Azure Speech — Benchmark chuyển giọng nói thành văn bản tiếng Mông Cổ
Kết quả thực tế từ Azure Speech Batch API (điểm hoạt động nâng cao, ngôn ngữ mn) được đánh giá trên 4 bộ dữ liệu tiếng Mông Cổ và 265 mẫu âm thanh. Mọi con số dưới đây đều được đo lường — không phải tiếp thị. WER, tốc độ và giá được hiển thị nguyên bản, trung thực trần trụi.
264/265 mẫu đã chuyển ghi · 100% thành công
Thấp hơn tốt hơn · trên 265 mẫu
Giá
Giá niêm yết của Azure Speech cho chuyển ghi theo lô. Không chiết khấu hay giá thương lượng — mức giá thô mỗi phút.
Nguồn giá: giá công khai của Azure Speech. Duudlaga Flow chỉ hiển thị cho ngữ cảnh — trang này tách riêng Azure Speech để con số không bị thổi phồng bởi sản phẩm của chúng tôi.
WER & CER theo bộ dữ liệu
Tỷ lệ lỗi từ và lỗi ký tự theo từng bộ dữ liệu. Thấp hơn tốt hơn — và đây là các con số thực của Azure Speech, yếu trên Common Voice 24.
Tóm tắt bộ dữ liệu
Độ chính xác, tốc độ và thời gian tổng hợp cho từng bộ dữ liệu.
| Bộ dữ liệu | Nguồn | Mẫu | Thành công | WER | CER | Độ chính xác | Tốc độ | Âm thanh (giây) | Xử lý (giây) |
|---|---|---|---|---|---|---|---|---|---|
| Common Voice 24 (MN) | Hugging Face → | 59 | 59/59 | 14.9% | 5.6% | 85.1% | 0.28× | 330.6s | 1175.5s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 18.4% | 8.4% | 81.6% | 0.57× | 645.1s | 1141.3s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 12.7% | 4.9% | 87.3% | 0.39× | 269.8s | 683.3s |
| Modern Voice | — | 92 | 91/92 | 30.9% | 16.1% | 69.1% | 0.34× | 598.8s | 1780.6s |
WER so với tốc độ — mỗi mẫu
Mỗi chấm là một mẫu âm thanh. Vị trí lý tưởng ở góc dưới bên trái (ít lỗi, nhanh). Azure Speech có tỷ lệ lỗi cao trên nhiều mẫu Common Voice 24.
Kết quả từng mẫu
Sự thật chuẩn được hiển thị nguyên văn trong cột Mong đợi. Cột kết quả tô đỏ chỉ những từ Azure Speech nhận sai — không gạch thay thế, chỉ lỗi.
| # | Âm thanh | Mẫu | Bộ dữ liệu | Mong đợi (sự thật chuẩn) | Kết quả Azure Speech | 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 заяасан аз жаргал гэдэг ердөө гуравхан сарын хугацаатай байсан гэж үү? | 0.0% | 0.0% | 0/0/0 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | 0.0% | 0.0% | 0/0/0 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | Би бол голдуу хээрээр Гэр хичээл дээр хийж явдаг Хүн. | 20.0% | 7.8% | 0/0/2 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | Хан хурмаст уурлаж болдоггүй бор өвгөнийг 2 луугаараа эргүүлэхээр явж. | 30.0% | 13.0% | 0/0/3 | |
| 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 баталж чадахгүй. | 0.0% | 0.0% | 0/0/0 | |
| 8 | btsee_0008 | Common Voice 24 (MN) | Харин гурав дахь удаагаас эхлэн хүмүүсийг сонирхож эхлэв. | Хорин 3 дахь удаагаас. Эхлэн хүмүүсийг сонирхож эхлэв. | 25.0% | 10.7% | 0/0/2 | |
| 9 | btsee_0009 | Common Voice 24 (MN) | Та нар очингуутаа шөл л өгч үз. | Та нар очингуутаа шүлэг л өгч үз. | 14.3% | 10.0% | 0/0/1 | |
| 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 |
Phương pháp luận
Cách các con số này thu được.
Nhà cung cấp: Azure Speech (Microsoft Azure AI Speech batch transcription (mn-MN), accessed through the Eden AI gateway.).
Endpoint https://api.edenai.run/v2/audio/speech_to_text_async. Ngôn ngữ mn. Điểm vận hành microsoft mn-MN (via Eden AI). Tách người nói none.
Bộ dữ liệu: Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 mẫu, tổng 1844.3s âm thanh.
- 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—
Chỉ số: WER và CER được tính bằng căn chỉnh Levenshtein từ/ký tự chuẩn, chuẩn hóa chữ hoa/thường và dấu câu. Độ chính xác = 100 − WER. Hệ số tốc độ = thời lượng âm thanh ÷ thời gian xử lý (× thời gian thực). Mọi yêu cầu là lệnh gọi thực đến Batch API Azure Speech, không lưu cache hay mô phỏng.
Tô sáng khác biệt: Cột kết quả được căn chỉnh với sự thật chuẩn và tô đỏ mọi thay thế và chèn từ. Các lượt xóa (từ thiếu trong kết quả) không hiển thị ở cột kết quả — cột Mong đợi đã giữ toàn bộ sự thật chuẩn nguyên bản.