VibeVoice ASR — モンゴル語 音声テキスト変換ベンチマーク
VibeVoice ASR Batch API（拡張動作ポイント、言語 mn）を4件のモンゴル語データセットと265件の音声サンプルで評価した実際の結果です。以下の数字はすべて実測値であり、宣伝ではありません。WER・速度・価格はありのまま、容赦なく正直に示します。
258/265 サンプルを書き起こし・成功率100%
低いほど良い・265サンプルで
価格
VibeVoice ASRのバッチ書き起こしの定価です。割引や交渉価格は適用せず、生の分単料金を示します。
価格の出典：VibeVoice ASRの公開価格。Duudlaga Flowは参考としてのみ表示しています。このページはVibeVoice ASRを単独で切り出し、自社製品で数値を盛っていないことを示します。
データセット別のWERとCER
データセットごとの単語・文字誤り率。低いほど良く、これらはVibeVoice ASRの実数であり、Common Voice 24では弱いです。
データセットの要約
各データセットの集計精度・速度・所要時間。
| データセット | ソース | サンプル | 成功 | WER | CER | 精度 | 速度 | 音声(秒) | 処理(秒) |
|---|---|---|---|---|---|---|---|---|---|
| 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 速度 — サンプルごと
各ドットが1つの音声サンプルです。好ましいのは左下（誤り少・高速）です。VibeVoice ASRはCommon Voice 24の多くのサンプルで誤りが高めです。
サンプルごとの結果
「期待値」列には正解をそのまま表示します。結果列はVibeVoice ASRが間違えた単語だけを赤で強調します — 取消線や置換の余地なく、ただ誤りを示します。
| # | 音声 | サンプル | データセット | 期待値（正解） | VibeVoice ASRの結果 | 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 |
手法
これらの数値の算出方法。
プロバイダ： 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.).
エンドポイント local (transformers). 言語 mn. 動作点 microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. 話者分離 none.
データセット： Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265サンプル、音声合計 1788.5s。
- 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—
メトリクス： WERとCERは、大文字小文字と句読点を正規化した標準的な単語/文字レーベンシュタイン整列で計算します。精度 = 100 − WER。速度係数 = 音声時間 ÷ 処理時間（×実時間）。すべてのリクエストは実際のVibeVoice ASR Batch API呼び出しであり、キャッシュやシミュレーションではありません。
差分ハイライト： 結果列は正解に整列し、置換と挿入をすべて赤で塗ります。欠落（結果に含まれない単語）は結果列には表示せず、「期待値」列が正解をそのまま保持します。