wav2vec2 XLSR-53 MN — 蒙古语语音转文字基准测试
wav2vec2 XLSR-53 MN 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
wav2vec2 XLSR-53 MN 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：wav2vec2 XLSR-53 MN 公开定价。Duudlaga Flow 仅供参考——本页单独呈现 wav2vec2 XLSR-53 MN，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 wav2vec2 XLSR-53 MN 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 | 37.2% | 11.4% | 62.8% | 37.32× | 330.6s | 8.9s |
| Shunya Labs Mongolian Speech | Hugging Face → | 60 | 60/60 | 44.6% | 15.3% | 55.4% | 45.18× | 645.1s | 14.3s |
| Common Voice 20 (MN) | Hugging Face → | 54 | 54/54 | 31.7% | 9.6% | 68.3% | 37.72× | 269.8s | 7.2s |
| Modern Voice | — | 92 | 92/92 | 58% | 24.3% | 42.0% | 45.1× | 603.8s | 13.4s |
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）。wav2vec2 XLSR-53 MN 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 wav2vec2 XLSR-53 MN 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） | wav2vec2 XLSR-53 MN 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 ягаагаа хэлэе | 25.0% | 6.9% | 0/0/2 | |
| 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 хүү | 8.3% | 1.3% | 0/0/1 | |
| 3 | btsee_0003 | Common Voice 24 (MN) | Одоо бид өөрсдөө өвчин эмгэгээсээ салахыг хичээцгээе. | одоо бид өөрждөө өвчин эмгийдээсээ салахыг хичээцгээ гийдэг | 57.1% | 21.2% | 1/0/3 | |
| 4 | btsee_0004 | Common Voice 24 (MN) | Би бол голдуу хээрээр гэр, хэцээр дэр хийж явдаг хүн. | би бол голдуу хээрээр гэр хэчээр дэр хийж явдаг хүн | 10.0% | 2.0% | 0/0/1 | |
| 5 | btsee_0005 | Common Voice 24 (MN) | Хан хурмаст уурлаж, Болдоггүй Бор өвгөнийг хор луугаараа ниргүүлэхээр явуулжээ. | тав хурамжт уулаж болдоггүй бур вгүн хоёр луугаар нэргүүл хэрэгүлжээ | 90.0% | 29.9% | 0/0/9 | |
| 6 | btsee_0006 | Common Voice 24 (MN) | Алив наашаа ороод ир гээд гэртээ оров. | алив наашаа оройдр гээд гэртээ оров | 28.6% | 8.1% | 0/1/1 | |
| 7 | btsee_0007 | Common Voice 24 (MN) | Өө өндөр дээдэс таны тухайд би баталж чадахгүй. | өө өндөр дээд таны тухайд би баталж 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 даг удаагаас эхлэх 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 шүлэл өгч үз | 28.6% | 6.7% | 0/1/1 | |
| 10 | btsee_0010 | Common Voice 24 (MN) | Ерөөсөө литр үйлдвэрээсээ салаагүй явсан юм чинь. | ерөөсөө л үйлдвэрээсээ салуугүй орсон юм чинь | 42.9% | 16.7% | 0/0/3 |
方法
这些数字如何得出。
提供商： wav2vec2 XLSR-53 MN (wav2vec2 XLSR-53 fine-tuned on Mongolian Common Voice — by download count the most-used Mongolian-specific open ASR model on the Hub. CTC output, so no punctuation or casing.). 带此标记的模型，其训练数据与本基准的语料库存在重叠（蒙古语 Common Voice——173 条样本中的 113 条——或 Shunya Labs 的公开语料库）。在重叠语料上的成绩会因记忆而虚高；请以详情页中按数据集划分的表格来评判这些模型，尤其看它们未曾训练过的语料库。
端点 local (transformers). 语言 mn. 工作点 anton-l/wav2vec2-large-xlsr-53-mongolian (CTC) 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 wav2vec2 XLSR-53 MN 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。