wav2vec2 XLSR-53 MN — モンゴル語 音声テキスト変換ベンチマーク
wav2vec2 XLSR-53 MN 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。
265/265 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
wav2vec2 XLSR-53 MN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：wav2vec2 XLSR-53 MN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wav2vec2 XLSR-53 MN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wav2vec2 XLSR-53 MN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 | 59/59 | 37.2% | 11.4% | 62.8% | 37.32× | 330.6s | 8.9s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 44.6% | 15.3% | 55.4% | 45.18× | 645.1s | 14.3s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 31.7% | 9.6% | 68.3% | 37.72× | 269.8s | 7.2s |
| Modern Voice | — | 92 | 92/92 | 58% | 24.3% | 42.0% | 45.1× | 603.8s | 13.4s |
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。wav2vec2 XLSR-53 MN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wav2vec2 XLSR-53 MN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） | wav2vec2 XLSR-53 MNの結果 | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | гэхдээ амьсгал хураахаасаа өмнө танд мэдэж ягаагаа хэлэе | 25.0% | 6.9% | 0/0/2 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж хүү | 8.3% | 1.3% | 0/0/1 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | одоо бид өөрждөө өвчин эмгийдээсээ салахыг хичээцгээ гийдэг | 57.1% | 21.2% | 1/0/3 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | би бол голдуу хээрээр гэр хэчээр дэр хийж явдаг хүн | 10.0% | 2.0% | 0/0/1 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | тав хурамжт уулаж болдоггүй бур вгүн хоёр луугаар нэргүүл хэрэгүлжээ | 90.0% | 29.9% | 0/0/9 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | алив наашаа оройдр гээд гэртээ оров | 28.6% | 8.1% | 0/1/1 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | өө өндөр дээд таны тухайд би баталж чадахгүй | 12.5% | 4.3% | 0/0/1 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | харин гурав даг удаагаас эхлэх хүмүүсийг сонирхож эхлэв | 25.0% | 5.4% | 0/0/2 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | та нар очингуутаа шүлэл өгч үз | 28.6% | 6.7% | 0/1/1 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | ерөөсөө л үйлдвэрээсээ салуугүй орсон юм чинь | 42.9% | 16.7% | 0/0/3 |
手法
これらの数値の算出方法。
プロバイダ： wav2vec2 XLSR-53 MN (wav2vec2 XLSR-53 fine-tuned on Mongolian Common Voice — by download count the most-used Mongolian-specific open ASR model on the Hub. CTC output, so no punctuation or casing.). このバッジが付いたモデルは、ベンチマークのコーパスと重複するデータで学習しています（モンゴル語 Common Voice の 173 サンプル中 113 件、または Shunya Labs の公開コーパス）。重複するコーパスでのスコアは記憶によって高く出ます。これらのモデルは詳細ページのデータセット別の表、とくに学習に使われていないコーパスで判断してください。
エンドポイント local (transformers). 言語 mn. 動作点 anton-l/wav2vec2-large-xlsr-53-mongolian (CTC) 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 1849.3s。
- 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wav2vec2 XLSR-53 MN 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。