Ming-3.0-asr-tiny مقابل NVIDIA Parakeet TDT 0.6B: متحدٍّ بـ35 عملية تنزيل يلتقي بلاعب راسخ بـ626,000 عملية تنزيل

عدّادات التنزيل هي أول ما ينبغي النظر إليه، لأنها تصف فجوة لا يستطيع أي اختبار أداء في هذا المقال سدّها. NVIDIA Parakeet TDT 0.6B v3يتجاوز 626,000 عملية تنزيل و1,200 إعجاب على Hugging Face، وقد صدر في 14 أغسطس 2025 وشُحن داخل مجموعة أدوات NeMo، وبيئة تشغيل C++ أصلية ومسار Transformers يستخدمه الناس فعلاً. Ming-3.0-asr-tinyلديه 35 عملية تنزيل وقليل من الإعجابات، بأوزان ظهرت في 14 أكتوبر 2026 ودون أي إعلان من مورّده. أحدهما بنية تحتية. والآخر نقطة حفظ عمرها خمسة أيام. لكن المقارنة بينهما تستحق العناء، لأنهما يحلّان مشكلتين مختلفتين، والجزء المثير هو أن مشكلة Ming — اللهجات الصينية والكلمات الساخنة — مشكلة لا يحاول Parakeet TDT 0.6B v3 معالجتها. كل رقم يخص Parakeet هنا، بما في ذلك عدد التنزيلات 626,738، مأخوذ من بطاقة نموذج NVIDIA Parakeet TDT 0.6B v3، التي تتضمن أيضًا جدول Open ASR ومسح ضوضاء MUSAN. إن إخفاقات الذكاء الاصطناعي وحوادث الوكلاء الموثّقة الكامنة وراء إصدارات كهذا الإصدار مجموعة في أرشيف حوادث الذكاء الاصطناعي OrcaRouter حيث يحمل كل مدخل مصادره الخاصة ودرجة خطورته ومستوى ثقته وعلامة كونه محل نزاع.

تعد بطاقة NVIDIA مكتملة على نحو غير معتاد بمقاييس الموضوعات المعتادة في هذه المدونة: جدول Open ASR كامل، ومسح شامل لمتانة الأداء أمام الضوضاء، وتحليل مفصّل لكل لغة عبر 25 لغة أوروبية، وتاريخ إصدار معلن. أما بطاقة Ming فهي أربعة مخططات PNG دون أي تقرير تقني. وهذا الفارق في التوثيق هو بحد ذاته نتيجة جديرة بالاعتبار، وينبغي أن يُدرج في القرار إلى جانب أرقام الدقة.

مُفكِّكانِ ليس أيٌّ منهما نموذجَ لغة

Parakeet TDT 0.6B v3 هو مُرمِّز FastConformer مع فك ترميز Token-and-Duration Transducer — 600 مليون معامل، وإدخال أحادي القناة بمعدل 16 كيلوهرتز، وعلامات ترقيم وأحرف كبيرة في المخرجات. TDT هو سبب سرعته: فبدلًا من إصدار رمز واحد لكل إطار، يتنبأ الـ transducer برمز ومدة معًا، لذا يمكن للنموذج تخطي الإطارات والتقدم عدة إطارات في المرة. وهو ليس نموذج CTC يعتمد على المُرمِّز فقط مثل خط Granite Speech من IBM، وليس نموذجًا لغويًا بواجهة أمامية صوتية مثل Ming. إنه الحالة الوسطى، وقد ظل الحالة الوسطى مدة طويلة enough ليكون مملًا، وهذا مجاملة.

إن Ming-3.0-asr-tiny هو الرهان المعاكس. فمُفكِّك الترميز فيه مؤلف من 24 طبقة من مزيج الخبراء — 128 خبيرًا، يُوجَّه ثمانية منها لكل رمز، وواحد مشترك، والطبقة الأولى كثيفة — تتناوب فيه ثلاث طبقات K​imi Delta Attention مع طبقة Gated MLA واحدة. أما مُشفِّره فهو 32 طبقة بأبعاد 1,280 مع 20 رأسًا و128 حزمة mel، وهو شكل Whisper large-v3، ويشحن المستودع modeling_whisper_encoder.py مع إشعار MIT الخاص بـ O​penAI لجعل النسب صريحًا. يبلغ عدد معاملات النموذج 8.87 مليار وفق فهرس safetensors الخاص به، نحو ملياري منها نشطة لكل رمز.

