Whisper large-v3 — Бенчмарк распознавания монгольской речи
Реальные результаты Whisper large-v3 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 Whisper large-v3 для пакетной транскрипции. Без скидок и согласованных тарифов — базовая цена за минуту.
Источник цены: публичные цены Whisper large-v3. Duudlaga Flow показан только для контекста — эта страница изолирует Whisper large-v3, 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 Whisper large-v3, 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 | 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 против скорости — по образцам
Каждая точка — один аудиообразец. Идеальная зона — слева внизу (мало ошибок, быстро). Whisper large-v3 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 Whisper large-v3 распознал неверно — без зачёркиваний и замен, только ошибки.
| # | Аудио | Образец | Датасет | Ожидается (эталон) | Результат 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 |
Методология
Как получены эти числа.
Поставщик: Whisper large-v3 (OpenAI Whisper large-v3 open weights run locally with an explicit Mongolian language token — the reference open-source ASR baseline.).
Эндпоинт local (transformers). Язык mn. Рабочая точка openai/whisper-large-v3 (language=mn, task=transcribe) 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 Whisper large-v3, 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.