GPT-4o Transcribe — Penanda aras suara-ke-teks bahasa Mongolia
Keputusan sebenar daripada GPT-4o Transcribe Batch API (titik operasi dipertingkat, bahasa mn) dinilai ke atas 4 set data bahasa Mongolia dan 265 sampel audio. Setiap nombor di bawah diukur — bukan pemasaran. WER, kelajuan dan harga ditunjukkan apa adanya, jujur tanpa basa-basi.
265/265 sampel ditranskripsi · 100% berjaya
Lebih rendah lebih baik · pada 265 sampel
Harga
Harga senarai GPT-4o Transcribe untuk transkripsi kelompok. Tanpa diskaun atau kadar yang dirunding — kadar mentah per minit.
Sumber harga: harga awam GPT-4o Transcribe. Duudlaga Flow ditunjukkan untuk konteks sahaja — halaman ini mengasingkan GPT-4o Transcribe supaya nombor tidak dibesar-besarkan oleh produk kami.
WER & CER per set data
Kadar ralat perkataan dan aksara per set data. Lebih rendah lebih baik — dan ini nombor sebenar GPT-4o Transcribe, yang lemah pada Common Voice 24.
Ringkasan set data
Ketepatan, kelajuan dan masa terkumpul bagi setiap set data.
| Set data | Sumber | Sampel | Berjaya | WER | CER | Ketepatan | Kelajuan | Audio (sa) | Proses (sa) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 61.3% | 31.1% | 38.7% | 2.73× | 330.6s | 121.2s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 41.7% | 19.4% | 58.3% | 1.67× | 645.1s | 386.8s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 65.9% | 36.4% | 34.1% | 2.01× | 269.8s | 133.9s |
| Modern Voice | — | 92 | 92/92 | 47.4% | 25.5% | 52.6% | 2.59× | 603.8s | 233.4s |
WER vs kelajuan — per sampel
Setiap titik ialah satu sampel audio. Titik ideal di kiri bawah (ralat kecil, laju). GPT-4o Transcribe mempunyai ralat tinggi pada banyak sampel Common Voice 24.
Keputusan per sampel
Kebenaran rujukan ditunjukkan apa adanya dalam lajur Dijangka. Lajur hasil menyerlahkan merah hanya perkataan yang GPT-4o Transcribe silap — tanpa palang/tukar, hanya kesilapan.
| # | Audio | Sampel | Set data | Dijangka (kebenaran rujukan) | Hasil GPT-4o Transcribe | 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 яваагаа хэлье. | 12.5% | 6.9% | 0/0/1 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад сая санагдаж байгаа гэхэд ердөө гурван сарийн хугацаатай байсан л гэж үү? | 58.3% | 22.7% | 1/0/6 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одоо би дуртай хүнтэйгээ салахыг хүсч байгаа. | 85.7% | 51.9% | 0/0/6 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бас голдуу хэрээр гэр, хэцэр дээр хийж явдаг хүн. | 40.0% | 9.8% | 0/0/4 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Хаварын сүүлчээс барлагийн хоёр зоогоор нэргүүл шарив. | 100.0% | 66.2% | 0/3/7 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Айсин наашаараад ир, гэж гэртээ оров. | 57.1% | 24.3% | 0/1/3 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Оо, өндөртэд таныг тохойод би баталж чадахгүй. | 62.5% | 23.9% | 0/1/4 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин 33 дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | 12.5% | 8.9% | 0/0/1 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Та нар орчлонгоудаа шүүлт өгч үз. | 42.9% | 30.0% | 0/1/2 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ирүүсөөл үлдүүрээсээ салаагүй явсна юм чинь. | 57.1% | 25.0% | 0/1/3 |
Metodologi
Bagaimana nombor ini diperoleh.
Penyedia: GPT-4o Transcribe (OpenAI gpt-4o-transcribe hosted transcription (Mongolian prompt hint; 'mn' is not an accepted language code).).
Endpoint https://api.openai.com/v1/audio/transcriptions. Bahasa mn. Titik operasi gpt-4o-transcribe. Pemisahan pentutur none.
Set data: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 sampel, jumlah 1849.3s audio.
- 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—
Metrik: WER dan CER dikira dengan jajaran Levenshtein perkataan/aksara piawai, dinormalisasi untuk huruf besar/kecil dan tanda baca. Ketepatan = 100 − WER. Faktor kelajuan = tempoh audio ÷ masa pemprosesan (× masa nyata). Semua permintaan ialah panggilan sebenar ke Batch API GPT-4o Transcribe, bukan cache atau simulasi.
Penyerlahan perbezaan: Lajur hasil dijajar dengan kebenaran rujukan dan mewarnakan merah setiap penggantian dan penyisipan. Pemadaman (perkataan hilang dari hasil) tidak ditunjukkan dalam lajur hasil — lajur Dijangka sudah memuatkan keseluruhan kebenaran rujukan apa adanya.