VibeVoice ASR — Бенчмарк розпізнавання монгольської мови
Реальні результати VibeVoice ASR 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.
258/265 зразків розшифровано · 100% успіх
Чим менше, тим краще · на 265 зразках
Ціна
Прайс-лист VibeVoice ASR для пакетної транскрипції. Без знижок і узгоджених тарифів — базова ціна за хвилину.
Джерело ціни: публічні ціни VibeVoice ASR. Duudlaga Flow показано лише для контексту — ця сторінка ізолює VibeVoice ASR, 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 VibeVoice ASR, 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 | 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 проти швидкості — за зразками
Кожна точка — один аудіозразок. Ідеальна зона — ліворуч внизу (мало помилок, швидко). VibeVoice ASR 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 VibeVoice ASR розпізнав невірно — без закреслень і замін, лише помилки.
| # | Аудіо | Зразок | Датасет | Очікується (еталон) | Результат 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 |
Методологія
Як отримано ці числа.
Постачальник: 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.).
Ендпоінт local (transformers). Мова mn. Робоча точка microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) on mps. Діаризація none.
Датасети: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 зразків, усього 1788.5s 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 VibeVoice ASR, 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.