وهذا يجعل مقارنة المعاملات غير متكافئة على نحو لا ينعكس على الدقة: 8.87 مليار إجمالًا مقابل 600 مليون، ونحو 2 مليار نشطة مقابل 600 مليون كثيفة. إن Ming نموذج لغوي يرتدي ميكروفونًا. أما Parakeet فهو نموذج كلام تعلّم القراءة.

الأشياء التي يفعلها Parakeet ولا يفعلها Ming

ثلاث قدرات تميّزها قبل مناقشة الدقة، وكل هذه القدرات الثلاث موثّقة على البطاقات بدلًا من استنتاجها.

الأول هو الطوابع الزمنية. يُرجع Parakeet TDT 0.6B v3 توقيتات على مستوى الحرف والكلمة والمقطع عبر مساري NeMo وTransformers، وتعرض بطاقة النموذج الاستدعاء الذي ينتجها. هذه القدرة الواحدة هي الأساس الذي يُبنى عليه توليد الترجمة المصاحبة، والمحاذاة القسرية، وتمييز المتحدثين في الاجتماعات، وأي واجهة "انتقل إلى اللحظة التي قيل فيها هذا". تنص ملاحظات استخدام Ming على أن الناتج نص تفريغ دون طوابع زمنية على مستوى الكلمة أو تمييز للمتحدثين. هذه ليست فجوة في معيار تقييم؛ بل هي غياب حقل إخراج.

الثاني هو الصوت الطويل. يتعامل Parakeet معه عبر الانتباه المحلي — إذ تستبدل وصفة البطاقة نفسها الانتباه المحلي بالموقع النسبي بسياق من 256 إطارًا على كل جانب للنسخ الطويل، وتوثّق NVIDIA حدودًا تبلغ نحو 24 دقيقة مع الانتباه الكامل على A100 بسعة 80 GB وثلاث ساعات مع الانتباه المحلي. يقبل Ming سياقًا من 8,192 موضعًا ويقسّم الصوت الأطول عبر وسيط سطر أوامر، وهو حل عملي لكنه من نوع مختلف.

الثالث هو النظام البيئي. يعمل Parakeet في NeMo، وفي مسار Transformers مع AutoModelForTDT، وفي GGUF مُكمَّم عبر NeMo-Speech.cpp دون Python وقت التشغيل. يحتاج Ming إلى Python 3.12، وPyTorch 2.11.0، وtorchaudio 2.11.0، وTransformers 5.12.1، وfla-core 0.5.2، وCUDA، وtrust_remote_code=True، بالإضافة إلى محوّل SGLang مثبَّت بشكل منفصل إذا أردت تقديمه. على جهاز بلا GPU، يكون هذا الفرق حاسمًا قبل قراءة أي رقم WER.

اقرأ تلك القائمة مقابل بطاقة Ming، وعندها يتوقف أن تكون المقارنة متعلقة بالدقة. كل سطر فيها هو قدرة يصرّح مستودع Ming صراحةً بأنه لا يمتلكها، تصفها NVIDIA كميزة وتصفها inclusionAI كقيد.

ما الذي قاسه كل مورّد، وعلى أي شيء

تأتي أرقام Parakeet الإنجليزية من المجموعات العامة للوحة صدارة Open ASR: متوسط WER 6.34%، مع 1.93% على LibriSpeech test-clean، و3.59% على test-other، و11.31% على AMI، و11.42% على Earnings-22، و9.59% على GigaSpeech، و3.97% على SPGI Speech، و2.75% على TED-LIUM و6.14% على VoxPopuli.

