Whisper large-v3-turbo — Benchmark μετατροπής μογγολικής ομιλίας σε κείμενο
Πραγματικά αποτελέσματα από το Whisper large-v3-turbo 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-turbo για ομαδική μεταγραφή. Χωρίς εκπτώσεις ή διαπραγματευμένες τιμές — η ακατέργαστη τιμή ανά λεπτό.
Πηγή τιμής: δημόσιες τιμές Whisper large-v3-turbo. Το Duudlaga Flow εμφανίζεται μόνο για πλαίσιο — αυτή η σελίδα απομονώνει το Whisper large-v3-turbo 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-turbo, 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 | 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 ταχύτητα — ανά δείγμα
Κάθε κουκκίδα είναι ένα δείγμα ήχου. Το ιδανικό σημείο είναι κάτω αριστερά (λίγο σφάλμα, γρήγορα). Το Whisper large-v3-turbo 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-turbo — χωρίς διαγραφές/αντικαταστάσεις, μόνο τα λάθη.
| # | Ήχος | Δείγμα | Σύνολο δεδομένων | Αναμένεται (αλήθεια αναφοράς) | Αποτέλεσμα Whisper large-v3-turbo | 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 |
Μεθοδολογία
Πώς προέκυψαν αυτοί οι αριθμοί.
Πάροχος: 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). Γλώσσα mn. Operating point openai/whisper-large-v3-turbo (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-turbo, 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.