Whisper large-v3 — Benchmark rozpoznawania mowy w języku mongolskim
Rzeczywiste wyniki Whisper large-v3 Batch API (udoskonalony punkt operacyjny, język mn) 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 Whisper large-v3 dla transkrypcji wsadowej. Bez rabatów i negocjowanych stawek — surowa stawka za minutę.
Źródło ceny: publiczne ceny Whisper large-v3. Duudlaga Flow jest pokazany tylko kontekstowo — ta strona izoluje Whisper large-v3, 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 Whisper large-v3, 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 | 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 a prędkość — na próbkę
Każdy punkt to jedna próbka audio. Optymalne miejsce to lewy dolny róg (mało błędów, szybko). Whisper large-v3 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 Whisper large-v3 rozpoznał błędnie — bez przekreśleń i zamian, tylko błędy.
| # | Dźwięk | Próbka | Zbiór danych | Oczekiwane (prawda odniesienia) | Wynik 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 |
Metodologia
Jak uzyskano te liczby.
Dostawca: 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). Język mn. Punkt pracy openai/whisper-large-v3 (language=mn, task=transcribe) on mps. 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 Whisper large-v3, 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.