GPT-4o Transcribe — Benchmark för mongolisk tal-till-text
Verkliga resultat från GPT-4o Transcribe Batch API (förbättrad operationpunkt, språk mn) utvärderade på 4 mongoliska dataset och 265 ljudprover. Varje siffra nedan är mätt — inte marknadsföring. WER, hastighet och pris visas som de är, brutalt ärligt.
265/265 prover transkriberade · 100% framgång
Lägre är bättre · över 265 prover
Pris
GPT-4o Transcribe listpris för batch-transkription. Inga rabatter eller förhandlade tariffer — rå minuttaxa.
Priskälla: GPT-4o Transcribe offentliga priser. Duudlaga Flow visas endast för kontext — denna sida isolerar GPT-4o Transcribe så att siffran inte blåses upp av vår produkt.
WER och CER per dataset
Ord- och teckenelfrekvens per dataset. Lägre är bättre — och detta är GPT-4o Transcribe verkliga siffror, som är svaga på Common Voice 24.
Datasetöversikt
Aggregerad noggrannhet, hastighet och tid för varje dataset.
| Dataset | Source | Prover | Framgång | WER | CER | Noggrannhet | Hastighet | Ljud (s) | Bearb. (s) |
|---|---|---|---|---|---|---|---|---|---|
| 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 vs. hastighet — per prov
Varje punkt är ett ljudprov. Läget i nedre vänstra hörnet är bäst (lite fel, snabbt). GPT-4o Transcribe har höga fel på många Common Voice 24-prover.
Resultat per prov
Referenssanningen visas oförändrad i kolumnen Förväntat. Resultatkolumnen markerar endast de ord GPT-4o Transcribe felade på i rött — inga överstrykningar/byten, bara felen.
| # | Ljud | Prov | Dataset | Förväntat (referenssanning) | GPT-4o Transcribe resultat | 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 |
Metodik
Hur dessa siffror erhölls.
Leverantör: GPT-4o Transcribe (OpenAI gpt-4o-transcribe hosted transcription (Mongolian prompt hint; 'mn' is not an accepted language code).).
Endpoint https://api.openai.com/v1/audio/transcriptions. Språk mn. Operating point gpt-4o-transcribe. Diarisering none.
Dataset: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 prover, totalt 1849.3s ljud.
- 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—
Mått: WER och CER beräknas med en standard Levenshtein-ord/tecken-inriktning, normaliserad för skiftläge och skiljetecken. Noggrannhet = 100 − WER. Hastighetsfaktor = ljudlängd ÷ bearbetningstid (× realtid). Alla förfrågningar är verkliga anrop till GPT-4o Transcribe Batch API, varken cachade eller simulerade.
Skillnadsmarkering: Resultatkolumnen ställs in mot referenssanningen och färgar varje substitution och insertion röd. Raderingar (ord som saknas i resultatet) visas inte i resultatkolumnen — kolumnen Förväntat innehåller redan hela referenssanningen oförändrad.