VibeVoice ASR — Benchmark di voce in testo in mongolo
Risultati reali della VibeVoice ASR Batch API (punto di funzionamento avanzato, lingua mn) valutati su 4 dataset mongoli e 265 campioni audio. Ogni numero qui sotto è misurato, non marketing. WER, velocità e prezzo sono mostrati così come sono, brutalmente onesti.
258/265 campioni trascritti · 100% di successo
Più basso è meglio · su 265 campioni
Prezzo
Prezzo di listino di VibeVoice ASR per la trascrizione batch. Nessuno sconto né tariffa concordata — la tariffa lorda al minuto.
Fonte del prezzo: prezzi pubblici di VibeVoice ASR. Duudlaga Flow è mostrato solo per contesto — questa pagina isola VibeVoice ASR affinché il numero non sia gonfiato dal nostro prodotto.
WER e CER per dataset
Tassi di errore delle parole e dei caratteri per dataset. Più basso è meglio — e questi sono i numeri reali di VibeVoice ASR, deboli su Common Voice 24.
Riepilogo per dataset
Accuratezza, velocità e tempi aggregati per ciascun dataset.
| Dataset | Fonte | Campioni | Successo | WER | CER | Accuratezza | Velocità | Audio (s) | Elab. (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 velocità — per campione
Ogni punto è un campione audio. Il punto ideale è in basso a sinistra (poco errore, veloce). VibeVoice ASR ha un errore alto su molti campioni di Common Voice 24.
Risultati per campione
La verità di riferimento è mostrata invariata nella colonna Atteso. La colonna del risultato evidenzia in rosso solo le parole sbagliate da VibeVoice ASR — niente barrature né scambi, solo gli errori.
| # | Audio | Campione | Dataset | Atteso (verità di riferimento) | Risultato 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 |
Metodologia
Come sono stati ottenuti questi numeri.
Fornitore: 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). Lingua mn. Punto operativo microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. Diarizzazione none.
Dataset: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 campioni, 1788.5s di audio totali.
- 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—
Metriche: WER e CER sono calcolati con un allineamento Levenshtein di parole/caratteri standard, normalizzato per maiuscole e punteggiatura. Accuratezza = 100 − WER. Fattore di velocità = durata audio ÷ tempo di elaborazione (× tempo reale). Tutte le richieste sono chiamate reali alla Batch API di VibeVoice ASR, non in cache né simulate.
Evidenziazione delle differenze: La colonna del risultato è allineata alla verità di riferimento e colora di rosso ogni sostituzione e inserimento. Le cancellazioni (parole mancanti nel risultato) non sono mostrate nella colonna del risultato — la colonna Atteso contiene già tutta la verità di riferimento invariata.