Gemma 4 — Benchmark speech-to-text bahasa Mongol
Hasil nyata dari Gemma 4 Batch API (titik operasi yang disempurnakan, bahasa mn) yang dievaluasi pada 4 dataset bahasa Mongol dan 265 sampel audio. Setiap angka di bawah diukur — bukan pemasaran. WER, kecepatan, dan harga ditampilkan apa adanya, jujur tanpa basa-basi.
265/265 sampel ditranskripsi · 100% sukses
Lebih rendah lebih baik · pada 265 sampel
Harga
Harga daftar Gemma 4 untuk transkripsi batch. Tanpa diskon atau tarif yang dinegosiasikan — tarif mentah per menit.
Sumber harga: harga publik Gemma 4. Duudlaga Flow ditampilkan hanya untuk konteks — halaman ini mengisolasi Gemma 4 agar angka tidak dibesar-besarkan oleh produk kami.
WER & CER per dataset
Tingkat kesalahan kata dan karakter per dataset. Lebih rendah lebih baik — dan ini angka nyata Gemma 4, yang lemah di Common Voice 24.
Ringkasan dataset
Akurasi, kecepatan, dan waktu agregat untuk tiap dataset.
| Dataset | Sumber | Sampel | Sukses | WER | CER | Akurasi | Kecepatan | Audio (dtk) | Proses (dtk) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 32% | 14.3% | 68.0% | 0.99× | 330.6s | 334s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 23.4% | 11% | 76.6% | 1.07× | 645.1s | 604.8s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 30.8% | 15.3% | 69.2% | 0.84× | 269.8s | 322.5s |
| Modern Voice | — | 92 | 92/92 | 33.1% | 16.9% | 66.9% | 1.02× | 603.8s | 589.6s |
WER vs kecepatan — per sampel
Setiap titik adalah satu sampel audio. Titik ideal di kiri bawah (sedikit kesalahan, cepat). Gemma 4 punya kesalahan tinggi pada banyak sampel Common Voice 24.
Hasil per sampel
Kebenaran acuan ditampilkan apa adanya di kolom Diharapkan. Kolom hasil menyorot merah hanya kata yang salah oleh Gemma 4 — tanpa coret-ganti, hanya kesalahan.
| # | Audio | Sampel | Dataset | Diharapkan (kebenaran acuan) | Hasil Gemma 4 | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Гэхдээ амьсгал хураанхаасаа өмнө танд мэдэж байгаагаа хэлье. | 12.5% | 1.7% | 0/0/1 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад заяасан газар бол гэдэг ердөө 3 хоногийн хугацаатай байсан гэж үү? | 33.3% | 22.7% | 0/0/4 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | одоо бид өөрчлөлтөөр өөрийнхөө нэрийг эсээ салахыг хичээгдэхээ | 71.4% | 40.4% | 1/0/4 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | гэ бол голдуу хээрээр гэр, хичээлдээ ирэх гэж явдаг хүн | 40.0% | 25.5% | 0/0/4 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Хамт хүмүүстэй уулзаж, магадгүй бүр угны хоёр рүү гарч ирэхээр явж байна. | 120.0% | 55.8% | 2/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Алив наашаа ороод ир гээд гэртээ оров. | 0.0% | 0.0% | 0/0/0 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Ө өндөр дээд таны тухайд би баталгаажуулахгүй. | 50.0% | 21.7% | 0/1/3 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин гуравдагх удаагаас эхлэх хүмүүсийг сонирхож эхлэв. | 37.5% | 7.1% | 0/1/2 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Та нар орчингуутаа шөлө л өгч үз. | 28.6% | 6.7% | 0/0/2 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | ерөөсөө л үйлдвэрээсээ салавгийн ёс юм чинь | 42.9% | 20.8% | 0/0/3 |
Metodologi
Bagaimana angka ini diperoleh.
Penyedia: Gemma 4 (google/gemma-4-E2B-it with the rookie-systems Mongolian ASR LoRA adapter, run locally on-device (open weights, no API).).
Endpoint local (transformers + PEFT). Bahasa mn. Titik operasi google/gemma-4-E2B-it + rookie-systems/gemma-4-audio-asr-mn-adapter (mps). Diariasis none.
Dataset: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 sampel, total 1849.3s audio.
- 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—
Metrik: WER dan CER dihitung dengan perataan Levenshtein kata/karakter standar, dinormalisasi untuk huruf besar/kecil dan tanda baca. Akurasi = 100 − WER. Faktor kecepatan = durasi audio ÷ waktu pemrosesan (× waktu nyata). Semua permintaan adalah panggilan nyata ke Batch API Gemma 4, bukan cache atau simulasi.
Penyorotan perbedaan: Kolom hasil diratakan ke kebenaran acuan dan mewarnai merah setiap substitusi dan penyisipan. Penghapusan (kata yang hilang dari hasil) tidak ditampilkan di kolom hasil — kolom Diharapkan sudah memuat seluruh kebenaran acuan apa adanya.