Ming-3.0-asr-tiny vs. NVIDIA Parakeet TDT 0.6B: Ein Herausforderer mit 35 Downloads trifft auf einen amtierenden Spitzenreiter mit 626.000 Downloads

Die Download-Zähler sind das Erste, worauf man schauen sollte, denn sie beschreiben eine Lücke, die kein Benchmark in diesem Artikel schließen kann. NVIDIA Parakeet TDT 0.6B v3verzeichnet mehr als 626.000 Downloads und 1.200 Likes auf Hugging Face, wurde am 14. August 2025 veröffentlicht und ist im NeMo-Toolkit enthalten, einer nativen C++-Laufzeit und einem Transformers-Pfad, den Leute tatsächlich nutzen. Ming-3.0-asr-tinykommt auf 35 Downloads und eine Handvoll Likes, mit Gewichten, die am 14. Oktober 2026 erschienen sind, und ohne Ankündigung seitens des Anbieters. Das eine ist Infrastruktur. Das andere ist ein fünf Tage alter Checkpoint. Aber die beiden sind einen Vergleich wert, denn sie lösen unterschiedliche Probleme, und das Interessante ist, dass Mings Problem – chinesische Dialekte und Hotwords – eines ist, das Parakeet TDT 0.6B v3 gar nicht angeht. Jede Parakeet-Zahl hier, einschließlich der 626.738 Downloads, stammt aus der Modellkarte von NVIDIA Parakeet TDT 0.6B v3, die auch die Open-ASR-Tabelle und den MUSAN-Rauschdurchlauf enthält. Die dokumentierten KI-Fehler und Agenten-Vorfälle hinter Releases wie diesem sind gesammelt in dem OrcaRouter AI Incident Archive, wobei jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzgrad und eine Kennzeichnung als umstritten trägt.

NVIDIAs Karte ist gemessen an den üblichen Themen dieses Blogs ungewöhnlich vollständig: eine vollständige Open-ASR-Tabelle, eine Rauschrobustheits-Testreihe, eine Aufschlüsselung pro Sprache über 25 europäische Sprachen und ein angegebenes Veröffentlichungsdatum. Mings Karte besteht aus vier PNG-Diagrammen und keinem technischen Bericht. Dieser Unterschied in der Dokumentation ist selbst ein Befund, und er gehört neben den Genauigkeitszahlen in die Entscheidung.

Zwei Decoder, die beide kein Sprachmodell sind

Parakeet TDT 0.6B v3 ist ein FastConformer-Encoder mit einem Token-and-Duration-Transducer-Decoder – 600 Millionen Parameter, 16-kHz-Mono-Eingang, Interpunktion und Großschreibung in der Ausgabe. TDT ist der Grund für seine Geschwindigkeit: Statt ein Token pro Frame auszugeben, sagt der Transducer sowohl ein Token als auch eine Dauer voraus, sodass das Modell Frames überspringen und mehrere auf einmal weiterrücken kann. Es ist kein reines Encoder-CTC-Modell wie IBMs Granite-Speech-Reihe und auch kein Sprachmodell mit Audio-Frontend wie Ming. Es ist der mittlere Fall, und es ist lange genug der mittlere Fall gewesen, um langweilig zu sein, was ein Kompliment ist.

Ming-3.0-asr-tiny ist die Gegenwette. Sein Decoder besteht aus 24 Mixture-of-Experts-Schichten – 128 Experten, acht pro Token geroutet, einer gemeinsam genutzt, die erste Schicht dicht – und wechselt zwischen drei K​imi Delta Attention-Schichten und einer Gated MLA-Schicht ab. Sein Encoder umfasst 32 Schichten mit 1.280 Dimensionen, 20 Heads und 128 Mel-Bins, was der Form von Whisper large-v3 entspricht, und das Repository liefert modeling_whisper_encoder.py mit dem MIT-Lizenzhinweis von O​penAI aus, um die Abstammung explizit zu machen. Laut seinem Safetensors-Index hat das Modell 8,87 Milliarden Parameter, von denen pro Token etwa 2 Milliarden aktiv sind.

Das macht den Parametervergleich in einer Weise unausgewogen, die sich nicht in Genauigkeit niederschlägt: 8,87 Milliarden insgesamt gegenüber 600 Millionen und rund 2 Milliarden aktive gegenüber dichten 600 Millionen. Ming ist ein Sprachmodell mit Mikrofon. Parakeet ist ein Sprachmodell, das Lesen gelernt hat.

