VibeVoice ASR — 蒙古语语音转文字基准测试
VibeVoice ASR 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。
258/265 个样本已转录 · 100% 成功
越低越好 · 覆盖 265 个样本
定价
VibeVoice ASR 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：VibeVoice ASR 公开定价。Duudlaga Flow 仅供参考——本页单独呈现 VibeVoice ASR，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 VibeVoice ASR 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 | 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 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）。VibeVoice ASR 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 VibeVoice ASR 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） | VibeVoice ASR 结果 | 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 |
方法
这些数字如何得出。
提供商： 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.).
端点 local (transformers). 语言 mn. 工作点 microsoft/VibeVoice-ASR-HF (Mongolian context prompt, transcription_only) 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 1788.5s。
- 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 VibeVoice ASR 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。