VibeVoice ASR — मंगोलियन स्पीच-टू-टेक्स्ट बेंचमार्क
VibeVoice ASR Batch API (सुधारित ऑपरेटिंग पॉईंट, भाषा mn) द्वारे 4 मंगोलियन डेटासेट आणि 265 ऑडिओ नमुन्यांवर मूल्यांकन केलेले वास्तविक निकाल. खालील प्रत्येक संख्या मोजली आहे — मार्केटिंग नाही. WER, वेग आणि किंमत जशी आहे तशी, कठोर प्रामाणिकपणे दाखवली आहे.
258/265 नमुने ट्रान्सक्राइब केले · 100% यश
कमी चांगले · 265 नमुन्यांवर
किंमत
बॅच ट्रान्सक्रिप्शनसाठी VibeVoice ASR ची यादी किंमत. कोणतीही सूट किंवा वाटाघाटी केलेली दर नाही — प्रति मिनिट कच्चा दर.
किंमतीचा स्रोत: VibeVoice ASR सार्वजनिक किंमत. Duudlaga Flow फक्त संदर्भासाठी दाखवले आहे — हे पृष्ठ VibeVoice ASR ला वेगळे करते जेणेकरून संख्या आमच्या उत्पादनाने फुगवली जाणार नाही.
डेटासेट निहाय WER आणि CER
डेटासेट निहाय शब्द आणि अक्षर त्रुटी दर. कमी चांगले — आणि हे VibeVoice ASR चे वास्तविक अंक आहेत, जे Common Voice 24 वर दुर्बळ आहेत.
डेटासेट सारांश
प्रत्येक डेटासेटसाठी सातत्याने अचूकता, वेग आणि वेळ.
| डेटासेट | स्रोत | नमुने | यश | WER | CER | अचूकता | वेग | ऑडिओ (से) | प्रक्रि. (से) |
|---|---|---|---|---|---|---|---|---|---|
| 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 विरुद्ध वेग — नमुना निहाय
प्रत्येक बिंदू एक ऑडिओ नमुना आहे. आदर्श स्थान खाली-डावीकडे (कमी त्रुटी, वेगवान) आहे. VibeVoice ASR ला अनेक Common Voice 24 नमुन्यांवर त्रुटी जास्त आहे.
नमुना निहाय निकाल
अपेक्षित स्तंभात ग्राउंड ट्रुथ जसेच्या तसे दाखवले आहे. निकाल स्तंभ फक्त VibeVoice ASR ने चूक केलेले शब्द लाल रंगात हायलाइट करतो — कोणतीही स्ट्राइकथ्रू/स्वॅप नाही, फक्त चुका.
| # | ऑडिओ | नमुना | डेटासेट | अपेक्षित (ग्राउंड ट्रुथ) | VibeVoice ASR निकाल | 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 |
पद्धतीशास्त्र
हे अंक कसे मिळवले.
पुरवठादार: 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.).
एंडपॉईंट local (transformers). भाषा mn. ऑपरेटिंग पॉइंट microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. स्पीकर विभाजन none.
डेटासेट: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 नमुने, एकूण 1788.5s ऑडिओ.
- 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—
मेट्रिक्स: WER आणि CER मानक शब्द/अक्षर लेव्हेनश्टाइन अलायन्समध्ये, केस आणि विरामचिन्हांसाठी नॉर्मलाइझ करून गणना केले जातात. अचूकता = 100 − WER. वेग गुणक = ऑडिओ कालावधी ÷ प्रक्रिया वेळ (× रिअल-टाइम). सर्व विनंत्या वास्तविक VibeVoice ASR Batch API कॉल आहेत, कॅशे किंवा सिम्युलेटेड नाहीत.
फरक हायलाइटिंग: निकाल स्तंभ ग्राउंड ट्रुथशी जुळवला जातो आणि प्रत्येक प्रतिस्थापन व समावेश लाल रंगात करतो. विलोपन (निकालातून हरवलेले शब्द) निकाल स्तंभात दाखवले जात नाहीत — अपेक्षित स्तंभ आधीच संपूर्ण ग्राउंड ट्रुथ जसेच्या तसे धरतो.