SeamlessM4T v2 — Бенчмарк розпізнавання монгольської мови
Реальні результати SeamlessM4T v2 Batch API (покращена робоча точка, мова mn), оцінені на 4 монгольських датасетах і 265 аудіозразках. Усі числа нижче виміряні, а не з маркетингу. WER, швидкість і ціна показані як є, максимально чесно.
265/265 зразків розшифровано · 100% успіх
Чим менше, тим краще · на 265 зразках
Ціна
Прайс-лист SeamlessM4T v2 для пакетної транскрипції. Без знижок і узгоджених тарифів — базова ціна за хвилину.
Джерело ціни: публічні ціни SeamlessM4T v2. Duudlaga Flow показано лише для контексту — ця сторінка ізолює SeamlessM4T v2, щоб число не завищувалось за рахунок нашого продукту.
WER і CER за датасетами
Коефіцієнти помилок у словах і символах за датасетами. Чим менше, тим краще — і це реальні числа SeamlessM4T v2, слабкі на Common Voice 24.
Зведення за датасетами
Сумарна точність, швидкість і час за кожним датасетом.
| Датасет | Джерело | Зразки | Успіх | WER | CER | Точність | Швидкість | Аудіо (с) | Оброб. (с) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 17.6% | 6.3% | 82.4% | 3.59× | 330.6s | 92.1s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 22.2% | 10.2% | 77.8% | 0.25× | 645.1s | 2569.2s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 21.7% | 7.9% | 78.3% | 0.14× | 269.8s | 1897s |
| Modern Voice | — | 92 | 92/92 | 30.9% | 16.7% | 69.1% | 4.26× | 603.8s | 141.6s |
WER проти швидкості — за зразками
Кожна точка — один аудіозразок. Ідеальна зона — ліворуч внизу (мало помилок, швидко). SeamlessM4T v2 дає високий рівень помилок на багатьох зразках Common Voice 24.
Результати за зразками
Еталон показано дослівно у колоні «Очікується». Колона результату підсвічує червоним лише слова, які SeamlessM4T v2 розпізнав невірно — без закреслень і замін, лише помилки.
| # | Аудіо | Зразок | Датасет | Очікується (еталон) | Результат SeamlessM4T v2 | 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 байгаагаа хэлье. | 0.0% | 0.0% | 0/0/0 | |
| 2 | btsee_0002 | Common Voice 24 (MN) | Надад заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | Надад аясан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | 8.3% | 2.7% | 0/0/1 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одоо бид өөрсдөө өвчнөөр эмгэгээсээ салахыг хичээцгээе. | 14.3% | 7.7% | 0/0/1 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бол голдуу хээрээр гэр, хетээр дэр хийж явдаг хүн. | 10.0% | 3.9% | 0/0/1 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Хан хурамс уурлаж, болдоггүй бор уг нь хоёр луугаар нэхүүлэхээр явуулжээ. | 60.0% | 19.5% | 1/0/5 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | Алив наашаа ороод ир гээд гэртээ оров. | 0.0% | 0.0% | 0/0/0 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | Өө, өндөр дээдэс таны тухайд би батлаж чадахгүй. | 12.5% | 4.3% | 0/0/1 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | харин гурав дахь удаагаа эхлээд хүмүүсийг сонирхож эхлэв. | 25.0% | 5.4% | 0/0/2 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Та нар очингуутаа шөл л өгч үз. | 0.0% | 0.0% | 0/0/0 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | Ерөөсөө л үйлдвэрээсээ салаагүй явсан юм чинь. | 14.3% | 6.2% | 0/0/1 |
Методологія
Як отримано ці числа.
Постачальник: SeamlessM4T v2 (Meta SeamlessM4T v2 Large speech-to-text run locally, decoding to Halh Mongolian (khk) — 2.3B params covering ~100 source languages.).
Ендпоінт local (transformers). Мова mn. Робоча точка facebook/seamless-m4t-v2-large (tgt_lang=khk) on mps. Діаризація none.
Датасети: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 зразків, усього 1849.3s аудіо.
- 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—
Метрики: WER і CER обчислюються стандартним вирівнюванням Левенштейна за словами/символами з нормалізацією регістру та пунктуації. Точність = 100 − WER. Коефіцієнт швидкості = тривалість аудіо ÷ час обробки (× реальний час). Усі запити — реальні виклики Batch API SeamlessM4T v2, не з кешу й не симульовані.
Підсвітка різниць: Колона результату вирівнюється за еталоном і підсвічує червоним кожну заміну та вставку. Видалення (слова, відсутні в результаті) не показуються у колоні результату — колонка «Очікується» вже містить повний еталон як є.