Google STT — เกณฑ์วัดแปลงเสียงเป็นข้อความภาษามองโกเลีย
ผลลัพธ์จริงจาก Google STT Batch API (จุดทำงานขั้นสูง ภาษา mn-MN) ประเมินบน 4 ชุดข้อมูลภาษามองโกเลียและ 265 ตัวอย่างเสียง ทุกตัวเลขด้านล่างคือการวัดจริง — ไม่ใช่การตลาด WER ความเร็วและราคาแสดงตามความเป็นจริง ซื่อสัตย์อย่างเด็ดขาด
ถอดเสียง 265/265 ตัวอย่าง · สำเร็จ 100%
น้อยกว่ายิ่งดี · บน 265 ตัวอย่าง
ราคา
ราคาตั้งของ Google STT สำหรับการถอดความแบบกลุ่ม ไม่มีส่วนลดหรืออัตราต่อรอง — อัตราดิบต่อนาที
แหล่งราคา: ราคาสาธารณะของ Google STT Duudlaga Flow แสดงเพื่อบริบทเท่านั้น — หน้านี้แยก Google STT เพื่อมิให้ตัวเลขถูกเพิ่มโดยผลิตภัณฑ์ของเรา
WER และ CER ตามชุดข้อมูล
อัตราคลาดเคลื่อนคำและอักขระต่อชุดข้อมูล น้อยกว่ายิ่งดี — และนี่คือตัวเลขจริงของ Google STT ซึ่งอ่อนใน Common Voice 24
สรุปชุดข้อมูล
ความแม่นยำ ความเร็ว และเวลารวมของแต่ละชุดข้อมูล
| ชุดข้อมูล | Source | ตัวอย่าง | สำเร็จ | WER | CER | ความแม่นยำ | ความเร็ว | เสียง (วิ) | ประมวลผล (วิ) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 16.7% | 6% | 83.3% | 2.03× | —s | —s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 10.5% | 4% | 89.5% | 2.45× | —s | —s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 21.3% | 8.7% | 78.7% | 1.44× | —s | —s |
| Modern Voice | — | 92 | 92/92 | 18.7% | 9.9% | 81.3% | 2.06× | 603.8s | 293s |
WER เทียบกับความเร็ว — ต่อตัวอย่าง
จุดละตัวอย่างเสียง จุดที่ดีที่สุดอยู่ซ้ายล่าง (คลาดเคลื่อนน้อย เร็ว) Google STT มีคลาดเคลื่อนสูงในหลายตัวอย่าง Common Voice 24
ผลลัพธ์ต่อตัวอย่าง
ความจริงอ้างอิงแสดงตรงตัวในคอลัมน์คาดหวัง คอลัมน์ผลลัพธ์ไฮไลต์เฉพาะคำที่ Google STT ถอดผิดด้วยสีแดง — ไม่มีขีดทับ/สลับ เฉพาะความผิดพลาด
| # | เสียง | ตัวอย่าง | ชุดข้อมูล | คาดหวัง (ความจริงอ้างอิง) | ผลลัพธ์ Google STT | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee-cv24-mn-0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | 0.0% | 0.0% | 0/0/0 | |
| 2 | btsee-cv24-mn-0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | 0.0% | 0.0% | 0/0/0 | |
| 3 | btsee-cv24-mn-0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | 0.0% | 0.0% | 0/0/0 | |
| 4 | btsee-cv24-mn-0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бол голдуу хээрээр гэр хэцээр дэр хийж явдаг хүн. | 0.0% | 0.0% | 0/0/0 | |
| 5 | btsee-cv24-mn-0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Хаан Хормистуусын болтугай баруун хоёр дахь луугаар нэргүүлэхээр явжээ. | 100.0% | 41.6% | 0/1/9 | |
| 6 | btsee-cv24-mn-0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Алив наашаа ороод ир гээд гэртээ оров. | 0.0% | 0.0% | 0/0/0 | |
| 7 | btsee-cv24-mn-0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Өө, өндөр дээдэс, таны тухайд би баталж чадахгүй. | 0.0% | 0.0% | 0/0/0 | |
| 8 | btsee-cv24-mn-0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин гурав дахь удаагаасаа эхлэн хүмүүсийг сонирхож эхлэв. | 12.5% | 3.6% | 0/0/1 | |
| 9 | btsee-cv24-mn-0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Та нар очингуутаа шүлэл өгч үз. | 28.6% | 6.7% | 0/1/1 | |
| 10 | btsee-cv24-mn-0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ерөөсөө л үйлдвэрээсээ салаагүй явсан юм чинь. | 14.3% | 6.2% | 0/0/1 |
ระเบียบวิธี
วิธีที่ได้ตัวเลขเหล่านี้
ผู้ให้บริการ: Google STT (Google Cloud Speech-to-Text V2 raw transcription.).
เอนด์พอยต์ http://localhost:8080/transcribe. ภาษา mn-MN. ตัดเครื่องหมายวรรคตอนเพื่อ WER.
ชุดข้อมูล: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 ตัวอย่าง เสียงรวม 1849.3s
- 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—
เมตริก: WER และ CER คำนวณด้วยการจัดเรียง Levenshtein คำ/อักขระมาตรฐาน ปรับตามตัวพิมพ์ใหญ่เล็กและเครื่องหมายวรรคตอน ความแม่นยำ = 100 − WER ค่าคูณความเร็ว = ระยะเสียง ÷ เวลาประมวลผล (× เวลาจริง) ทุกคำขอเป็นการเรียก Batch API จริงของ Google STT ไม่ใช่แคชหรือจำลอง
การไฮไลต์ความแตกต่าง: คอลัมน์ผลลัพธ์จัดเรียงกับความจริงอ้างอิงและระบายสีแดงทุกการแทนที่และการแทรก การลบ (คำที่หายจากผลลัพธ์) ไม่แสดงในคอลัมน์ผลลัพธ์ — คอลัมน์คาดหวังยังถือความจริงอ้างอิงเต็มตามต้นฉบับ