SeamlessM4T v2 — 蒙古语语音转文字基准测试
SeamlessM4T v2 Batch API（增强工作点，语言 mn）在 4 个蒙古语数据集和 265 个音频样本上的真实结果。下方所有数字均为实测，非营销话术。WER、速度与定价如实呈现，毫不粉饰。
265/265 个样本已转录 · 100% 成功
越低越好 · 覆盖 265 个样本
定价
SeamlessM4T v2 批量转写的公开标价。无折扣、无协议价——原始的每分钟费率。
定价来源：SeamlessM4T v2 公开定价。Duudlaga Flow 仅供参考——本页单独呈现 SeamlessM4T v2，数字不被自家产品注水。
各数据集的 WER 与 CER
各数据集的词错误率与字符错误率。越低越好——这些是 SeamlessM4T v2 的真实数字，在 Common Voice 24 上较弱。
数据集汇总
每个数据集的汇总准确率、速度与耗时。
| 数据集 | 来源 | 样本 | 成功 | WER | CER | 准确率 | 速度 | 音频(秒) | 处理(秒) |
|---|---|---|---|---|---|---|---|---|---|
| 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 与速度——按样本
每个点为一个音频样本。理想位置在左下角（低误差、高速度）。SeamlessM4T v2 在许多 Common Voice 24 样本上误差较高。
逐样本结果
“期望”列原样展示基准真相。结果列仅将 SeamlessM4T v2 转错的词标红——无删除线替换，只显示错误。
| # | 音频 | 样本 | 数据集 | 期望（基准真相） | SeamlessM4T v2 结果 | 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 |
方法
这些数字如何得出。
提供商： SeamlessM4T v2 (Meta SeamlessM4T v2 Large speech-to-text run locally, decoding to Halh Mongolian (khk) — 2.3B params covering ~100 source languages.).
端点 local (transformers). 语言 mn. 工作点 facebook/seamless-m4t-v2-large (tgt_lang=khk) on mps. 说话人分离 none.
数据集： Common Voice 24 (MN), Shunya Labs Mongolian Speech, Common Voice 20 (MN), Modern Voice — 265 个样本，音频共 1849.3s。
- 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—
指标： WER 与 CER 通过标准的词/字符莱文斯坦距离对齐计算，并按大小写与标点归一化。准确率 = 100 − WER。速度系数 = 音频时长 ÷ 处理时间（× 实时）。所有请求均为真实的 SeamlessM4T v2 Batch API 调用，非缓存或模拟。
差异高亮： 结果列与基准真相对齐，将每个替换与插入标红。删除（结果中缺失的词）不在结果列显示——“期望”列已完整保留基准真相原样。