Qwen3-ASR-Flash — Benchmark rozpoznawania mowy w języku mongolskim
Rzeczywiste wyniki Qwen3-ASR-Flash Batch API (udoskonalony punkt operacyjny, język auto (mn rejected)) ocenione na 4 mongolskich zbiorach danych i 265 próbkach audio. Każda liczba poniżej jest zmierzona, a nie z marketingu. WER, prędkość i cena są pokazane tak, jak są, brutalnie szczerze.
265/265 próbek transkrybowanych · 100% sukcesu
Niższy jest lepszy · na 265 próbkach
Cena
Cena katalogowa Qwen3-ASR-Flash dla transkrypcji wsadowej. Bez rabatów i negocjowanych stawek — surowa stawka za minutę.
Źródło ceny: publiczne ceny Qwen3-ASR-Flash. Duudlaga Flow jest pokazany tylko kontekstowo — ta strona izoluje Qwen3-ASR-Flash, aby liczba nie była zawyżana przez nasz produkt.
WER i CER według zbioru danych
Wskaźniki błędów słownych i znakowych według zbioru danych. Niższy jest lepszy — a to są rzeczywiste liczby Qwen3-ASR-Flash, które są słabe na Common Voice 24.
Podsumowanie według zbioru danych
Agregowana dokładność, prędkość i czasy dla każdego zbioru danych.
| Zbiór danych | Źródło | Próbki | Sukces | WER | CER | Dokładność | Prędkość | Audio (s) | Przetw. (s) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 105.2% | 90% | -5.2% | 2.81× | 330.6s | 117.7s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 102.3% | 75.2% | -2.3% | 1.94× | 645.1s | 332.9s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 104.5% | 90.4% | -4.5% | 2.71× | 269.8s | 99.5s |
| Modern Voice | — | 92 | 92/92 | 103.2% | 89.1% | -3.2% | 2.04× | 603.8s | 295.3s |
WER a prędkość — na próbkę
Każdy punkt to jedna próbka audio. Optymalne miejsce to lewy dolny róg (mało błędów, szybko). Qwen3-ASR-Flash ma wysoki poziom błędów na wielu próbkach Common Voice 24.
Wyniki na próbkę
Prawda odniesienia jest pokazana dosłownie w kolumnie Oczekiwane. Kolumna wyniku wyróżnia na czerwono tylko słowa, które Qwen3-ASR-Flash rozpoznał błędnie — bez przekreśleń i zamian, tylko błędy.
| # | Dźwięk | Próbka | Zbiór danych | Oczekiwane (prawda odniesienia) | Wynik Qwen3-ASR-Flash | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | كشدا مسخرة خاصة ومن تندم يدي جاغا هي لي. | 112.5% | 87.9% | 1/0/8 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | 나타자야상아처럼깨끗이剃도그러곤살에혹자떼버리는게좋. | 100.0% | 100.0% | 0/11/1 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | أعطى بيدروس دوتشين فيكيسي سفيرًا لتشيكيا. | 100.0% | 92.3% | 0/1/6 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Við varst kalt og hér er gott, ég þyrfti þér ekki að segja það kom. | 150.0% | 111.8% | 5/0/10 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | خانفرم استورت سپورت کویبرا ونیو خیرت ثووگارنیرو شریمچی. | 100.0% | 92.2% | 0/2/8 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | عجبنه شعرة كتكشت تعرف. | 100.0% | 91.9% | 0/3/4 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | أو أنظر تلك التنيطات ببطء شتى. | 100.0% | 89.1% | 0/2/6 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Herhangi rüptükle takas etmek umutsuzca zor çıktı. | 100.0% | 92.9% | 0/1/7 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Таны орчингод шүдлэл тохуч. | 100.0% | 60.0% | 0/3/4 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | 이로써 롤드컵에서 사타구니 없앤 첫. | 100.0% | 91.7% | 0/2/5 |
Metodologia
Jak uzyskano te liczby.
Dostawca: Qwen3-ASR-Flash (Alibaba qwen3-asr-flash hosted transcription with automatic language detection — Mongolian is not a supported language (the API rejects the 'mn' code).).
Endpoint https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation. Język auto (mn rejected). Punkt pracy qwen3-asr-flash. Diaryzacja none.
Zbiory danych: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 próbek, łącznie 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—
Metryki: WER i CER są obliczane standardowym dopasowaniem Levenshteina słów/znaków, znormalizowanym pod kątem wielkości liter i interpunkcji. Dokładność = 100 − WER. Współczynnik prędkości = czas trwania audio ÷ czas przetwarzania (× czas rzeczywisty). Wszystkie żądania to rzeczywiste wywołania Batch API Qwen3-ASR-Flash, nie z pamięci podręcznej ani symulowane.
Podświetlanie różnic: Kolumna wyniku jest dopasowywana do prawdy odniesienia i koloruje na czerwono każdą substytucję i insercję. Delecje (słowa brakujące w wyniku) nie są pokazywane w kolumnie wyniku — kolumna Oczekiwane zawiera już pełną prawdę odniesienia taką, jaka jest.