνει το Whisper large-v3 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 Whisper large-v3, 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 | 91.2% | 38.8% | 8.8% | 0.72× | 330.6s | 456.5s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 86.2% | 33% | 13.8% | 1.87× | 645.1s | 344.8s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 94% | 41% | 6.0% | 1.13× | 269.8s | 238.3s |
| Modern Voice | — | 92 | 92/92 | 87.7% | 37.2% | 12.3% | 1.53× | 603.8s | 394.1s |
WER vs ταχύτητα — ανά δείγμα
Κάθε κουκκίδα είναι ένα δείγμα ήχου. Το ιδανικό σημείο είναι κάτω αριστερά (λίγο σφάλμα, γρήγορα). Το Whisper large-v3 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 Whisper large-v3 — χωρίς διαγραφές/αντικαταστάσεις, μόνο τα λάθη.
| # | Ήχος | Δείγμα | Σύνολο δεδομένων | Αναμένεται (αλήθεια αναφοράς) | Αποτέλεσμα Whisper large-v3 | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Кэлтээ амсгол түрээ хасаа омон танд мэдэж байгаа хэлээ. | 87.5% | 32.8% | 1/0/6 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надзай асан аджирал гэдэгээрдээ үрхүн сарай хүгцадтай байсан гэж бүх. | 83.3% | 33.3% | 0/2/8 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Атаах тээ төрч төрч энрээгээсээ салхих чигцгээ. | 100.0% | 53.8% | 0/0/7 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би босголту хэрээр гэр хэцэр дэрхийж ябдог хүн. | 70.0% | 17.6% | 0/2/5 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Ханхурмас дуу орлос болдгой бараа үгэнээ 2 лоогуу арны эргүйлэхээр ягалж байна. | 120.0% | 51.9% | 2/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Аж байнааша ородор, гэдгэжтэй оров. | 85.7% | 35.1% | 0/2/4 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Уу, үндэр дээд таныи тухууд би бааталг чалтахгүй. | 87.5% | 28.3% | 0/0/7 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин 3-тэг хуудагаса эхлэн хүмүүстэг сайнархаж гэлэв. | 75.0% | 35.7% | 0/0/6 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танр очингууд шүүллэл үхж байз. | 100.0% | 50.0% | 0/2/5 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ерөөсөөл үүлтүрөссээ салаагуу ябсан имч нь. | 100.0% | 33.3% | 0/1/6 |
Μεθοδολογία
Πώς προέκυψαν αυτοί οι αριθμοί.
Πάροχος: Whisper large-v3 (OpenAI Whisper large-v3 open weights run locally with an explicit Mongolian language token — the reference open-source ASR baseline.).
Endpoint local (transformers). Γλώσσα mn. Operating point openai/whisper-large-v3 (language=mn, task=transcribe) on mps. 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 Whisper large-v3, 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.