VibeVoice ASRऑपरेटिंग पॉइंट: microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps

VibeVoice ASR — मंगोलियाई स्पीच-टू-टेक्स्ट बेंचमार्क

VibeVoice ASR Batch API (उन्नत संचालन बिंदु, भाषा mn) द्वारा 4 मंगोलियाई डेटासेट और 265 ऑडियो नमूनों पर निर्धारित वास्तविक परिणाम। नीचे का हर अंक मापा गया है — मार्केटिंग नहीं। WER, गति और मूल्य जैसा है वैसे ही, कठोर ईमानदारी से दिखाए गए हैं।

भाषा:MNवक्ता पृथक्करण:noneनमूने:265चलाना:Aug 18, 2026, 8:18 PMएंडपॉइंट:local (transformers)

सटीकता

258/265 नमूने ट्रांसक्राइब किए गए · 100% सफलता

शब्द त्रुटि दर

कम बेहतर है · 265 नमूनों पर

मुख्य मेट्रिक्स

अक्षर त्रुटि दर61%

औसत गति गुणांक0.53×रियल-टाइम गुणक

कुल गति गुणांक0.53×

प्रति नमूना औसत विलंबता12.1s

कुल संसाधित ऑडियो1788.5s29.8 मिनट

मूल्य

बैच ट्रांसक्रिप्शन के लिए VibeVoice ASR की सूची मूल्य। कोई छूट या परक्राम्य दर नहीं — प्रति मिनट कच्चा दर।

प्रति 1000 मिनट

बैच

प्रति मिनट

$0.0000

प्रभावी

प्रति 1000 मिनट (ये 29.8 मिनट)

$0.00

लागत

ओपन सोर्स?

✓

स्वामित्व

मूल्य स्रोत: VibeVoice ASR सार्वजनिक मूल्य। Duudlaga Flow केवल संदर्भ हेतु दिखाया गया है — यह पृष्ठ VibeVoice ASR को अलग करता है ताकि अंक हमारे उत्पाद से न फूले।

डेटासेट अनुसार WER और CER

प्रति डेटासेट शब्द और अक्षर त्रुटि दरें। कम बेहतर है — और ये VibeVoice ASR के वास्तविक अंक हैं, जो Common Voice 24 पर कमज़ोर हैं।

Common Voice 24 (MN)

स्रोत डेटासेट →

WER

98.9%

CER

59.2%

Shunya Labs Mongolian Speech

स्रोत डेटासेट →

WER

114.2%

CER

58%

Common Voice 20 (MN)

स्रोत डेटासेट →

WER

103.8%

CER

62.2%

Modern Voice

WER

109.4%

CER

63.4%

WERCER

डेटासेट सारांश

प्रत्येक डेटासेट की सकल सटीकता, गति और समय।

डेटासेट	स्रोत	नमूने	सफलता	WER	CER	सटीकता	गति	ऑडियो (से)	प्रसं. (से)
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 बनाम गति — प्रति नमूना

प्रत्येक बिंदु एक ऑडियो नमूना है। आदर्श स्थान निचले-बाएँ (कम त्रुटि, तेज़) है। VibeVoice ASR कई Common Voice 24 नमूनों पर त्रुटि में ऊँचा है।

प्रति-नमूना परिणाम

अपेक्षित कॉलम में आधार सत्य यथावत् दिखाया गया है। परिणाम कॉलम केवल वे शब्द लाल में हाइलाइट करता है जिन्हें VibeVoice ASR ने गलत किया — कोई स्ट्राइकथ्रू/स्वैप नहीं, केवल त्रुटियाँ।

सिर्फ़ ग़लतियाँ265 पंक्तियाँ

लालपरिणाम में गलत शब्दसाधारणसही ट्रांसक्राइब किया गयाअपेक्षित कॉलम आधार सत्य के रूप में यथावत् दिखाया गया

#	नमूना	डेटासेट	अपेक्षित (आधार सत्य)	VibeVoice ASR परिणाम	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

…पृष्ठ 1 / 27

कार्यप्रणाली

ये अंक कैसे प्राप्त किए गए।

प्रदाता: 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.).

एंडपॉइंट local (transformers). भाषा mn. ऑपरेटिंग पॉइंट microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. वक्ता पृथक्करण none.

डेटासेट: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 नमूने, कुल 1788.5s ऑडियो।

डेटासेट स्रोत लिंक:

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—

मेट्रिक्स: WER और CER मानक शब्द/अक्षर लेवेनश्टाइन संरेखण से, केस व विराम चिह्न पर अनुमापित, गणना किए जाते हैं। सटीकता = 100 − WER। गति गुणांक = ऑडियो अवधि ÷ प्रसंस्करण समय (× रियल-टाइम)। सभी अनुरोध वास्तविक VibeVoice ASR Batch API कॉल हैं, कैश या सिम्युलेटेड नहीं।

अंतर हाइलाइटिंग: परिणाम कॉलम आधार सत्य से संरेखित होता है और प्रत्येक प्रतिस्थापन व निवेश को लाल रंग करता है। विलोपन (परिणाम से अनुपस्थित शब्द) परिणाम कॉलम में नहीं दिखाए जाते — अपेक्षित कॉलम पहले से संपूर्ण आधार सत्य यथावत् रखता है।

VibeVoice ASR Benchmark Runner द्वारा निर्मित · VibeVoice ASR Batch API v2 · चलाना Aug 18, 2026, 8:18 PM