Whisper large-v3 MN — معیار تبدیل گفتار مغولی به متن
نتایج واقعی از Whisper large-v3 MN Batch API (نقطه عملیاتی بهبودیافته، زبان mn) ارزیابیشده روی 4 مجموعه داده مغولی و 265 نمونه صوتی. هر عدد زیر اندازهگیری شده است — بازاریابی نیست. WER، سرعت و قیمت همانگونه که هستند نمایش داده میشوند، با صداقتی بیپرده.
265/265 نمونه پیادهسازی شد · ۱۰۰٪ موفقیت
کمتر بهتر است · روی 265 نمونه
قیمت
قیمت فهرست Whisper large-v3 MN برای پیادهسازی دستهای. بدون تخفیف یا نرخ توافقی — نرخ خام به ازای هر دقیقه.
منبع قیمت: قیمتهای عمومی Whisper large-v3 MN. Duudlaga Flow فقط برای زمینه نمایش داده میشود — این صفحه Whisper large-v3 MN را جدا میکند تا عدد با محصول ما بزرگنمایی نشود.
WER و CER به ازای مجموعه داده
نرخهای خطای کلمه و نویسه به ازای مجموعه داده. کمتر بهتر است — و این اعداد واقعی Whisper large-v3 MN هستند که در Common Voice 24 ضعیفاند.
خلاصه مجموعه دادهها
دقت، سرعت و زمان تجمیعی برای هر مجموعه داده.
| مجموعه داده | Source | نمونهها | موفقیت | WER | CER | دقت | سرعت | صوت (ث) | پردازش (ث) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 40.1% | 13.1% | 59.9% | 1.51× | 330.6s | 218.4s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 28.6% | 8.8% | 71.4% | 1.76× | 645.1s | 367.1s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 41.3% | 15.8% | 58.7% | 1.34× | 269.8s | 200.9s |
| Modern Voice | — | 92 | 92/92 | 44.9% | 19.3% | 55.1% | 1.56× | 603.8s | 388.2s |
WER در برابر سرعت — به ازای نمونه
هر نقطه یک نمونه صوتی است. جای ایدهآل پایین-چپ است (خطای کم، سریع). Whisper large-v3 MN در بسیاری از نمونههای Common Voice 24 خطای بالایی دارد.
نتایج به ازای نمونه
حقیقت مرجع همانگونه که هست در ستون «مورد انتظار» نمایش داده میشود. ستون نتیجه فقط کلماتی را که Whisper large-v3 MN اشتباه کرده قرمز برجسته میکند — بدون خطخوردگی/جابهجایی، فقط اشتباهها.
| # | صدا | نمونه | مجموعه داده | مورد انتظار (حقیقت مرجع) | نتیجه Whisper large-v3 MN | 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 байгаагаа хэлээ | 12.5% | 3.4% | 0/0/1 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | надад заяасан аж жаргал гэдэг эрдээ гуравхан сарын хугацаатай байсан гэж үү | 16.7% | 5.3% | 0/0/2 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | одоо би дөөрч дөө өвчин эмгээгээсээ салахыг чивцгээв | 71.4% | 19.2% | 1/0/4 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | би бол голдуу хээрээр гэр хэцээр дэрхий ч явдаг хүн | 20.0% | 5.9% | 0/0/2 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | ханхурамс дуурлас болдоггүй бороогүйн хоёр луугаар нэргүүлэхээр явуулжээ | 80.0% | 22.1% | 0/2/6 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | алив наашаа ороодор гээд гэртэй оров | 42.9% | 8.1% | 0/1/2 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | өө өндөр дээд таны тухайд би батал ч алдахгүй | 50.0% | 10.9% | 1/0/3 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв | 0.0% | 0.0% | 0/0/0 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | танар очингуутаа шөлөл өгчүүз | 85.7% | 10.0% | 0/3/3 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | ерөөсөө л үйлдвэрээсээ салаагүй явсан юм чинь | 14.3% | 6.2% | 0/0/1 |
روششناسی
این اعداد چگونه به دست آمدند.
ارائهدهنده: Whisper large-v3 MN (Whisper large-v3 fine-tuned on Mongolian Common Voice 16.1 + FLEURS. Same author as the Common Voice 20 corpus in this benchmark, so its Common Voice scores should be read with train/test overlap in mind.). Models with this badge were trained on data that overlaps the benchmark corpora (Mongolian Common Voice — 113 of 173 samples — or the public Shunya Labs corpus). Scores on overlapping corpora are inflated by memorization; judge these models by the per-dataset table on their details page, especially the corpora they were NOT trained on.
اندپوینت local (transformers). زبان mn. Operating point warmestman/whisper-large-v3-mn-cv-fleurs (Mongolian fine-tune) on mps. تفکیک گویندگان none.
مجموعههای داده: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 نمونه، مجموعاً 1849.3s صوت.
- 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—
معیارها: WER و CER با همترازی استاندارد لوناشتاین کلمه/نویسه و با نرمالسازی حروف بزرگ/کوچک و نقطهگذاری محاسبه میشوند. دقت = ۱۰۰ − WER. ضریب سرعت = مدت صوت ÷ زمان پردازش (× زمان واقعی). همه درخواستها فراخوانی واقعی Batch API Whisper large-v3 MN هستند، نه کششده یا شبیهسازیشده.
برجستهسازی تفاوتها: ستون نتیجه با حقیقت مرجع همتراز میشود و هر جایگزینی و درجی را قرمز میکند. حذفها (کلمات غایب در نتیجه) در ستون نتیجه نمایش داده نمیشوند — ستون «مورد انتظار» کل حقیقت مرجع را همانگونه که هست دربردارد.