Whisper large-v3 — เกณฑ์วัดแปลงเสียงเป็นข้อความภาษามองโกเลีย
ผลลัพธ์จริงจาก Whisper large-v3 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 Whisper large-v3 สำหรับการถอดความแบบกลุ่ม ไม่มีส่วนลดหรืออัตราต่อรอง — อัตราดิบต่อนาที
แหล่งราคา: ราคาสาธารณะของ Whisper large-v3 Duudlaga Flow แสดงเพื่อบริบทเท่านั้น — หน้านี้แยก Whisper large-v3 เพื่อมิให้ตัวเลขถูกเพิ่มโดยผลิตภัณฑ์ของเรา
WER และ CER ตามชุดข้อมูล
อัตราคลาดเคลื่อนคำและอักขระต่อชุดข้อมูล น้อยกว่ายิ่งดี — และนี่คือตัวเลขจริงของ Whisper large-v3 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 | 91.2% | 38.8% | 8.8% | 0.72× | 330.6s | 456.5s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 86.2% | 33% | 13.8% | 1.87× | 645.1s | 344.8s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 94% | 41% | 6.0% | 1.13× | 269.8s | 238.3s |
| Modern Voice | — | 92 | 92/92 | 87.7% | 37.2% | 12.3% | 1.53× | 603.8s | 394.1s |
WER เทียบกับความเร็ว — ต่อตัวอย่าง
จุดละตัวอย่างเสียง จุดที่ดีที่สุดอยู่ซ้ายล่าง (คลาดเคลื่อนน้อย เร็ว) Whisper large-v3 มีคลาดเคลื่อนสูงในหลายตัวอย่าง Common Voice 24
ผลลัพธ์ต่อตัวอย่าง
ความจริงอ้างอิงแสดงตรงตัวในคอลัมน์คาดหวัง คอลัมน์ผลลัพธ์ไฮไลต์เฉพาะคำที่ Whisper large-v3 ถอดผิดด้วยสีแดง — ไม่มีขีดทับ/สลับ เฉพาะความผิดพลาด
| # | เสียง | ตัวอย่าง | ชุดข้อมูล | คาดหวัง (ความจริงอ้างอิง) | ผลลัพธ์ Whisper large-v3 | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Кэлтээ амсгол түрээ хасаа омон танд мэдэж байгаа хэлээ. | 87.5% | 32.8% | 1/0/6 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надзай асан аджирал гэдэгээрдээ үрхүн сарай хүгцадтай байсан гэж бүх. | 83.3% | 33.3% | 0/2/8 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Атаах тээ төрч төрч энрээгээсээ салхих чигцгээ. | 100.0% | 53.8% | 0/0/7 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би босголту хэрээр гэр хэцэр дэрхийж ябдог хүн. | 70.0% | 17.6% | 0/2/5 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Ханхурмас дуу орлос болдгой бараа үгэнээ 2 лоогуу арны эргүйлэхээр ягалж байна. | 120.0% | 51.9% | 2/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Аж байнааша ородор, гэдгэжтэй оров. | 85.7% | 35.1% | 0/2/4 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Уу, үндэр дээд таныи тухууд би бааталг чалтахгүй. | 87.5% | 28.3% | 0/0/7 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Харин 3-тэг хуудагаса эхлэн хүмүүстэг сайнархаж гэлэв. | 75.0% | 35.7% | 0/0/6 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танр очингууд шүүллэл үхж байз. | 100.0% | 50.0% | 0/2/5 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ерөөсөөл үүлтүрөссээ салаагуу ябсан имч нь. | 100.0% | 33.3% | 0/1/6 |
ระเบียบวิธี
วิธีที่ได้ตัวเลขเหล่านี้
ผู้ให้บริการ: Whisper large-v3 (OpenAI Whisper large-v3 open weights run locally with an explicit Mongolian language token — the reference open-source ASR baseline.).
เอนด์พอยต์ local (transformers). ภาษา mn. Operating point openai/whisper-large-v3 (language=mn, task=transcribe) on mps. 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 Whisper large-v3 ไม่ใช่แคชหรือจำลอง
การไฮไลต์ความแตกต่าง: คอลัมน์ผลลัพธ์จัดเรียงกับความจริงอ้างอิงและระบายสีแดงทุกการแทนที่และการแทรก การลบ (คำที่หายจากผลลัพธ์) ไม่แสดงในคอลัมน์ผลลัพธ์ — คอลัมน์คาดหวังยังถือความจริงอ้างอิงเต็มตามต้นฉบับ