قصته متعددة اللغات أضعف مما توحي به قائمة اللغات، ويجدر قول ذلك بوضوح لأن البطاقة لا تفعل. اللغات الـ25 حقيقية، لكن التقييم متعدد اللغات المنشور هو متوسطات FLEURS وMLS وCoVoST — 11.97% و7.83% و11.98% — أما جدول Open ASR أعلاه فهو بالإنجليزية فقط. الفريق الذي يقيّم هذا للبولندية أو الفنلندية يحصل على رقم FLEURS لكل لغة، ولا يحصل على أي تقييم للنصوص الطويلة أو البيانات الصاخبة بتلك اللغة على الإطلاق.

متانة الضوضاء هي المجال الذي تُبرر فيه البطاقة قيمتها. عبر ضوضاء MUSAN عند نسب إشارة إلى ضوضاء متناقصة، ينتقل متوسط WER من 6.34 في الظروف النظيفة، و7.12 عند 10 dB، و8.23 عند 5 dB، و11.66 عند 0 dB، و19.88 عند −5 dB — وهو تدهور نسبي تذكره NVIDIA بنسبة −213.64% عند أسوأ نقطة. هذا منحنى حقيقي، على بيانات عامة، ويخبرك بشيء لا يستطيع رقم دقة واحد أن يخبرك به: تحت نحو 5 dB، يتدهور هذا النموذج بوتيرة أسرع من الخطية.

أما أرقام Ming، في المقابل، فهي متوسط CER للصينية 3.55، ومتوسط WER للإنجليزية 3.99، ومتوسط خمس عشرة لهجة 8.42، ومتوسط داخلي لخمسة مجالات 1.67، وإجمالي ASR السياقي 4.36. جميعها مُبلَّغ عنها من المورّد، وجميعها غير مُعاد إنتاجها، ولا يوجد أي منها على مجموعة اختبار مشتركة مع Parakeet. أما المجموعة الوحيدة التي يبلغ عنها كلاهما — LibriSpeech test-clean — فلا ينشر Ming رقمًا خاصًا بكل مجموعة في النص السردي، بل فقط متوسطه الإنجليزي للمجموعات الخمس، لذا يتعذر إجراء المقارنة من البطاقات على الإطلاق.

التراخيص ليست متكافئة هنا

أوزان Ming وشيفرته الأصلية تحت ترخيص MIT، مع احتفاظ الملفات المرفقة المرخّصة بموجب Apache-2.0 بترويساتها الخاصة، واحتفاظ المشفّر المعدّل من Whisper بإشعار MIT الخاص بـ OpenAI. نموذج Parakeet TDT 0.6B v3 مرخّص بموجب CC BY 4.0، مما يسمح بالاستخدام التجاري مع الإسناد. كلاهما ترخيصان متساهلان؛ ولا يمثل أي منهما فخًا. الفرق العملي يكمن في صيغة الإسناد في وثائق منتجك، لا في التعرض القانوني.

ما يجدر التنبيه إليه هو أن ترخيص مستودع Ming أكثر تسامحًا من رواية توزيعه. فأوزان MIT التي تتطلب trust_remote_code=True ومجموعة تبعيات مثبتة الإصدارات هي متسامحة في الاستخدام وصعبة في النشر، والحقيقتان مستقلتان.

ميزة السياق هي عامل التمييز الوحيد الواضح

ببغاء TDT 0.6B v3 لا يحتوي على أي موجّه أو قائمة كلمات مفتاحية أو وسيلة لتزويده بالأسماء التي ستظهر في الصوت. فهو ينسخ ما يسمعه مستعينًا بما تعلّمه عبر 25 لغة أوروبية، وبالنسبة للمفردات المتخصصة فإن المسار الموثّق هو الضبط الدقيق وليس التهيئة الشرطية. كما تُوفّر NVIDIA نصًا برمجيًا للبث المُقسَّم بسياق أيسر وأيمن قابلين للضبط، وهو أداة لتقليل زمن الاستجابة لا لتحسين الدقة.

يقبل Ming الكلمات المفتاحية أو دور الحوار السابق كجزء من موجّه النسخ، وتغطيته للهجات — خمس عشرة مجموعة اختبار صينية تشمل الكانتونية والمينانية والشانغهايية، بمتوسط 8.42 — قدرة لا يدّعيها Parakeet على الإطلاق. إذا كان صوتك بالماندرين، أو بأحد تنويعاته الإقليمية، أو مكالمة عمل صينية مليئة بأسماء المنتجات، فإن Parakeet ليس مرشحًا وMing هو الوحيد من بين الاثنين المطروح للاختيار. هذه ميزة حقيقية ومحددة وقابلة للتحقق، وهي السبب في وجود هذه المقارنة بدلًا من أن يحسمها عدّاد التنزيلات.

