GPT-4o Transcribe — เกณฑ์วัดแปลงเสียงเป็นข้อความภาษามองโกเลีย
ผลลัพธ์จริงจาก GPT-4o Transcribe Batch API (จุดทำงานขั้นสูง ภาษา mn) ประเมินบน 4 ชุดข้อมูลภาษามองโกเลียและ 265 ตัวอย่างเสียง ทุกตัวเลขด้านล่างคือการวัดจริง — ไม่ใช่การตลาด WER ความเร็วและราคาแสดงตามความเป็นจริง ซื่อสัตย์อย่างเด็ดขาด
ถอดเสียง 265/265 ตัวอย่าง · สำเร็จ 100%
น้อยกว่ายิ่งดี · บน 265 ตัวอย่าง
ราคา
ราคาตั้งของ GPT-4o Transcribe สำหรับการถอดความแบบกลุ่ม ไม่มีส่วนลดหรืออัตราต่อรอง — อัตราดิบต่อนาที
แหล่งราคา: ราคาสาธารณะของ GPT-4o Transcribe Duudlaga Flow แสดงเพื่อบริบทเท่านั้น — หน้านี้แยก GPT-4o Transcribe เพื่อมิให้ตัวเลขถูกเพิ่มโดยผลิตภัณฑ์ของเรา
WER และ CER ตามชุดข้อมูล
อัตราคลาดเคลื่อนคำและอักขระต่อชุดข้อมูล น้อยกว่ายิ่งดี — และนี่คือตัวเลขจริงของ GPT-4o Transcribe 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 | 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 เทียบกับความเร็ว — ต่อตัวอย่าง
จุดละตัวอย่างเสียง จุดที่ดีที่สุดอยู่ซ้ายล่าง (คลาดเคลื่อนน้อย เร็ว) GPT-4o Transcribe มีคลาดเคลื่อนสูงในหลายตัวอย่าง Common Voice 24
ผลลัพธ์ต่อตัวอย่าง
ความจริงอ้างอิงแสดงตรงตัวในคอลัมน์คาดหวัง คอลัมน์ผลลัพธ์ไฮไลต์เฉพาะคำที่ GPT-4o Transcribe ถอดผิดด้วยสีแดง — ไม่มีขีดทับ/สลับ เฉพาะความผิดพลาด
| # | เสียง | ตัวอย่าง | ชุดข้อมูล | คาดหวัง (ความจริงอ้างอิง) | ผลลัพธ์ GPT-4o Transcribe | 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 |
ระเบียบวิธี
วิธีที่ได้ตัวเลขเหล่านี้
ผู้ให้บริการ: GPT-4o Transcribe (OpenAI gpt-4o-transcribe hosted transcription (Mongolian prompt hint; 'mn' is not an accepted language code).).
เอนด์พอยต์ https://api.openai.com/v1/audio/transcriptions. ภาษา mn. Operating point gpt-4o-transcribe. แยกผู้พูด none.
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 GPT-4o Transcribe ไม่ใช่แคชหรือจำลอง
การไฮไลต์ความแตกต่าง: คอลัมน์ผลลัพธ์จัดเรียงกับความจริงอ้างอิงและระบายสีแดงทุกการแทนที่และการแทรก การลบ (คำที่หายจากผลลัพธ์) ไม่แสดงในคอลัมน์ผลลัพธ์ — คอลัมน์คาดหวังยังถือความจริงอ้างอิงเต็มตามต้นฉบับ