Ming-3.0-asr-tiny مقابل Whisper large-v3-turbo: مُشفّر Whisper، فم مختلف

افتح ملف الإعدادات الخاص بـ Ming-3.0-asr-tiny وسيعرض عليك برج الصوت: 1,280 بُعدًا مخفيًا، و32 طبقة مُرمِّز، و20 رأس انتباه، و128 حزمة Mel. هذه هي أبعاد مُرمِّز Whisper large-v3، ويقول المستودع ذلك صراحةً — إذ يضم ملفًا اسمه modeling_whisper_encoder.py ويحتفظ بإشعار MIT الخاص بـ OpenAI في ملف منفصل باسم WHISPER_LICENSE. لذلك، هذه ليست قصة عن منظومتَي صوت غير مرتبطتين. Ming-3.0-asr-tiny هو مُتعرف صوتي يعطي الأولوية للصينية، احتفظ بأذني Whisper واستبدل الفم: مُفكِّك ترميز من خليط الخبراء مكوَّن من 24 طبقة، و8.87 مليار معامل وفق فهرس safetensors الخاص به، مشروطًا بكلمات مفتاحية وحوار سابق. Whisper large-v3-turbo هو نموذج تقطير بـ809 ملايين معامل احتفظ بالمُرمِّز نفسه وقلّص المُفكِّك من 32 طبقة إلى أربع. كل رقم يخص Ming في هذا المقال يأتي من مصدر واحد، وهو بطاقة نموذج Ming-3.0-asr-tiny على Hugging Face، التي تضم الأوزان وملف الإعدادات والمخططات الأربعة للتقييم وأصل فيلم إصدار بتاريخ اليوم. الأساس البالغ 809 ملايين معامل والمدعوم لـ99 لغة والمرخَّص بموجب MIT موثَّق في بطاقة نموذج Whisper large-v3-turbo، إلى جانب سلوك الطوابع الزمنية للكلمات والترجمة الذي تعود إليه هذه المقارنة مرارًا. تجمع حالات فشل الذكاء الاصطناعي وحوادث الوكلاء الموثقة وراء إصدارات مثل هذا الإصدار في أرشيف حوادث الذكاء الاصطناعي الخاص بـ OrcaRouter حيث يحمل كل مُدخل مصادره الخاصة ودرجة خطورته وتصنيف ثقته وعلامة كونه محل نزاع.

إذا أردت الإجابة المختصرة قبل التفاصيل: فهما ليسا بديلين عن بعضهما. يُصدر Whisper large-v3-turbo طوابع زمنية، ويترجم إلى الإنجليزية، ويغطي 99 لغة، ويعمل على عتاد ليس وحدة معالجة رسوميات CUDA. أما Ming-3.0-asr-tiny فيُصدر نصًا عاديًا فقط لا غير، ويغطي الصينية والإنجليزية مع رهان جاد على اللهجات الإقليمية، ويحتاج إلى حزمة PyTorch وTransformers حديثة مع تمكين تنفيذ الشيفرة عن بُعد. يتمثل التداخل في نسخ الصينية للمقاطع القصيرة، وحتى في هذه الحالة لم يقيّمهما أحد ضد بعضهما البعض.

ما الذي صدر، وبأي هدوء

أُنشئ مستودع Hugging Face الخاص بـ Ming-3.0-asr-tiny في 14 أكتوبر 2026. وعند كتابة هذا، كان يعرض 35 تنزيلًا وإعجابًا واحدًا. يحتوي مستودع GitHub المرافق على 20 عملية commit، ونجمة واحدة، ولا تفرعات، وعلامة تبويب Releases فارغة. لا يوجد مقال مدونة من المورّد، ولا تغطية صحفية، ولا إعلان إطلاق من أي نوع — بطاقة النموذج هي الإعلان.

كما تمتنع البطاقة عن ذكر تاريخ الإصدار. والإشارة الوحيدة إلى التاريخ في المستودع هي أصل فيلم إصدار محفوظ تحت مسار يحتوي على media-2026-10-19، وهو تاريخ اليوم. تعامل مع الأوزان على أنها قديمة منذ أيام، والإعلان على أنه لم يتم بعد، بدلاً من اعتباره إطلاق منتج فاتك.

ما يثبته المستودع بالفعل، بما لا يدع مجالًا للشك، هو شكل الشيء الذي ستقوم بتنزيله: 8.87 مليار معامل موزعة على شاردتين من safetensors بصيغة BF16، ومفردات من 157,184 رمزًا، ومُفكّك ترميز نصي من 24 طبقة، ومُرمّز صوتي من 32 طبقة، وحقل asr_output_format مضبوطًا على plain. وتُسمّي مخططات القياس الخاصة بالمستودع النموذج 8.6B-A2B، وهو اختصار من البائع لما يقرب من ملياري معامل نشطة لكل رمز؛ أما فهرس safetensors فهو الرقم الأكثر صرامة، ويختلفان بنحو 270 مليونًا.

