VibeVoice ASR — Benchmark de reconnaissance vocale en mongol
Résultats réels de la VibeVoice ASR Batch API (point de fonctionnement avancé, langue mn) évalués sur 4 jeux de données mongols et 265 échantillons audio. Tous les chiffres ci-dessous sont mesurés, pas du marketing. Le WER, la vitesse et le prix sont affichés tels quels, brutalement honnêtes.
258/265 échantillons transcrits · 100 % de réussite
Plus bas c'est mieux · sur 265 échantillons
Tarification
Tarif public VibeVoice ASR pour la transcription par lot. Aucune remise ni tarif négocié — le tarif brut par minute.
Source du prix : tarification publique de VibeVoice ASR. Duudlaga Flow est affiché pour contexte uniquement — cette page isole VibeVoice ASR pour que le chiffre ne soit pas gonflé par notre produit.
WER et CER par jeu de données
Taux d'erreur par mot et par caractère pour chaque jeu de données. Plus bas c'est mieux — et ce sont les vrais chiffres de VibeVoice ASR, qui sont faibles sur Common Voice 24.
Résumé par jeu de données
Précision, vitesse et temps agrégés pour chaque jeu de données.
| Jeu de données | Source | Échantillons | Réussite | WER | CER | Précision | Vitesse | Audio (s) | Trait. (s) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 57/59 | 98.9% | 59.2% | 1.1% | 0.56× | 318.8s | 574.1s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 59/60 | 114.2% | 58% | -14.2% | 0.63× | 630.9s | 1003.2s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 52/54 | 103.8% | 62.2% | -3.8% | 0.57× | 258.2s | 452.9s |
| Modern Voice | — | 92 | 90/92 | 109.4% | 63.4% | -9.4% | 0.43× | 580.6s | 1338.1s |
WER vs vitesse — par échantillon
Chaque point est un échantillon audio. L'idéal est en bas à gauche (peu d'erreurs, rapide). VibeVoice ASR a un taux d'erreur élevé sur de nombreux échantillons Common Voice 24.
Résultats par échantillon
La vérité terrain est affichée telle quelle dans la colonne Attendu. La colonne de résultat surligne en rouge uniquement les mots que VibeVoice ASR a ratés — pas de ratures ni d'échanges, juste les erreurs.
| # | Audio | Échantillon | Jeu de données | Attendu (vérité terrain) | Résultat VibeVoice ASR | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Китэйм солонгос рахасаа, мөн тэнд мэдэгдэхгүй байна шүү дээ. | 112.5% | 63.8% | 1/0/8 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад зээс санагч ралхитэг юрдогорхон сарын хутагдай байсан гэж байна. | 66.7% | 42.7% | 0/2/6 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Атаа титурстуучин бийгээс ард хичээсгээд. | 100.0% | 55.8% | 0/2/5 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бас алтуу хэдэр гэр, эцэрг дэргий чи аптахуун. | 80.0% | 43.1% | 0/1/7 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Ханхан мэдээлэл, бүртгэл баруунд нэг хэсэг, зөөвөр нэг рус шүршгээ. | 100.0% | 72.7% | 0/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Аз жүн байш, ороудыр, гейт кэсэдэ ороудыр. | 100.0% | 62.2% | 0/0/7 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | О, өндөртөөс танигдаж байгаа бие баталгаатай байна шүү дээ. | 112.5% | 76.1% | 1/0/8 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин, урвдаг, удахас, яглэг, хүмүүсийг санжуулж лүү. | 75.0% | 35.7% | 0/1/5 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танар, очонгутаа, шүлэл, юг, чүүдз. | 100.0% | 30.0% | 0/2/5 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ирсээд үүрдүүр сэсэлтэй өгөөд сэгчихээд. | 100.0% | 72.9% | 0/2/5 |
Méthodologie
Comment ces chiffres ont été obtenus.
Fournisseur : VibeVoice ASR (Microsoft VibeVoice-ASR (7.6B, MIT) run locally — a long-form speech LLM covering 50+ languages. Needs a Mongolian context prompt: without it, language auto-detection picks the wrong script entirely.).
Endpoint local (transformers). Langue mn. Point de fonctionnement microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. Diariatisation none.
Jeux de données : Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 échantillons, 1788.5s d'audio au total.
- 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—
Métriques : WER et CER sont calculés avec un alignement Levenshtein mots/caractères standard, normalisé sur la casse et la ponctuation. Précision = 100 − WER. Facteur de vitesse = durée audio ÷ temps de traitement (× temps réel). Toutes les requêtes sont de vrais appels à la Batch API de VibeVoice ASR, ni en cache ni simulés.
Surlignage des différences : La colonne de résultat est alignée sur la vérité terrain et colore en rouge chaque substitution et insertion. Les suppressions (mots manquants dans le résultat) ne sont pas affichées dans la colonne de résultat — la colonne Attendu contient déjà toute la vérité terrain telle quelle.