VibeVoice ASR — Moğolca konuşmadan metne benchmark
VibeVoice ASR Batch API (geliştirilmiş çalışma noktası, dil mn) tarafından 4 Moğolca veri seti ve 265 ses örneği üzerinde değerlendirilen gerçek sonuçlar. Aşağıdaki her sayı ölçülmüştür — pazarlama değil. WER, hız ve fiyat olduğu gibi, acımasızca dürüst gösterilir.
258/265 örnek transkribe edildi · %100 başarı
Düşük daha iyidir · 265 örnek üzerinde
Fiyat
Toplu transkripsiyon için VibeVoice ASR liste fiyatı. İndirim veya pazarlık edilen tarifeler yok — ham dakika başı ücret.
Fiyat kaynağı: VibeVoice ASR genel fiyatları. Duudlaga Flow yalnızca bağlam için gösterilir — bu sayfa VibeVoice ASR'i izole eder, böylece sayı kendi ürünümüzle şişirilmez.
Veri setine göre WER ve CER
Veri seti başına kelime ve karakter hata oranları. Düşük daha iyidir — ve bunlar VibeVoice ASR'in gerçek sayılarıdır ve Common Voice 24'te zayıftır.
Veri seti özeti
Her veri seti için toplu doğruluk, hız ve zamanlama.
| Veri seti | Kaynak | Örnekler | Başarı | WER | CER | Doğruluk | Hız | Ses (sn) | İşl. (sn) |
|---|---|---|---|---|---|---|---|---|---|
| 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 ile hız — örnek bazında
Her nokta bir ses örneğidir. İdeal yer sol alttadır (az hata, hızlı). VibeVoice ASR birçok Common Voice 24 örneğinde yüksek hata yapar.
Örnek bazında sonuçlar
Beklenen sütununda referans değer olduğu gibi gösterilir. Sonuç sütunu yalnızca VibeVoice ASR'in yanlış yaptığı kelimeleri kırmızıyla vurgular — üstü çizili değişimler yok, sadece hatalar.
| # | Ses | Örnek | Veri seti | Beklenen (referans değer) | VibeVoice ASR sonucu | 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 |
Yöntembilim
Bu sayılar nasıl elde edildi.
Sağlayıcı: 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.).
Uç nokta local (transformers). Dil mn. Çalışma noktası microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. Diyarizasyon none.
Veri setleri: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 örnek, toplam 1788.5s ses.
- 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—
Metrikler: WER ve CER, büyük/küçük harf ve noktalama için normalize edilmiş standart bir kelime/karakter Levenshtein hizalamasıyla hesaplanır. Doğruluk = 100 − WER. Hız faktörü = ses süresi ÷ işleme süresi (× gerçek zaman). Tüm istekler gerçek VibeVoice ASR Batch API çağrılarıdır; önbelleğe alınmış veya simüle edilmiş değildir.
Fark vurgulaması: Sonuç sütunu referans değere hizalanır ve her ikame ve eklemeyi kırmızı renkle işaretler. Silmeler (sonuçta eksik kelimeler) sonuç sütununda gösterilmez — Beklenen sütunu zaten referans değerin tamamını olduğu gibi içerir.