Whisper large-v3-turbo — Benchmark de voz para texto em mongol
Resultados reais da Whisper large-v3-turbo Batch API (ponto de operação avançado, idioma mn) avaliados em 4 conjuntos de dados em mongol e 265 amostras de áudio. Todos os números abaixo são medidos, não marketing. WER, velocidade e preço são mostrados como são, brutalmente honestos.
265/265 amostras transcritas · 100% de sucesso
Menor é melhor · em 265 amostras
Preço
Preço de tabela da Whisper large-v3-turbo para transcrição em lote. Sem descontos nem tarifas negociadas — a taxa bruta por minuto.
Fonte do preço: preços públicos da Whisper large-v3-turbo. O Duudlaga Flow é mostrado apenas para contexto — esta página isola a Whisper large-v3-turbo para que o número não seja inflado pelo nosso produto.
WER e CER por conjunto de dados
Taxas de erro de palavras e caracteres por conjunto de dados. Menor é melhor — e estes são os números reais da Whisper large-v3-turbo, que são fracos no Common Voice 24.
Resumo por conjunto de dados
Precisão, velocidade e tempos agregados de cada conjunto de dados.
| Conjunto de dados | Origem | Amostras | Sucesso | WER | CER | Precisão | Velocidade | Áudio (s) | Proc. (s) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 100.3% | 56.2% | -0.3% | 0.86× | 330.6s | 382.6s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 99.4% | 47.7% | 0.6% | 1.01× | 645.1s | 640.2s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 101% | 58.1% | -1.0% | 0.55× | 269.8s | 489.7s |
| Modern Voice | — | 92 | 92/92 | 96.8% | 55.6% | 3.2% | 1.18× | 603.8s | 513.8s |
WER vs. velocidade — por amostra
Cada ponto é uma amostra de áudio. O ponto ideal é o canto inferior esquerdo (pouco erro, rápido). A Whisper large-v3-turbo tem erro alto em muitas amostras do Common Voice 24.
Resultados por amostra
A verdade fundamental é mostrada tal qual na coluna Esperado. A coluna de resultado destaca em vermelho apenas as palavras que a Whisper large-v3-turbo errou — sem riscados nem trocas, apenas os erros.
| # | Áudio | Amostra | Conjunto de dados | Esperado (verdade fundamental) | Resultado da Whisper large-v3-turbo | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Дээ амсхалд бараа бээхэээ тэндэ мэдэжэээгээээ хэлэээ. | 100.0% | 56.9% | 0/1/7 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | нады заясан аджырғалгеттэгэртэ құрыққын сарай құтсаттэ бәсэнгэ чуэл | 100.0% | 54.7% | 0/4/8 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одо дэ дүр стөл чин рэгэсэсэлэй чэцгэй | 100.0% | 51.9% | 0/0/7 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би боз қолтүү хэрэр гэр цэр дэр хий жабдэг хүн | 60.0% | 29.4% | 0/0/6 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Hann formast orðlas boltgu, borðu hún hærð, þógar, neyrgur fyrir og sér. | 120.0% | 92.2% | 2/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Эсфина þessi орður, get gist í orð. | 100.0% | 83.8% | 0/0/7 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Уүндөрдээд тэний түхээд би бодал чадагүй. | 87.5% | 37.0% | 0/2/5 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | хараан горубтойг үудагаас сай кайлиң хүнүүсыйг сан рэх бэг келл ў. | 137.5% | 62.5% | 3/0/8 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танар отжунгута шүлэл ўүтжүт. | 100.0% | 43.3% | 0/3/4 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ёрөз үлтурэсэй салагы афсэймчэн. | 100.0% | 58.3% | 0/3/4 |
Metodologia
Como estes números foram obtidos.
Fornecedor: Whisper large-v3-turbo (Whisper large-v3-turbo open weights (4 decoder layers) run locally — the speed-optimised distillation of large-v3.).
Endpoint local (transformers). Idioma mn. Ponto de operação openai/whisper-large-v3-turbo (language=mn, task=transcribe) on mps. Diarização none.
Conjuntos de dados: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 amostras, 1849.3s de áudio no total.
- 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—
Métricas: WER e CER são calculados com um alinhamento Levenshtein de palavras/caracteres padrão, normalizado por maiúsculas e pontuação. Precisão = 100 − WER. Fator de velocidade = duração do áudio ÷ tempo de processamento (× tempo real). Todas as solicitações são chamadas reais à Batch API da Whisper large-v3-turbo, não em cache nem simuladas.
Realce de diferenças: A coluna de resultado é alinhada à verdade fundamental e colore em vermelho cada substituição e inserção. As deleções (palavras ausentes no resultado) não são mostradas na coluna de resultado — a coluna Esperado já contém toda a verdade fundamental tal qual.