Whisper large-v3-turbo — Benchmark ng Mongolian speech-to-text
Tunay na resulta mula sa Whisper large-v3-turbo Batch API (pinahusay na operating point, wika mn) na sinuri sa 4 Mongolian na dataset at 265 audio sample. Bawat numero sa ibaba ay sinusukat — hindi marketing. Ang WER, bilis, at presyo ay ipinapakita kung ano talaga, walang paligoy-ligoy na tapat.
265/265 sample na-transcribe · 100% tagumpay
Mas mababa mas mainam · sa 265 sample
Presyo
Presyo sa listahan ng Whisper large-v3-turbo para sa batch transcription. Walang diskonto o negotiated na rate — ang hilaw na rate kada minuto.
Pinagmulan ng presyo: pampublikong presyo ng Whisper large-v3-turbo. Ang Duudlaga Flow ay ipinapakita para sa konteksto lamang — inhihiwalay ng pahinang ito ang Whisper large-v3-turbo para hindi palabasin ang numero ng aming produkto.
WER at CER bawat dataset
Tasa ng error sa salita at karakter bawat dataset. Mas mababa mas mainam — at ito ang tunay na numero ng Whisper large-v3-turbo, na mahina sa Common Voice 24.
Buod ng dataset
Pinagsama-samang katumpakan, bilis, at timing para sa bawat dataset.
| Dataset | Source | Mga sample | Tagumpay | WER | CER | Katumpakan | Bilis | Audio (seg) | Proseso (seg) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 100.3% | 56.2% | -0.3% | 0.86× | 330.6s | 382.6s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 99.4% | 47.7% | 0.6% | 1.01× | 645.1s | 640.2s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 101% | 58.1% | -1.0% | 0.55× | 269.8s | 489.7s |
| Modern Voice | — | 92 | 92/92 | 96.8% | 55.6% | 3.2% | 1.18× | 603.8s | 513.8s |
WER laban sa bilis — kada sample
Bawat tuldok ay isang audio sample. Ang ideal na posisyon ay sa kaliwang baba (kaunting error, mabilis). Mataas ang error ng Whisper large-v3-turbo sa maraming sample ng Common Voice 24.
Resulta kada sample
Ang ground truth ay ipinapakang walang pagbabago sa column na Inaasahan. Ang column ng resulta ay naghi-highlight ng pula sa mga salitang nagkamali ang Whisper large-v3-turbo — walang pagstrike/cross-out, mga pagkakamali lamang.
| # | Audio | Sample | Dataset | Inaasahan (ground truth) | Resulta ng Whisper large-v3-turbo | WER | CER | I/D/S |
|---|---|---|---|---|---|---|---|---|
| 1 | btsee_0001 | Common Voice 24 (MN) | Гэхдээ амьсгал хураахаасаа өмнө танд мэдэж байгаагаа хэлье. | Дээ амсхалд бараа бээхэээ тэндэ мэдэжэээгээээ хэлэээ. | 100.0% | 56.9% | 0/1/7 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | нады заясан аджырғалгеттэгэртэ құрыққын сарай құтсаттэ бәсэнгэ чуэл | 100.0% | 54.7% | 0/4/8 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одо дэ дүр стөл чин рэгэсэсэлэй чэцгэй | 100.0% | 51.9% | 0/0/7 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би боз қолтүү хэрэр гэр цэр дэр хий жабдэг хүн | 60.0% | 29.4% | 0/0/6 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Hann formast orðlas boltgu, borðu hún hærð, þógar, neyrgur fyrir og sér. | 120.0% | 92.2% | 2/0/10 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Эсфина þessi орður, get gist í orð. | 100.0% | 83.8% | 0/0/7 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Уүндөрдээд тэний түхээд би бодал чадагүй. | 87.5% | 37.0% | 0/2/5 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | хараан горубтойг үудагаас сай кайлиң хүнүүсыйг сан рэх бэг келл ў. | 137.5% | 62.5% | 3/0/8 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Танар отжунгута шүлэл ўүтжүт. | 100.0% | 43.3% | 0/3/4 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ёрөз үлтурэсэй салагы афсэймчэн. | 100.0% | 58.3% | 0/3/4 |
Metodolohiya
Paano nakuha ang mga numerong ito.
Provider: Whisper large-v3-turbo (Whisper large-v3-turbo open weights (4 decoder layers) run locally — the speed-optimised distillation of large-v3.).
Endpoint local (transformers). Wika mn. Operating point openai/whisper-large-v3-turbo (language=mn, task=transcribe) on mps. Diarisasyon none.
Mga dataset: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 sample, kabuuang 1849.3s audio.
- 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—
Metrics: Ang WER at CER ay kinakwenta gamit ang standard na salita/karakter na Levenshtein alignment, na-normalize para sa case at punctuation. Katumpakan = 100 − WER. Factor ng bilis = duration ng audio ÷ processing time (× real-time). Lahat ng request ay tunay na tawag sa Batch API ng Whisper large-v3-turbo, hindi cached o simulated.
Pag-highlight ng pagkakaiba: Ang column ng resulta ay ini-align sa ground truth at nagkokolor ng pula sa bawat substitution at insertion. Ang deletions (mga salitang nawawala sa resulta) ay hindi ipinapakita sa column ng resulta — ang column na Inaasahan ay may hawak na ng buong ground truth na walang pagbabago.