Whisper large-v3 — மங்கோலிய பேச்சு-உரை பெஞ்ச்மார்க்
Whisper large-v3 Batch API (மேம்படுத்தப்பட்ட இயக்கப் புள்ளி, மொழி mn) ஆல் 4 மங்கோலிய தரவுத்தொகுப்புகள் மற்றும் 265 ஆடியோ மாதிரிகளில் மதிப்பிடப்பட்ட உண்மையான முடிவுகள். கீழே உள்ள ஒவ்வொரு எண்ணும் அளக்கப்பட்டதே — சந்தைப்படுத்தல் அல்ல. WER, வேகம் மற்றும் விலை அப்படியே, கடுமையான நேர்மையுடன் காட்டப்படுகின்றன.
265/265 மாதிரிகள் எழுத்துப்பெயர்ப்பு · 100% வெற்றி
குறைவாக சிறந்தது · 265 மாதிரிகளில்
விலை
தொகுதி எழுத்துப்பெயர்ப்புக்கான Whisper large-v3 பட்டியல் விலை. தள்ளுபடி அல்லது பேச்சுவார்த்தை விகிதம் இல்லை — நிமிடத்திற்கான மூல விகிதம்.
விலை மூலம்: Whisper large-v3 பொது விலைகள். Duudlaga Flow சூழலுக்காக மட்டுமே காட்டப்படுகிறது — இப்பக்கம் Whisper large-v3-ஐ தனிமைப்படுத்துகிறது, எண் எங்கள் தயாரிப்பால் பெரிதாக்கப்படாது.
தரவுத்தொகுப்பு வாரியான WER மற்றும் CER
தரவுத்தொகுப்பு வாரியான சொல் மற்றும் எழுத்து பிழை விகிதங்கள். குறைவாக சிறந்தது — மேலும் இவை Whisper large-v3-ன் உண்மையான எண்கள், அவை Common Voice 24-ல் பலவீனமானவை.
தரவுத்தொகுப்பு சுருக்கம்
ஒவ்வொரு தரவுத்தொகுப்பிற்கும் திரட்டப்பட்ட துல்லியம், வேகம் மற்றும் நேரம்.
| தரவுத்தொகுப்பு | Source | மாதிரிகள் | வெற்றி | WER | CER | துல்லியம் | வேகம் | ஆடியோ (வி) | செயல் (வி) |
|---|---|---|---|---|---|---|---|---|---|
| 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 வேகம் — மாதிரி வாரியாக
ஒவ்வொரு புள்ளியும் ஒரு ஆடியோ மாதிரி. சிறந்த இடம் கீழ்-இடது (குறைந்த பிழை, வேகம்). Whisper large-v3 பல Common Voice 24 மாதிரிகளில் அதிக பிழை கொண்டுள்ளது.
மாதிரி வாரியான முடிவுகள்
எதிர்பார்க்கப்படும் நெடுவரிசையில் அடிப்படை உண்மை அப்படியே காட்டப்படுகிறது. முடிவு நெடுவரிசை Whisper large-v3 தவறாக மாற்றிய சொற்களை மட்டுமே சிவப்பில் முன்னிலைப்படுத்துகிறது — குறுக்குகோடு/மாற்றம் இல்லை, தவறுகள் மட்டும்.
| # | ஒலி | மாதிரி | தரவுத்தொகுப்பு | எதிர்பார்க்கப்படும் (அடிப்படை உண்மை) | Whisper large-v3 முடிவு | 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 |
முறையியல்
இந்த எண்கள் எப்படிப் பெறப்பட்டன.
வழங்குநர்: Whisper large-v3 (OpenAI Whisper large-v3 open weights run locally with an explicit Mongolian language token — the reference open-source ASR baseline.).
என்ட்பாயின்ட் local (transformers). மொழி mn. Operating point openai/whisper-large-v3 (language=mn, task=transcribe) on mps. பேச்சாளர் பிரிப்பு none.
தரவுத்தொகுப்புகள்: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 மாதிரிகள், மொத்தம் 1849.3s ஆடியோ.
- 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—
அளவீடுகள்: WER மற்றும் CER தரநிலையான சொல்/எழுத்து லெவென்ஸ்டைன் சீரமைப்பில், எழுத்து வகை மற்றும் நிறுத்தற்குறிக்கு இணக்கப்படுத்தப்பட்டு கணக்கிடப்படுகின்றன. துல்லியம் = 100 − WER. வேக காரணி = ஆடியோ காலஅளவு ÷ செயலாக்க நேரம் (× நிகழ்நேரம்). அனைத்து கோரிக்கைகளும் உண்மையான Whisper large-v3 Batch API அழைப்புகள், தற்காலிக சேமிப்பு அல்லது உருவகப்படுத்தப்பட்டவை அல்ல.
வேறுபாடு முன்னிலைப்படுத்தல்: முடிவு நெடுவரிசை அடிப்படை உண்மையுடன் சீரமைக்கப்பட்டு ஒவ்வொரு மாற்றீடு மற்றும் செருகலையும் சிவப்பில் வண்ணமயிக்கிறது. நீக்கங்கள் (முடிவில் இல்லாத சொற்கள்) முடிவு நெடுவரிசையில் காட்டப்படாது — எதிர்பார்க்கப்படும் நெடுவரிசை ஏற்கனவே முழு அடிப்படை உண்மையை அப்படியே கொண்டுள்ளது.