VibeVoice ASR — Монгол яриа таних бенчмарк
VibeVoice ASR Batch API-г сайжруулсан operating point, mn хэлээр ажиллуулж, 4 монгол өгөгдлийн багцын 265 аудио жишээгээр үнэлсэн бодит үр дүн. Доорх бүх тоог хэмжсэн — маркетингийн тоо биш. WER, хурд, үнийг өөрчлөлгүй, нууж хаалгүй харуулав.
258/265 жишээг хөрвүүлсэн · амжилтын хувь 100%
Бага байх тусмаа сайн · 265 жишээгээр
Үнэ
VibeVoice ASR-ийн batch хөрвүүлэлтийн албан ёсны жагсаалтын үнэ. Хөнгөлөлт, тохиролцсон тариф оруулаагүй — минутын үндсэн үнэ.
Үнийн эх сурвалж: VibeVoice ASR-ийн нийтэд зарласан үнэ. Duudlaga Flow-г зөвхөн харьцуулахад дурдсан; энэ хуудсанд VibeVoice ASR-ийг дангаар нь авч үзсэн тул манай бүтээгдэхүүний үзүүлэлт тоонд нөлөөлөөгүй.
Өгөгдлийн багц тус бүрийн WER ба CER
Өгөгдлийн багц тус бүрийн үг, тэмдэгтийн алдааны түвшин. Бага байх тусмаа сайн. Эдгээр нь VibeVoice ASR-ийн бодит үзүүлэлт бөгөөд Common Voice 24 дээр сул байна.
Өгөгдлийн багцын хураангуй
Багц тус бүрийн нэгтгэсэн нарийвчлал, хурд, хугацаа.
| Өгөгдлийн багц | Эх сурвалж | Жишээ | Амжилттай | WER | CER | Нарийвчлал | Хурд | Аудио (с) | Боловсруулалт (с) |
|---|---|---|---|---|---|---|---|---|---|
| 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 ба хурд — жишээ тус бүрээр
Цэг бүр нэг аудио жишээг илэрхийлнэ. Зүүн доод хэсэг хамгийн сайн буюу алдаа бага, хурд өндөр. VibeVoice ASR нь Common Voice 24-ийн олон жишээн дээр өндөр алдаатай байна.
Жишээ тус бүрийн үр дүн
Жишиг бичвэр баганад эх хувилбарыг өөрчлөлгүй харуулна. Үр дүн баганад VibeVoice ASR-ийн алдсан үгийг л улаанаар тэмдэглэнэ — дарж зурах, үг солих тэмдэглэгээгүй, зөвхөн алдааг харуулна.
| # | Аудио | Жишээ | Өгөгдлийн багц | Жишиг бичвэр | VibeVoice ASR-ийн үр дүн | 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 |
Аргачлал
Эдгээр үзүүлэлтийг хэрхэн гаргав.
Үйлчилгээ үзүүлэгч: 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). Хэл mn. Operating point microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. Яригч ялгалт none.
Өгөгдлийн багц: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 жишээ, нийт 1788.5s аудио.
- 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—
Хэмжүүр: WER, CER-ийг үг болон тэмдэгтийн стандарт Levenshtein тааруулалтаар тооцож, үсгийн том, жижиг хэлбэр болон цэг тэмдэгтийг ижилсгэсэн. Нарийвчлал = 100 − WER. Хурд = аудионы хугацаа ÷ боловсруулах хугацаа (× бодит хугацаа). Бүх хүсэлт нь кэшилсэн эсвэл дуурайлгасан биш, VibeVoice ASR Batch API руу хийсэн бодит дуудлага.
Алдааны тэмдэглэгээ: Үр дүнг жишиг бичвэртэй тааруулж, сольсон болон илүү оруулсан үг бүрийг улаанаар тэмдэглэнэ. Хасагдсан буюу үр дүнд байхгүй үгийг үр дүн баганад харуулахгүй — Жишиг бичвэр баганад эх хувилбар бүтнээрээ, өөрчлөлгүй бий.