กระดานจัดอันดับแปลงเสียงเป็นข้อความภาษามองโกเลีย

VibeVoice ASROperating point: microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps

VibeVoice ASR — เกณฑ์วัดแปลงเสียงเป็นข้อความภาษามองโกเลีย

ผลลัพธ์จริงจาก VibeVoice ASR Batch API (จุดทำงานขั้นสูง ภาษา mn) ประเมินบน 4 ชุดข้อมูลภาษามองโกเลียและ 265 ตัวอย่างเสียง ทุกตัวเลขด้านล่างคือการวัดจริง — ไม่ใช่การตลาด WER ความเร็วและราคาแสดงตามความเป็นจริง ซื่อสัตย์อย่างเด็ดขาด

ภาษา:MNแยกผู้พูด:noneตัวอย่าง:265การทำงาน:Aug 18, 2026, 8:18 PMเอนด์พอยต์:local (transformers)

ความแม่นยำ

ถอดเสียง 258/265 ตัวอย่าง · สำเร็จ 100%

อัตราความคลาดเคลื่อนคำ

น้อยกว่ายิ่งดี · บน 265 ตัวอย่าง

เมตริกหลัก

อัตราความคลาดเคลื่อนอักขระ61%

ค่าคูณความเร็วเฉลี่ย0.53×ทวีคูณเวลาจริง

ค่าคูณความเร็วรวม0.53×

ความหน่วงเฉลี่ยต่อตัวอย่าง12.1s

เสียงที่ประมวลผลรวม1788.5s29.8 นาที

ราคา

ราคาตั้งของ VibeVoice ASR สำหรับการถอดความแบบกลุ่ม ไม่มีส่วนลดหรืออัตราต่อรอง — อัตราดิบต่อนาที

ต่อ 1000 นาที

กลุ่ม

ต่อนาที

$0.0000

มีผล

ต่อ 1000 นาที (29.8 นาทีนี้)

$0.00

จะต้นทุน

โอเพนซอร์ส?

✓

กรรมสิทธิ์

แหล่งราคา: ราคาสาธารณะของ VibeVoice ASR Duudlaga Flow แสดงเพื่อบริบทเท่านั้น — หน้านี้แยก VibeVoice ASR เพื่อมิให้ตัวเลขถูกเพิ่มโดยผลิตภัณฑ์ของเรา

WER และ CER ตามชุดข้อมูล

อัตราคลาดเคลื่อนคำและอักขระต่อชุดข้อมูล น้อยกว่ายิ่งดี — และนี่คือตัวเลขจริงของ VibeVoice ASR ซึ่งอ่อนใน Common Voice 24

Common Voice 24 (MN)

Source dataset →

WER

98.9%

CER

59.2%

Shunya Labs Mongolian Speech

Source dataset →

WER

114.2%

CER

58%

Common Voice 20 (MN)

Source dataset →

WER

103.8%

CER

62.2%

Modern Voice

WER

109.4%

CER

63.4%

WERCER

สรุปชุดข้อมูล

ความแม่นยำ ความเร็ว และเวลารวมของแต่ละชุดข้อมูล

ชุดข้อมูล	Source	ตัวอย่าง	สำเร็จ	WER	CER	ความแม่นยำ	ความเร็ว	เสียง (วิ)	ประมวลผล (วิ)
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 เทียบกับความเร็ว — ต่อตัวอย่าง

จุดละตัวอย่างเสียง จุดที่ดีที่สุดอยู่ซ้ายล่าง (คลาดเคลื่อนน้อย เร็ว) VibeVoice ASR มีคลาดเคลื่อนสูงในหลายตัวอย่าง Common Voice 24

ผลลัพธ์ต่อตัวอย่าง

ความจริงอ้างอิงแสดงตรงตัวในคอลัมน์คาดหวัง คอลัมน์ผลลัพธ์ไฮไลต์เฉพาะคำที่ VibeVoice ASR ถอดผิดด้วยสีแดง — ไม่มีขีดทับ/สลับ เฉพาะความผิดพลาด

Only errors265 แถว

แดงคำผิดในผลลัพธ์ปกติถอดถูกต้องคอลัมน์คาดหวังแสดงตรงตัวเป็นความจริงอ้างอิง

#	ตัวอย่าง	ชุดข้อมูล	คาดหวัง (ความจริงอ้างอิง)	ผลลัพธ์ VibeVoice ASR	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

…หน้า 1 จาก 27

ระเบียบวิธี

วิธีที่ได้ตัวเลขเหล่านี้

ผู้ให้บริการ: 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.).

เอนด์พอยต์ local (transformers). ภาษา mn. Operating point microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. แยกผู้พูด none.

ชุดข้อมูล: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 ตัวอย่าง เสียงรวม 1788.5s

Dataset source URLs:

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 VibeVoice ASR ไม่ใช่แคชหรือจำลอง

การไฮไลต์ความแตกต่าง: คอลัมน์ผลลัพธ์จัดเรียงกับความจริงอ้างอิงและระบายสีแดงทุกการแทนที่และการแทรก การลบ (คำที่หายจากผลลัพธ์) ไม่แสดงในคอลัมน์ผลลัพธ์ — คอลัมน์คาดหวังยังถือความจริงอ้างอิงเต็มตามต้นฉบับ

สร้างโดย VibeVoice ASR Benchmark Runner · VibeVoice ASR Batch API v2 · ทำงาน Aug 18, 2026, 8:18 PM