GPT-4o Transcribe — మంగోలియన్ స్పీచ్-టు-టెక్స్ట్ బెంచ్మార్క్
GPT-4o Transcribe Batch API (మెరుగైన ఆపరేటింగ్ పాయింట్, భాష mn) ద్వారా 4 మంగోలియన్ డేటాసెట్లు మరియు 265 ఆడియో నమూనాలపై అంచనా వేసిన వాస్తవ ఫలితాలు. కింద ప్రతి సంఖ్య కొలిచినదే — మార్కెటింగ్ కాదు. WER, వేగం మరియు ధర అలాగే, కఠినమైన నిజాయితీతో చూపబడ్డాయి.
265/265 నమూనాలు ట్రాన్స్క్రైబ్ అయ్యాయి · 100% విజయం
తక్కువ మంచిది · 265 నమూనాలపై
ధర
బ్యాచ్ ట్రాన్స్క్రిప్షన్ కోసం GPT-4o Transcribe జాబితా ధర. లాభాలు లేవు లేదా చర్చించిన రేట్లు లేవు — నిమిషానికి ముడి రేటు.
ధర మూలం: GPT-4o Transcribe పబ్లిక్ ధరలు. Duudlaga Flow కేవలం సందర్భం కోసం చూపబడింది — ఈ పేజీ GPT-4o Transcribe ను వేరు చేస్తుంది తద్వారా సంఖ్య మన ఉత్పత్తి ద్వారా పెంచబడదు.
డేటాసెట్ వారీ WER మరియు CER
డేటాసెట్ వారీ పద మరియు అక్షర పొరపాటు రేట్లు. తక్కువ మంచిది — మరియు ఇవి GPT-4o Transcribe యొక్క వాస్తవ సంఖ్యలు, అవి Common Voice 24 పై బలహీనంగా ఉన్నాయి.
డేటాసెట్ సారాంశం
ప్రతి డేటాసెట్ కోసం సముదాయ ఖచ్చితత్వం, వేగం మరియు సమయం.
| డేటాసెట్ | Source | నమూనాలు | విజయం | WER | CER | ఖచ్చితత్వం | వేగం | ఆడియో (సె) | ప్రాసె. (సె) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 61.3% | 31.1% | 38.7% | 2.73× | 330.6s | 121.2s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 41.7% | 19.4% | 58.3% | 1.67× | 645.1s | 386.8s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 65.9% | 36.4% | 34.1% | 2.01× | 269.8s | 133.9s |
| Modern Voice | — | 92 | 92/92 | 47.4% | 25.5% | 52.6% | 2.59× | 603.8s | 233.4s |
WER vs వేగం — నమూనా వారీ
ప్రతి బిందువు ఒక ఆడియో నమూనా. సరైన స్థానం కింద-ఎడమ (తక్కువ పొరపాటు, వేగం). GPT-4o Transcribe అనేక Common Voice 24 నమూనాలపై అధిక పొరపాటు కలిగి ఉంది.
నమూనా వారీ ఫలితాలు
అనుకున్న కాలమ్లో గ్రౌండ్ ట్రూత్ అలాగే చూపబడింది. ఫలితాల కాలమ్ GPT-4o Transcribe తప్పు చేసిన పదాలను మాత్రమే ఎరుపు రంగులో హైలైట్ చేస్తుంది — స్ట్రైక్థ్రూ/మార్పిడి లేదు, కేవలం తప్పులు.
| # | ఆడియో | నమూనా | డేటాసెట్ | అనుకున్న (గ్రౌండ్ ట్రూత్) | GPT-4o Transcribe ఫలితం | 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 яваагаа хэлье. | 12.5% | 6.9% | 0/0/1 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад сая санагдаж байгаа гэхэд ердөө гурван сарийн хугацаатай байсан л гэж үү? | 58.3% | 22.7% | 1/0/6 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одоо би дуртай хүнтэйгээ салахыг хүсч байгаа. | 85.7% | 51.9% | 0/0/6 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бас голдуу хэрээр гэр, хэцэр дээр хийж явдаг хүн. | 40.0% | 9.8% | 0/0/4 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Хаварын сүүлчээс барлагийн хоёр зоогоор нэргүүл шарив. | 100.0% | 66.2% | 0/3/7 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Айсин наашаараад ир, гэж гэртээ оров. | 57.1% | 24.3% | 0/1/3 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Оо, өндөртэд таныг тохойод би баталж чадахгүй. | 62.5% | 23.9% | 0/1/4 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин 33 дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | 12.5% | 8.9% | 0/0/1 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Та нар орчлонгоудаа шүүлт өгч үз. | 42.9% | 30.0% | 0/1/2 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ирүүсөөл үлдүүрээсээ салаагүй явсна юм чинь. | 57.1% | 25.0% | 0/1/3 |
పద్ధతిశాస్త్రం
ఈ సంఖ్యలు ఎలా వచ్చాయి.
ప్రొవైడర్: GPT-4o Transcribe (OpenAI gpt-4o-transcribe hosted transcription (Mongolian prompt hint; 'mn' is not an accepted language code).).
ఎండ్పాయింట్ https://api.openai.com/v1/audio/transcriptions. భాష mn. Operating point gpt-4o-transcribe. స్పీకర్ వేరుచేత none.
డేటాసెట్లు: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 నమూనాలు, మొత్తం 1849.3s ఆడియో.
- 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—
మెట్రిక్స్: WER మరియు CER ప్రామాణిక పద/అక్షర లెవెన్స్టైన్ అలైన్మెంట్తో, కేసు మరియు పంక్చుయేషన్కు నార్మలైజ్ చేసి లెక్కించబడతాయి. ఖచ్చితత్వం = 100 − WER. వేగ గుణకం = ఆడియో నిడివి ÷ ప్రాసెసింగ్ సమయం (× రియల్-టైమ్). అన్ని అభ్యర్థనలు నిజమైన GPT-4o Transcribe Batch API కాల్లు, క్యాషే లేదా సిమ్యులేటెడ్ కావు.
తేడా హైలైటింగ్: ఫలితాల కాలమ్ గ్రౌండ్ ట్రూత్తో అలైన్ అవుతుంది మరియు ప్రతి ప్రత్యామ్నాయం మరియు చొప్పింతను ఎరుపు రంగు చేస్తుంది. తొలగింపులు (ఫలితంలో లేని పదాలు) ఫలితాల కాలమ్లో చూపబడవు — అనుకున్న కాలమ్ ఇప్పటికే మొత్తం గ్రౌండ్ ట్రూత్ను అలాగే కలిగి ఉంది.