wav2vec2 XLSR-53 MN동작점: anton-l/wav2vec2-large-xlsr-53-mongolian (CTC) on mps

wav2vec2 XLSR-53 MN — 몽골어 음성-텍스트 벤치마크

wav2vec2 XLSR-53 MN Batch API(향상된 운용 지점, 언어 mn)를 4개 몽골어 데이터셋과 265개 오디오 샘플로 평가한 실제 결과입니다. 아래의 모든 숫자는 마케팅이 아닌 실측값입니다. WER, 속도, 가격은 있는 그대로, 가감 없이 솔직하게 표시합니다.

언어:MN화자 분리:none샘플:265실행:Aug 18, 2026, 5:41 PM엔드포인트:local (transformers)

정확도

265/265 샘플 전사 · 100% 성공

단어 오류율

낮을수록 좋음 · 265개 샘플 기준

핵심 지표

문자 오류율16.4%

평균 속도 계수42.32×실시간 배수

전체 속도 계수42.32×

샘플당 평균 지연0.2s

처리한 오디오 합계1849.3s30.8분

가격

wav2vec2 XLSR-53 MN의 일괄 전사 정가입니다. 할인이나 협상된 요금은 반영하지 않은 원시 분당 요금입니다.

1000분당

일괄

분당

$0.0000

실효

1000분당(이 30.8분)

$0.00

비용

오픈소스?

✓

독점

가격 출처: wav2vec2 XLSR-53 MN 공개 가격. Duudlaga Flow는 참고용으로만 표시합니다. 이 페이지는 wav2vec2 XLSR-53 MN만 단독으로 다루어 숫자가 자사 제품으로 부풀려지지 않음을 보여줍니다.

데이터셋별 WER 및 CER

데이터셋별 단어·문자 오류율입니다. 낮을수록 좋으며, 이는 wav2vec2 XLSR-53 MN의 실제 숫자로 Common Voice 24에서 약합니다.

Common Voice 24 (MN)

원본 데이터셋 →

WER

37.2%

CER

11.4%

Shunya Labs Mongolian Speech

원본 데이터셋 →

WER

44.6%

CER

15.3%

Common Voice 20 (MN)

원본 데이터셋 →

WER

31.7%

CER

9.6%

Modern Voice

WER

58%

CER

24.3%

WERCER

데이터셋 요약

각 데이터셋의 종합 정확도, 속도, 소요 시간.

데이터셋	출처	샘플	성공	WER	CER	정확도	속도	오디오(초)	처리(초)
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 대 속도 — 샘플별

각 점은 하나의 오디오 샘플입니다. 이상적인 위치는 좌하단(오류 적음, 빠름)입니다. wav2vec2 XLSR-53 MN는 많은 Common Voice 24 샘플에서 오류가 높습니다.

샘플별 결과

“기대” 열에 정답을 그대로 표시합니다. 결과 열은 wav2vec2 XLSR-53 MN가 틀린 단어만 빨간색으로 강조합니다 — 취소선/교체 없이 오류만 보여줍니다.

오류만265행

빨강결과의 잘못된 단어보통정확히 전사됨“기대” 열은 정답으로 그대로 표시

#	샘플	데이터셋	기대(정답)	wav2vec2 XLSR-53 MN 결과	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

…1 / 27 페이지

방법론

이 숫자들이 도출된 방식.

제공자: 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.). 이 배지가 붙은 모델은 벤치마크 코퍼스와 겹치는 데이터로 학습했습니다(몽골어 Common Voice — 173개 중 113개 샘플 — 또는 Shunya Labs의 공개 코퍼스). 겹치는 코퍼스의 점수는 암기 효과로 부풀려집니다. 이런 모델은 상세 페이지의 데이터셋별 표, 특히 학습에 쓰이지 않은 코퍼스를 기준으로 판단하세요.

엔드포인트 local (transformers). 언어 mn. 동작점 anton-l/wav2vec2-large-xlsr-53-mongolian (CTC) on mps. 화자 분리 none.

데이터셋: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265개 샘플, 오디오 총 1849.3s.

데이터셋 원본 URL:

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—

지표: WER과 CER은 대소문자와 구두점을 정규화한 표준 단어/문자 레벤슈타인 정렬로 계산합니다. 정확도 = 100 − WER. 속도 계수 = 오디오 길이 ÷ 처리 시간(× 실시간). 모든 요청은 실제 wav2vec2 XLSR-53 MN Batch API 호출이며 캐시나 시뮬레이션이 아닙니다.

차이 강조: 결과 열은 정답에 정렬하여 모든 치환과 삽입을 빨간색으로 표시합니다. 삭제(결과에 빠진 단어)는 결과 열에 표시하지 않으며 “기대” 열이 정답 전체를 그대로 보유합니다.

wav2vec2 XLSR-53 MN Benchmark Runner가 생성 · wav2vec2 XLSR-53 MN Batch API v2 · 실행 Aug 18, 2026, 5:41 PM