GPT-4o Transcribe — Бенчмарк распознавания монгольской речи
Реальные результаты GPT-4o Transcribe Batch API (улучшенная рабочая точка, язык mn), оценённые на 4 монгольских датасетах и 265 аудиообразцах. Все числа ниже измерены, а не взяты из маркетинга. WER, скорость и цена показаны как есть, максимально честно.
265/265 образцов расшифровано · 100% успех
Чем меньше, тем лучше · на 265 образцах
Цена
Прайс-лист GPT-4o Transcribe для пакетной транскрипции. Без скидок и согласованных тарифов — базовая цена за минуту.
Источник цены: публичные цены GPT-4o Transcribe. Duudlaga Flow показан только для контекста — эта страница изолирует GPT-4o Transcribe, чтобы число не завышалось за счёт нашего продукта.
WER и CER по датасетам
Коэффициенты ошибок в словах и символах по датасетам. Чем меньше, тем лучше — и это реальные числа GPT-4o Transcribe, слабые на Common Voice 24.
Сводка по датасетам
Суммарная точность, скорость и время по каждому датасету.
| Датасет | Источник | Образцы | Успех | WER | CER | Точность | Скорость | Аудио (с) | Обраб. (с) |
|---|---|---|---|---|---|---|---|---|---|
| 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 против скорости — по образцам
Каждая точка — один аудиообразец. Идеальная зона — слева внизу (мало ошибок, быстро). GPT-4o Transcribe даёт высокий уровень ошибок на многих образцах Common Voice 24.
Результаты по образцам
Эталон показан дословно в колонке «Ожидается». Колонка результата выделяет красным только слова, которые GPT-4o Transcribe распознал неверно — без зачёркиваний и замен, только ошибки.
| # | Аудио | Образец | Датасет | Ожидается (эталон) | Результат 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 |
Методология
Как получены эти числа.
Поставщик: GPT-4o Transcribe (OpenAI gpt-4o-transcribe hosted transcription (Mongolian prompt hint; 'mn' is not an accepted language code).).
Эндпоинт https://api.openai.com/v1/audio/transcriptions. Язык mn. Рабочая точка gpt-4o-transcribe. Диаризация none.
Датасеты: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 образцов, всего 1849.3s аудио.
- 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—
Метрики: WER и CER вычисляются стандартным выравниванием Левенштейна по словам/символам с нормализацией регистра и пунктуации. Точность = 100 − WER. Коэффициент скорости = длительность аудио ÷ время обработки (× реальное время). Все запросы — реальные вызовы Batch API GPT-4o Transcribe, не из кэша и не симулированные.
Подсветка различий: Колонка результата выравнивается по эталону и выделяет красным каждую замену и вставку. Удаления (слова, отсутствующие в результате) не показываются в колонке результата — колонка «Ожидается» уже содержит полный эталон как есть.