Tabla comparativa de voz a texto en mongol

Compara la tasa de error de palabras, la velocidad y el precio de los proveedores de voz a texto para mongol. Cada número se mide en audio mongol real — no marketing.

Conjuntos de datos usados

Corpus de voz públicos usados en cada ejecución de proveedor. Abre una URL de origen para ver la ficha del conjunto de datos, su licencia y la descarga.

Common Voice 24 (MN)›https://huggingface.co/datasets/btsee/common-voices-24-mn
Shunya Labs Mongolian Speech›https://huggingface.co/datasets/shunyalabs/mongolian-speech-dataset
Common Voice 20 (MN)›https://huggingface.co/datasets/warmestman/common-voice-20-mn-normalized
Modern Voice›Grabado por nosotros para este benchmark: el audio no se distribuye, solo las métricas.

WER frente a velocidad

Cada punto es un proveedor. El punto ideal es abajo a la derecha (poco error, rápido). Medido en audio mongol real.

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

Comparación de proveedores

Ordena cualquier columna. Haz clic en Detalles para el desglose por muestra, precios y metodología de un proveedor.

Código abierto

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

Todos los resultados se miden en datasets mongoles reales. La velocidad es × tiempo real (más alto es más rápido). Un WER más bajo es mejor.

Solapamiento— Los modelos con esta insignia se entrenaron con datos que se solapan con los corpus del benchmark (Common Voice en mongol —113 de 173 muestras— o el corpus público de Shunya Labs). Las puntuaciones en corpus solapados están infladas por memorización; juzga estos modelos por la tabla por conjunto de datos de su página de detalles, sobre todo por los corpus con los que NO se entrenaron.

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.

Proveedor	WER	CER	Precisión	Velocidad
1Duudlaga FlowNuestro	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 v2Código abierto	22.9%	10.4%	77.1%	4.32×
7Whisper large-v2 MNCódigo abierto	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 4Código abierto	27.7%	13.2%	72.3%	1.04×
12OmniASR LLM-1BCódigo abierto	34.5%	14.5%	65.5%	0.27×
13Whisper medium MNCódigo abiertoSolapamiento	35.1%	14.8%	64.9%	2.71×
14Whisper turbo MNCódigo abiertoSolapamiento	37.6%	14.1%	62.4%	2.59×
15Whisper large-v3 MNCódigo abiertoSolapamiento	41%	17.1%	59%	1.58×
16GPT-4o Transcribe	44.3%	23.7%	55.7%	2.62×
17MMS-1B-allCódigo abierto	45.3%	15.1%	54.7%	20.52×
18Dolphin smallCódigo abierto	46.1%	19%	53.9%	1.69×
19W2v-BERT 2.0 MNCódigo abiertoSolapamiento	46.3%	18.2%	53.7%	28.12×
20OmniASR CTC-1BCódigo abierto	54.9%	18.9%	45.1%	0.59×
21wav2vec2 XLSR-53 MNCódigo abiertoSolapamiento	56.3%	23.9%	43.7%	45.7×
22Whisper large-v3Código abierto	87.3%	36.6%	12.7%	1.55×
23Gladia	88.1%	39.9%	11.9%	0.74×
24Moonshine MNCódigo abiertoSolapamiento	96.2%	75.7%	3.8%	8.36×
25Whisper large-v3-turboCódigo abierto	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 ASRCódigo abierto	110.1%	64%	-10.1%	0.4×

Grabado por nosotros para este benchmark: el audio no se distribuye, solo las métricas.