SeamlessM4T v2 — Бенчмарк распознавания монгольской речи
Реальные результаты SeamlessM4T v2 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 SeamlessM4T v2 для пакетной транскрипции. Без скидок и согласованных тарифов — базовая цена за минуту.
Источник цены: публичные цены SeamlessM4T v2. Duudlaga Flow показан только для контекста — эта страница изолирует SeamlessM4T v2, 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 SeamlessM4T v2, 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 | 17.6% | 6.3% | 82.4% | 3.59× | 330.6s | 92.1s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 22.2% | 10.2% | 77.8% | 0.25× | 645.1s | 2569.2s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 21.7% | 7.9% | 78.3% | 0.14× | 269.8s | 1897s |
| Modern Voice | — | 92 | 92/92 | 30.9% | 16.7% | 69.1% | 4.26× | 603.8s | 141.6s |
WER против скорости — по образцам
Каждая точка — один аудиообразец. Идеальная зона — слева внизу (мало ошибок, быстро). SeamlessM4T v2 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 SeamlessM4T v2 распознал неверно — без зачёркиваний и замен, только ошибки.
| # | Аудио | Образец | Датасет | Ожидается (эталон) | Результат SeamlessM4T v2 | 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 байгаагаа хэлье. | 0.0% | 0.0% | 0/0/0 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад аясан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | 8.3% | 2.7% | 0/0/1 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одоо бид өөрсдөө өвчнөөр эмгэгээсээ салахыг хичээцгээе. | 14.3% | 7.7% | 0/0/1 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бол голдуу хээрээр гэр, хетээр дэр хийж явдаг хүн. | 10.0% | 3.9% | 0/0/1 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Хан хурамс уурлаж, болдоггүй бор уг нь хоёр луугаар нэхүүлэхээр явуулжээ. | 60.0% | 19.5% | 1/0/5 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Алив наашаа ороод ир гээд гэртээ оров. | 0.0% | 0.0% | 0/0/0 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Өө, өндөр дээдэс таны тухайд би батлаж чадахгүй. | 12.5% | 4.3% | 0/0/1 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | харин гурав дахь удаагаа эхлээд хүмүүсийг сонирхож эхлэв. | 25.0% | 5.4% | 0/0/2 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Та нар очингуутаа шөл л өгч үз. | 0.0% | 0.0% | 0/0/0 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ерөөсөө л үйлдвэрээсээ салаагүй явсан юм чинь. | 14.3% | 6.2% | 0/0/1 |
Методология
Как получены эти числа.
Поставщик: SeamlessM4T v2 (Meta SeamlessM4T v2 Large speech-to-text run locally, decoding to Halh Mongolian (khk) — 2.3B params covering ~100 source languages.).
Эндпоинт local (transformers). Язык mn. Рабочая точка facebook/seamless-m4t-v2-large (tgt_lang=khk) on mps. 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 SeamlessM4T v2, 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.