Whisper large-v3-turbo — Benchmark för mongolisk tal-till-text
Verkliga resultat från Whisper large-v3-turbo 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-turbo listpris för batch-transkription. Inga rabatter eller förhandlade tariffer — rå minuttaxa.
Priskälla: Whisper large-v3-turbo offentliga priser. Duudlaga Flow visas endast för kontext — denna sida isolerar Whisper large-v3-turbo 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-turbo 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 | 100.3% | 56.2% | -0.3% | 0.86× | 330.6s | 382.6s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 99.4% | 47.7% | 0.6% | 1.01× | 645.1s | 640.2s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 101% | 58.1% | -1.0% | 0.55× | 269.8s | 489.7s |
| Modern Voice | — | 92 | 92/92 | 96.8% | 55.6% | 3.2% | 1.18× | 603.8s | 513.8s |
WER vs. hastighet — per prov
Varje punkt är ett ljudprov. Läget i nedre vänstra hörnet är bäst (lite fel, snabbt). Whisper large-v3-turbo 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-turbo felade på i rött — inga överstrykningar/byten, bara felen.
| # | Ljud | Prov | Dataset | Förväntat (referenssanning) | Whisper large-v3-turbo resultat | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Дээ амсхалд бараа бээхэээ тэндэ мэдэжэээгээээ хэлэээ. | 100.0% | 56.9% | 0/1/7 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | нады заясан аджырғалгеттэгэртэ құрыққын сарай құтсаттэ бәсэнгэ чуэл | 100.0% | 54.7% | 0/4/8 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одо дэ дүр стөл чин рэгэсэсэлэй чэцгэй | 100.0% | 51.9% | 0/0/7 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би боз қолтүү хэрэр гэр цэр дэр хий жабдэг хүн | 60.0% | 29.4% | 0/0/6 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Hann formast orðlas boltgu, borðu hún hærð, þógar, neyrgur fyrir og sér. | 120.0% | 92.2% | 2/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Эсфина þessi орður, get gist í orð. | 100.0% | 83.8% | 0/0/7 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Уүндөрдээд тэний түхээд би бодал чадагүй. | 87.5% | 37.0% | 0/2/5 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | хараан горубтойг үудагаас сай кайлиң хүнүүсыйг сан рэх бэг келл ў. | 137.5% | 62.5% | 3/0/8 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танар отжунгута шүлэл ўүтжүт. | 100.0% | 43.3% | 0/3/4 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ёрөз үлтурэсэй салагы афсэймчэн. | 100.0% | 58.3% | 0/3/4 |
Metodik
Hur dessa siffror erhölls.
Leverantör: Whisper large-v3-turbo (Whisper large-v3-turbo open weights (4 decoder layers) run locally — the speed-optimised distillation of large-v3.).
Endpoint local (transformers). Språk mn. Operating point openai/whisper-large-v3-turbo (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-turbo 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.