نفس الآذان، فم مختلف

المُشفِّر هو الجزء الذي يتجاهله الناس عادةً، لكنه هنا أكثر سطرٍ مفيدٍ في الإعدادات. فمُشفِّر صوتي بأبعاد 1,280 و32 طبقة و20 رأسَ انتباهٍ و128 مدخلَ ميلٍ هو معمارية Whisper large، وأسماء الملفات في المستودع تؤكّد هذا النسب بدل أن تشبهه فحسب. والمُشفِّر هو أيضًا النصف الأصغر من Ming: 32 طبقة من محوّل تقليدي مقابل فاكّ تشفير يحمل 128 خبيرًا، ويوجّه ثمانية منها لكل رمز، ويُبقي الطبقة الأولى كثيفة، ويضغط الانتباه بإسقاطات منخفضة الرتبة (q_lora_rank 256، kv_lora_rank 512). هذا نموذج لغوي مزوَّد بواجهة صوتية أمامية، وليس نموذج ASR مرتبطًا به نموذج لغوي.

سلك Whisper large-v3-turbo الاتجاه المعاكس. فهو يستخدم المُشفِّر نفسه مع مُفكِّك مقطَّر من 32 طبقة إلى أربع طبقات، ومن هنا يأتي عدد المعاملات البالغ 809 ملايين والمعامل تسريعٍ يقارب ثمانية أضعاف مقارنةً بـ large-v3. كل ما يجعل turbo منخفض التكلفة يقع على جانب فك التشفير؛ وكل ما يجعل Ming مكلفًا يقع هناك أيضًا.

• المعاملات — Ming-3.0-asr-tiny بسعة 8.87B بتنسيق BF16، منها نحو 2B تصنّفها الشركة المصنّعة كمعاملات نشطة لكل توكن. Whisper large-v3-turbo بسعة 809M.

• Decoder — 24 طبقة، و128 خبيرًا يُوجَّه منها 8 لكل رمز، مع انتباه مضغوط منخفض الرتبة. Whisper: 4 طبقات كثيفة، مُستخلَصة من الـ32 طبقة الخاصة بـlarge-v3.

• الواجهة الأمامية الصوتية — مُرمِّز على شكل Whisper بثلاثين طبقة واثنين وثلاثين... عذرًا، بطبقات عددها 32 وأبعاد 1,280 في كلتا الحالتين، وهي الحقيقة الأقل وضوحًا في هذه المقارنة.

• نافذة الإدخال — يأخذ Ming 3,000 إطار mel حتى 30 ثانية و6,000 بعد ذلك، مع تقسيم الصوت الأطول مقابل سياق من 8,192 موضعًا. يبلغ مجال الاستقبال في Whisper 30 ثانية ويُعالَج التقسيم عبر الأدوات المحيطة.

• المخرجات — نص نسخ عادي مقابل نص نسخ مع طوابع زمنية على مستوى الجملة والكلمة، بالإضافة إلى ترجمة إلى الإنجليزية.

• اللغات — الصينية والإنجليزية، مع 15 مجموعة اختبار للهجات الصينية الإقليمية، مقابل 99 لغة.

• الترخيص — رخصة MIT لأوزان Ming والشيفرة الأصلية، مع ملفات Apache-2.0 المجمّعة التي تحتفظ بترويساتها الخاصة؛ ورخصة MIT لـ Whisper large-v3-turbo. هذا هو الصف الوحيد الذي لا يوجد فيه ما يُجادل بشأنه.

ما تُظهره مخططات المورّد، ومن يغيب عنها

يقع تقييم مينغ بالكامل في أربعة مخططات PNG على بطاقة النموذج. ولا يحتوي نص المستودع على أي أرقام على الإطلاق، والمخططات تستحق قراءة متأنية لأنها ليست مجاملة على نحوٍ موحّد.

على المتوسط الصيني — متوسط CER عبر AISHELL-1 وAISHELL-2 وCommon Voice 15 الصينية وFLEURS الصينية وWenetSpeech — تسجّل Ming نتيجة 3.55، وأفضل رقم في ذلك الجدول بأكمله هو 2.94. وعلى المتوسط الإنجليزي — LibriSpeech النظيف وغيره، وMultilingual LibriSpeech، وFLEURS الإنجليزية، وCommon Voice 15 الإنجليزية، وVoxPopuli — تسجّل Ming 3.99 مقابل أفضل رقم في الجدول قدره 3.69. وعلى متوسط اللهجات الـ15، تسجّل Ming 8.42 مقابل أفضل رقم في الجدول قدره 8.00. وبعبارة أخرى، في مخططات المورّد نفسه، تكون Ming باستمرار قريبة من صدارة المجال، لكنها ليست الأولى باستمرار.

