SeamlessM4T v2 — Benchmark för mongolisk tal-till-text
Verkliga resultat från SeamlessM4T v2 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
SeamlessM4T v2 listpris för batch-transkription. Inga rabatter eller förhandlade tariffer — rå minuttaxa.
Priskälla: SeamlessM4T v2 offentliga priser. Duudlaga Flow visas endast för kontext — denna sida isolerar SeamlessM4T v2 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 SeamlessM4T v2 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 | 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 vs. hastighet — per prov
Varje punkt är ett ljudprov. Läget i nedre vänstra hörnet är bäst (lite fel, snabbt). SeamlessM4T v2 har höga fel på många Common Voice 24-prover.
Resultat per prov
Referenssanningen visas oförändrad i kolumnen Förväntat. Resultatkolumnen markerar endast de ord SeamlessM4T v2 felade på i rött — inga överstrykningar/byten, bara felen.
| # | Ljud | Prov | Dataset | Förväntat (referenssanning) | SeamlessM4T v2 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 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 |
Metodik
Hur dessa siffror erhölls.
Leverantör: SeamlessM4T v2 (Meta SeamlessM4T v2 Large speech-to-text run locally, decoding to Halh Mongolian (khk) — 2.3B params covering ~100 source languages.).
Endpoint local (transformers). Språk mn. Operating point facebook/seamless-m4t-v2-large (tgt_lang=khk) on mps. 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 SeamlessM4T v2 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.