Whisper large-v3 — Penanda aras suara-ke-teks bahasa Mongolia
Keputusan sebenar daripada Whisper large-v3 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 Whisper large-v3 untuk transkripsi kelompok. Tanpa diskaun atau kadar yang dirunding — kadar mentah per minit.
Sumber harga: harga awam Whisper large-v3. Duudlaga Flow ditunjukkan untuk konteks sahaja — halaman ini mengasingkan Whisper large-v3 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 Whisper large-v3, 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 | 91.2% | 38.8% | 8.8% | 0.72× | 330.6s | 456.5s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 86.2% | 33% | 13.8% | 1.87× | 645.1s | 344.8s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 94% | 41% | 6.0% | 1.13× | 269.8s | 238.3s |
| Modern Voice | — | 92 | 92/92 | 87.7% | 37.2% | 12.3% | 1.53× | 603.8s | 394.1s |
WER vs kelajuan — per sampel
Setiap titik ialah satu sampel audio. Titik ideal di kiri bawah (ralat kecil, laju). Whisper large-v3 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 Whisper large-v3 silap — tanpa palang/tukar, hanya kesilapan.
| # | Audio | Sampel | Set data | Dijangka (kebenaran rujukan) | Hasil Whisper large-v3 | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Кэлтээ амсгол түрээ хасаа омон танд мэдэж байгаа хэлээ. | 87.5% | 32.8% | 1/0/6 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надзай асан аджирал гэдэгээрдээ үрхүн сарай хүгцадтай байсан гэж бүх. | 83.3% | 33.3% | 0/2/8 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Атаах тээ төрч төрч энрээгээсээ салхих чигцгээ. | 100.0% | 53.8% | 0/0/7 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би босголту хэрээр гэр хэцэр дэрхийж ябдог хүн. | 70.0% | 17.6% | 0/2/5 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Ханхурмас дуу орлос болдгой бараа үгэнээ 2 лоогуу арны эргүйлэхээр ягалж байна. | 120.0% | 51.9% | 2/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Аж байнааша ородор, гэдгэжтэй оров. | 85.7% | 35.1% | 0/2/4 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Уу, үндэр дээд таныи тухууд би бааталг чалтахгүй. | 87.5% | 28.3% | 0/0/7 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин 3-тэг хуудагаса эхлэн хүмүүстэг сайнархаж гэлэв. | 75.0% | 35.7% | 0/0/6 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танр очингууд шүүллэл үхж байз. | 100.0% | 50.0% | 0/2/5 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ерөөсөөл үүлтүрөссээ салаагуу ябсан имч нь. | 100.0% | 33.3% | 0/1/6 |
Metodologi
Bagaimana nombor ini diperoleh.
Penyedia: Whisper large-v3 (OpenAI Whisper large-v3 open weights run locally with an explicit Mongolian language token — the reference open-source ASR baseline.).
Endpoint local (transformers). Bahasa mn. Titik operasi openai/whisper-large-v3 (language=mn, task=transcribe) on mps. 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 Whisper large-v3, 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.