التحذير هو أن الكلمات الساخنة مجرد تلميحات. تقول بطاقة Ming ذلك مباشرةً: إن توفير مصطلح يزيد من احتمال إنتاجه ولا يضمنه. أي شخص استخدم انحياز الكلمات المفتاحية على أي نظام ASR يعرف نمط الفشل — يبدأ النموذج في سماع الكلمة الساخنة في صوت لا يحتوي عليها. اختبر ذلك قبل الوثوق به.

ماذا نفعل بهذا؟

إذا كنت بحاجة إلى تفريغ صوتي بالإنجليزية مع توقيتات، على عتاد تملكه بالفعل، وببيئة تشغيل لا تتطلب بيئة Python، فإن Parakeet TDT 0.6B v3 هو الخيار الآمن، وعدد مرات التنزيل ليس من باب التفاخر — بل هو مؤشر على عدد أنماط الفشل التي اكتشفها آخرون ودوّنوها بالفعل.

إذا كنت بحاجة إلى اللغة الصينية أو اللهجات أو التكييف بالكلمات المفتاحية، فإن Ming-3.0-asr-tiny هو الوحيد من بين الاثنين القادر على أداء المهمة، وهو مبتكر حقًا في هذا المجال المتخصص، وعمره خمسة أيام مع عدم وجود اختبار خارجي يُذكر تقريبًا. النهج الصحيح هو إجراء مقارنة تنافسية على مجموعة البيانات الخاصة بك، مع التعامل مع فجوة الطوابع الزمنية كقيد صارم لا كمقايضة: إذا كان نظامك اللاحق يستهلك توقيتات الكلمات، فإن التقييم محسوم قبل أن يبدأ.

بالنسبة للفرق التي تُجري ذلك الاختبار المقارن عبر بيئة إنتاجية، تنتهي المقارنة عادةً داخل موجّه بدلًا من جدول بيانات — نقطة نهاية واحدة أمام المرشّحات المستضافة ذاتيًا، وتحويل تلقائي عند الفشل بحيث تعود الطلبات الفاشلة إلى الحل القائم، ومفتاح واحد عبر أكثر من 200 نموذج مستضاف بدلًا من عقد ثانٍ لكل مقارنة. لا يوجد Ming-3.0-asr-tiny ولا NVIDIA Parakeet TDT 0.6B v3 في كتالوج OrcaRouter، لذا لا نقدّم أيًّا منهما؛ وطبقة التوجيه تكتسب مكانتها من حولهما، لا من خلالهما.

عدم التماثل الذي لا يزول

أحد النموذجين لديه تاريخ إصدار، وسلسلة توثيق على نمط arXiv، ومشاركة في لوحة الصدارة، ومسح شامل للضوضاء، وجدول لكل لغة. أما الآخر فلديه أربعة مخططات، وملف إعدادات، وسجل التزامات، وفيلم إطلاق. هذا ليس انتقادًا لهندسة Ming — فالمعمارية أكثر طموحًا من Parakeet، والرهان على اللهجات حقيقي — لكن التوثيق هو ما يحوّل نقطة الحفظ إلى شيء يستطيع فريق تبنّيه دون أن يتحول إلى قسم ضمان الجودة لدى المورّد.

أكثر ما يمكن أن ينشره أيٌّ من المورّدين فائدةً بعد ذلك هو الشيء نفسه: تقييم مشترك على صوت صيني وإنجليزي، يُقيَّم من طرف ثالث، مع قياس الطوابع الزمنية فضلًا عن الكلمات. وإلى أن يتوفر ذلك، يبقى القرار معتمدًا على حدود القدرات الموثّقة بالفعل — التوقيت، والبثّ التدفقي، والعتاد، واللغات، والكلمات المفتاحية — وهذه الحدود واضحة بما يكفي للاختيار على أساسها.