VibeVoice ASR — మంగోలియన్ స్పీచ్-టు-టెక్స్ట్ బెంచ్మార్క్
VibeVoice ASR 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.
258/265 నమూనాలు ట్రాన్స్క్రైబ్ అయ్యాయి · 100% విజయం
తక్కువ మంచిది · 265 నమూనాలపై
ధర
బ్యాచ్ ట్రాన్స్క్రిప్షన్ కోసం VibeVoice ASR జాబితా ధర. లాభాలు లేవు లేదా చర్చించిన రేట్లు లేవు — నిమిషానికి ముడి రేటు.
ధర మూలం: VibeVoice ASR పబ్లిక్ ధరలు. Duudlaga Flow కేవలం సందర్భం కోసం చూపబడింది — ఈ పేజీ VibeVoice ASR 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 VibeVoice ASR 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 | 57/59 | 98.9% | 59.2% | 1.1% | 0.56× | 318.8s | 574.1s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 59/60 | 114.2% | 58% | -14.2% | 0.63× | 630.9s | 1003.2s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 52/54 | 103.8% | 62.2% | -3.8% | 0.57× | 258.2s | 452.9s |
| Modern Voice | — | 92 | 90/92 | 109.4% | 63.4% | -9.4% | 0.43× | 580.6s | 1338.1s |
WER vs వేగం — నమూనా వారీ
ప్రతి బిందువు ఒక ఆడియో నమూనా. సరైన స్థానం కింద-ఎడమ (తక్కువ పొరపాటు, వేగం). VibeVoice ASR అనేక Common Voice 24 నమూనాలపై అధిక పొరపాటు కలిగి ఉంది.
నమూనా వారీ ఫలితాలు
అనుకున్న కాలమ్లో గ్రౌండ్ ట్రూత్ అలాగే చూపబడింది. ఫలితాల కాలమ్ VibeVoice ASR తప్పు చేసిన పదాలను మాత్రమే ఎరుపు రంగులో హైలైట్ చేస్తుంది — స్ట్రైక్థ్రూ/మార్పిడి లేదు, కేవలం తప్పులు.
| # | ఆడియో | నమూనా | డేటాసెట్ | అనుకున్న (గ్రౌండ్ ట్రూత్) | VibeVoice ASR ఫలితం | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Китэйм солонгос рахасаа, мөн тэнд мэдэгдэхгүй байна шүү дээ. | 112.5% | 63.8% | 1/0/8 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад зээс санагч ралхитэг юрдогорхон сарын хутагдай байсан гэж байна. | 66.7% | 42.7% | 0/2/6 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Атаа титурстуучин бийгээс ард хичээсгээд. | 100.0% | 55.8% | 0/2/5 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бас алтуу хэдэр гэр, эцэрг дэргий чи аптахуун. | 80.0% | 43.1% | 0/1/7 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Ханхан мэдээлэл, бүртгэл баруунд нэг хэсэг, зөөвөр нэг рус шүршгээ. | 100.0% | 72.7% | 0/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Аз жүн байш, ороудыр, гейт кэсэдэ ороудыр. | 100.0% | 62.2% | 0/0/7 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | О, өндөртөөс танигдаж байгаа бие баталгаатай байна шүү дээ. | 112.5% | 76.1% | 1/0/8 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин, урвдаг, удахас, яглэг, хүмүүсийг санжуулж лүү. | 75.0% | 35.7% | 0/1/5 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танар, очонгутаа, шүлэл, юг, чүүдз. | 100.0% | 30.0% | 0/2/5 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ирсээд үүрдүүр сэсэлтэй өгөөд сэгчихээд. | 100.0% | 72.9% | 0/2/5 |
పద్ధతిశాస్త్రం
ఈ సంఖ్యలు ఎలా వచ్చాయి.
ప్రొవైడర్: VibeVoice ASR (Microsoft VibeVoice-ASR (7.6B, MIT) run locally — a long-form speech LLM covering 50+ languages. Needs a Mongolian context prompt: without it, language auto-detection picks the wrong script entirely.).
ఎండ్పాయింట్ local (transformers). భాష mn. Operating point microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. స్పీకర్ వేరుచేత none.
డేటాసెట్లు: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 నమూనాలు, మొత్తం 1788.5s 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 VibeVoice ASR 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.