wav2vec2 XLSR-53 MN — Benchmark för mongolisk tal-till-text
Verkliga resultat från wav2vec2 XLSR-53 MN 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
wav2vec2 XLSR-53 MN listpris för batch-transkription. Inga rabatter eller förhandlade tariffer — rå minuttaxa.
Priskälla: wav2vec2 XLSR-53 MN offentliga priser. Duudlaga Flow visas endast för kontext — denna sida isolerar wav2vec2 XLSR-53 MN 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 wav2vec2 XLSR-53 MN 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 | 37.2% | 11.4% | 62.8% | 37.32× | 330.6s | 8.9s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 44.6% | 15.3% | 55.4% | 45.18× | 645.1s | 14.3s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 31.7% | 9.6% | 68.3% | 37.72× | 269.8s | 7.2s |
| Modern Voice | — | 92 | 92/92 | 58% | 24.3% | 42.0% | 45.1× | 603.8s | 13.4s |
WER vs. hastighet — per prov
Varje punkt är ett ljudprov. Läget i nedre vänstra hörnet är bäst (lite fel, snabbt). wav2vec2 XLSR-53 MN har höga fel på många Common Voice 24-prover.
Resultat per prov
Referenssanningen visas oförändrad i kolumnen Förväntat. Resultatkolumnen markerar endast de ord wav2vec2 XLSR-53 MN felade på i rött — inga överstrykningar/byten, bara felen.
| # | Ljud | Prov | Dataset | Förväntat (referenssanning) | wav2vec2 XLSR-53 MN 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 ягаагаа хэлэе | 25.0% | 6.9% | 0/0/2 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж хүү | 8.3% | 1.3% | 0/0/1 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | одоо бид өөрждөө өвчин эмгийдээсээ салахыг хичээцгээ гийдэг | 57.1% | 21.2% | 1/0/3 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | би бол голдуу хээрээр гэр хэчээр дэр хийж явдаг хүн | 10.0% | 2.0% | 0/0/1 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | тав хурамжт уулаж болдоггүй бур вгүн хоёр луугаар нэргүүл хэрэгүлжээ | 90.0% | 29.9% | 0/0/9 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | алив наашаа оройдр гээд гэртээ оров | 28.6% | 8.1% | 0/1/1 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | өө өндөр дээд таны тухайд би баталж 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 даг удаагаас эхлэх 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 шүлэл өгч үз | 28.6% | 6.7% | 0/1/1 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | ерөөсөө л үйлдвэрээсээ салуугүй орсон юм чинь | 42.9% | 16.7% | 0/0/3 |
Metodik
Hur dessa siffror erhölls.
Leverantör: wav2vec2 XLSR-53 MN (wav2vec2 XLSR-53 fine-tuned on Mongolian Common Voice — by download count the most-used Mongolian-specific open ASR model on the Hub. CTC output, so no punctuation or casing.). Models with this badge were trained on data that overlaps the benchmark corpora (Mongolian Common Voice — 113 of 173 samples — or the public Shunya Labs corpus). Scores on overlapping corpora are inflated by memorization; judge these models by the per-dataset table on their details page, especially the corpora they were NOT trained on.
Endpoint local (transformers). Språk mn. Operating point anton-l/wav2vec2-large-xlsr-53-mongolian (CTC) 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 wav2vec2 XLSR-53 MN 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.