أقوى ما يبدو عليه ذلك هو مجموعات النطاقات الداخلية، حيث يبلغ CER ‏1.62 في المحادثة، و1.03 في الحكومة، و1.58 في الصحة، و2.49 في المعرفة، و1.61 في الحياة المحلية. هذه هي الأرقام التي ينبغي التعامل معها بأكبر قدر من الحذر، لأن مجموعات الاختبار الداخلية تشترك في قدر غير معلوم من المصدر مع بيانات تدريب غير مفصح عنها، ولا تذكر البطاقة شيئًا عن البيانات التي دُرّب عليها النموذج.

جدول ASR السياقي هو الجدول الذي يستحق نظرة ثانية. فمتوسطه الإجمالي يضع Ming عند 4.36، خلف Qwen3-Omni عند 4.34 وQwen3-ASR-1.7B عند 4.23، وأمام Gemini 2.5 Pro عند 6.3. وميزته الرئيسية — تزويده بالكلمات الساخنة وسياق الحوار — لا تجعله أفضل متعرّف واعٍ بالسياق في مقارنته الخاصة. بيد أنه يتفوق في صفوف كيانات مسماة فردية، لا سيما في معدل السلبيات الكاذبة للكيانات، وهو المقياس المهم عندما يكون السؤال «هل أصاب الاسم؟» لا «كم عدد الأحرف الخاطئة؟».

أما الآن، فالإغفال الذي يحدد مدى قيمة أي من هذا بالنسبة لك: لا يظهر Whisper large-v3-turbo في أي من المخططات الأربعة. خطوط الأساس هي نماذج Q​wen omni، وQwen3-ASR-1.7B، وFun-ASR 1.5، وFireRedASR2-LLM-8B. لا توجد مقارنة مباشرة مُبلّغ عنها من المورّد بين النموذجين في هذه المقالة، وأي جدول يزعم وجود مقارنة كهذه فقد اختلقها. كل رقم أعلاه مُبلّغ عنه من المورّد ولم يُعَد إنتاجه بشكل مستقل.

حيث لا يزال يتعذّر اتباع Whisper، وحيث لا يستطيع Ming

الطوابع الزمنية هي الحدّ الصارم. يعيد Whisper large-v3-turbo توقيتات على مستوى الجملة والكلمة إلى جانب النص، وهي الأساس الذي تُبنى عليه خطوط إنتاج الترجمات المرئية، والمحاذاة القسرية، وخطوط إنتاج تمييز المتحدثين. أما Ming فيعيد نصّ التفريغ دون طوابع زمنية على مستوى الكلمة ودون تمييز للمتحدثين، وتذكر البطاقة ذلك باعتباره قيدًا لا إغفالًا. إذا كان خط إنتاجك يحتاج إلى معرفة متى قيلت كلمة ما، فإن المقارنة تنتهي عند هذا الحد — لا لأن Ming سجّل نتيجة أسوأ، بل لأن المخرجات غير موجودة.

البث المتدفق هو الحد الثاني. فالمثال المرفق لا يقبل إدخالاً متدفقًا، وقد صُمم النموذج حول مقاطع كاملة مع تلميح لغة اختياري. أمضى نظام Whisper البيئي عامين في بناء أغلفة تزايدية ومنخفضة التأخير حول نافذة مدتها 30 ثانية؛ بينما مضى على إتاحة Ming للعموم أيام ولا يملك شيئًا من ذلك.

النشر هو الثالث. يُعد Whisper large-v3-turbo، البالغ عدد معلماته 809 ملايين معلمة، مناسبًا بسهولة لوحدة معالجة رسومات استهلاكية واحدة، وله مسارات استدلال على وحدة المعالجة المركزية عبر بيئات تشغيل محسّنة. يحتاج Ming إلى وحدة معالجة رسومات CUDA، وPyTorch 2.11.0، وtorchaudio 2.11.0، وTransformers 5.12.1، وfla-core 0.5.2، وtrust_remote_code=Trueلتحميل ملف النمذجة الخاص به — وهو قرار يتعلق بسلسلة التوريد بقدر ما هو قرار هندسي. كما أن نحو 17.7 GB من أوزان BF16 ليس تنزيلًا مناسبًا لحاسوب محمول.

