Whisper large-v3 — Бенчмарк розпізнавання монгольської мови
Реальні результати Whisper large-v3 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 Whisper large-v3 для пакетної транскрипції. Без знижок і узгоджених тарифів — базова ціна за хвилину.
Джерело ціни: публічні ціни Whisper large-v3. Duudlaga Flow показано лише для контексту — ця сторінка ізолює Whisper large-v3, 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 Whisper large-v3, 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 | 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 проти швидкості — за зразками
Кожна точка — один аудіозразок. Ідеальна зона — ліворуч внизу (мало помилок, швидко). Whisper large-v3 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 Whisper large-v3 розпізнав невірно — без закреслень і замін, лише помилки.
| # | Аудіо | Зразок | Датасет | Очікується (еталон) | Результат 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 |
Методологія
Як отримано ці числа.
Постачальник: Whisper large-v3 (OpenAI Whisper large-v3 open weights run locally with an explicit Mongolian language token — the reference open-source ASR baseline.).
Ендпоінт local (transformers). Мова mn. Робоча точка openai/whisper-large-v3 (language=mn, task=transcribe) 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 Whisper large-v3, 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.