Whisper large-v3 — Benchmark för mongolisk tal-till-text
Verkliga resultat från Whisper large-v3 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
Whisper large-v3 listpris för batch-transkription. Inga rabatter eller förhandlade tariffer — rå minuttaxa.
Priskälla: Whisper large-v3 offentliga priser. Duudlaga Flow visas endast för kontext — denna sida isolerar Whisper large-v3 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 Whisper large-v3 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 | 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 vs. hastighet — per prov
Varje punkt är ett ljudprov. Läget i nedre vänstra hörnet är bäst (lite fel, snabbt). Whisper large-v3 har höga fel på många Common Voice 24-prover.
Resultat per prov
Referenssanningen visas oförändrad i kolumnen Förväntat. Resultatkolumnen markerar endast de ord Whisper large-v3 felade på i rött — inga överstrykningar/byten, bara felen.
| # | Ljud | Prov | Dataset | Förväntat (referenssanning) | Whisper large-v3 resultat | 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 |
Metodik
Hur dessa siffror erhölls.
Leverantör: Whisper large-v3 (OpenAI Whisper large-v3 open weights run locally with an explicit Mongolian language token — the reference open-source ASR baseline.).
Endpoint local (transformers). Språk mn. Operating point openai/whisper-large-v3 (language=mn, task=transcribe) 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 Whisper large-v3 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.