يكمن تفوق Ming في كل ما وُجد وضع السياق من أجله: الكلام الصيني مع تغطية اللهجات التي يتعامل معها Whisper بشكل ضعيف، والعبارات القصيرة المشبعة بالأسماء والمسميات والمصطلحات المتخصصة التي يمكنك إدراجها مسبقًا. وهناك مسار تقديم منفصل عبر محول SGLang مع commit مثبّت، مما يشير إلى أن المورّد يتوقع تقديمه كخدمة بدلاً من تشغيله فقط كسكربت.

تطبيق هذا على قرار حقيقي

إذا كان صوتك بالإنجليزية، أو متعدد اللغات، أو تحتاج إلى ترجمات نصية بتوقيت، أو تريد شيئًا يعمل على جهاز CPU غدًا، فالإجابة هي Whisper large-v3-turbo والفرق كبير. سنتان من الاستخدام الإنتاجي، ومنظومة من بيئات التشغيل، وصيغة إخراج تتعامل معها كل الأدوات بالفعل، تساوي أكثر من بضع نقاط CER على مخطط أحد المورّدين.

إذا كانت تسجيلاتك الصوتية بالماندرين أو بلهجة إقليمية، وإذا كانت مقاطعك قصيرة، وإذا كان بإمكانك حصر الأسماء التي ستظهر فيها، فإن Ming-3.0-asr-tiny يستحق اختبارًا تنافسيًا — لكن اختبارًا تنافسيًا فقط. لديه 35 تنزيلًا. لم ينشر أحد خارج المختبر نمط فشل له، ما يعني أنك ستكون الشخص الذي يكتشفها.

لا تقرأ عدد المعاملات كإشارة جودة في أي من الاتجاهين. فـMing أكبر بثمانية أضعاف من turbo ولا يتفوق عليه على أي محور مشترك تم قياسه بشكل مستقل، لأنه لم يتم قياس أي محور مشترك. إن 8.87 مليار معامل تشتري ما يعادل نموذج لغوي من الأولوية السياقية ورهانًا على لهجة، وليس فوزًا موثقًا في الدقة.

إجراء المقارنة على ملفك الصوتي الخاص

لا يوجد أيٌّ من النموذجين في كتالوج OrcaRouter اليوم، لذا فإن النسخة الصادقة من هذا القسم هي أنك ستحصل عليهما من مستودع البائع نفسه وتشغّلهما بنفسك. ما تفيد به طبقة التوجيه هنا هو الجزء الذي يأتي بعد ذلك: تمرير شريحة من حركة المرور الفعلية لديك عبر نموذج مرشح بينما يواصل النموذج الحالي خدمة الباقي، مع التحويل التلقائي عند الفشل إذا فشل المسار الجديد، ومفتاح API واحد عبر أكثر من 200 نموذج بحيث لا تعني إضافة رأي ثانٍ عقدًا ثانيًا. يمرّر OrcaRouter أسعار قوائم المزوّدين بهامش ربح 0%، وهو أمر يهمّ أقل بالنسبة للأوزان المفتوحة التي تستضيفها بنفسك ويهمّ أكثر بالنسبة للنماذج المستضافة التي ستقارنها بها.

الاختبار الذي يستحق التشغيل يستغرق أمسية واحدة: 200 مقطع من مدونتك الخاصة، نصفها يحتوي على اسم علم، ويُقيَّم يدويًا. أعطِ Ming قائمة الكلمات الساخنة، وأعطِ Whisper large-v3-turbo الأسماء نفسها في حقل الموجّه الخاص به. قارن استدعاء الكيانات المسماة بدلًا من معدل خطأ الأحرف، لأن ذلك هو المحور الذي بُنِيَ Ming من أجله فعلًا، والمحور الذي يورده جدول السياق الخاص بالبائع. ثم قرّر ما إذا كانت فجوة الطوابع الزمنية قابلة للنجاة — وهي، بالنسبة لمعظم خطوط المعالجة، لن تكون كذلك.

ما الذي قد يغيّر هذا الحكم؟

أمران. تقييم مستقل على مجموعة اختبار مشتركة سيحسم مسألة الدقة التي لم يُجب عنها أيٌّ من البائعين، ويمكن لأي شخص تشغيله. وإعلان إصدار — يتضمن بيانًا حول بيانات التدريب، وتاريخ إصدار معلنًا، وخارطة طريق موثّقة بالطوابع الزمنية — سيحوّل Ming من نقطة تفتيش ذات إعداد واعد إلى منتج يمكنك التخطيط بناءً عليه. وحتى ذلك الحين، فالوصف الصحيح هو الوصف غير اللامع: مجموعة أوزان موثّقة جيدًا، أُطلقت بهدوء، وفيها مُرمّز Whisper، ولا يوجد بعد أحد خارج المختبر يستطيع أن يخبرك كيف تفشل.