Die Dinge, die Parakeet tut, die Ming nicht tut

Drei Fähigkeiten unterscheiden sie, bevor über die Genauigkeit gesprochen wird, und alle drei sind auf den Karten dokumentiert statt nur abgeleitet.

Der erste Punkt sind Zeitstempel. Parakeet TDT 0.6B v3 liefert über seine beiden Pfade NeMo und Transformers Zeitangaben auf Zeichen-, Wort- und Segmentebene, und die Modellkarte zeigt den Aufruf, der sie erzeugt. Genau diese eine Fähigkeit bildet die Grundlage für Untertitelgenerierung, Forced Alignment, Besprechungsdiarisierung und jede Schnittstelle, mit der man „zu dem Moment springen“ kann, in dem etwas gesagt wurde. Mings Nutzungshinweise geben an, dass die Ausgabe Transkriptionstext ohne Zeitstempel auf Wortebene oder Sprecherdiarisierung ist. Dies ist keine Lücke in einem Benchmark; es ist das Fehlen eines Ausgabefelds.

Beim zweiten geht es um lange Audiodaten. Parakeet bewältigt sie durch lokale Aufmerksamkeit – das eigene Rezept der Karte setzt für die Transkription langer Audiodaten auf lokale Aufmerksamkeit mit relativen Positionen und einem Kontext von 256 Frames auf jeder Seite, und NVIDIA dokumentiert Grenzen von etwa 24 Minuten bei voller Aufmerksamkeit auf einer 80-GB-A100 und drei Stunden bei lokaler Aufmerksamkeit. Ming akzeptiert einen Kontext von 8.192 Positionen und teilt längere Audiodaten über ein Kommandozeilenargument in Abschnitte auf, was eine praktikable, aber andersartige Antwort ist.

Der dritte Punkt ist das Ökosystem. Parakeet läuft in NeMo, in einem Transformers-Pfad mit AutoModelForTDT, und in einem quantisierten GGUF über NeMo-Speech.cpp ohne Python zur Laufzeit. Ming benötigt Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA und trust_remote_code=True, dazu einen separat gepinnten SGLang-Adapter, wenn man es bereitstellen möchte. Auf einem Rechner ohne GPU ist dieser Unterschied entscheidend, bevor irgendeine WER-Zahl gelesen wird.

Liest man diese Liste gegen Mings Karte, geht es bei dem Vergleich nicht mehr um Genauigkeit. Jede Zeile darin nennt eine Fähigkeit, von der Mings Repository ausdrücklich sagt, dass sie nicht vorhanden ist – von NVIDIA als Feature angeführt und von inclusionAI als Einschränkung.

Was jeder Anbieter gemessen hat – und worauf

Parakeets englische Werte stammen aus den öffentlichen Datensätzen des Open-ASR-Leaderboards: durchschnittliche WER von 6,34 %, mit 1,93 % auf LibriSpeech test-clean, 3,59 % auf test-other, 11,31 % auf AMI, 11,42 % auf Earnings-22, 9,59 % auf GigaSpeech, 3,97 % auf SPGI Speech, 2,75 % auf TED-LIUM und 6,14 % auf VoxPopuli.

Seine Multilingualitäts-Story ist dünner, als die Sprachliste nahelegt, und das sollte man klar sagen, weil die Karte es nicht tut. Die 25 Sprachen sind echt, aber die veröffentlichte mehrsprachige Evaluierung sind FLEURS-, MLS- und CoVoST-Durchschnittswerte – 11,97 %, 7,83 % und 11,98 % – und die obige Open-ASR-Tabelle ist ausschließlich englischsprachig. Ein Team, das dies für Polnisch oder Finnisch evaluiert, erhält eine FLEURS-Kennzahl pro Sprache und überhaupt keine Langform- oder Rauschbewertung in dieser Sprache.

Rauschrobustheit ist der Punkt, an dem die Karte ihren Wert unter Beweis stellt. Über MUSAN-Rauschen bei abnehmenden Signal-Rausch-Verhältnissen hinweg beträgt die durchschnittliche WER 6,34 ohne Rauschen, 7,12 bei 10 dB, 8,23 bei 5 dB, 11,66 bei 0 dB und 19,88 bei −5 dB — eine relative Verschlechterung, die NVIDIA am schlechtesten Punkt mit −213,64 % angibt. Das ist eine echte Kurve auf öffentlichen Daten, und sie sagt etwas aus, was eine einzelne Genauigkeitszahl nicht kann: Unter etwa 5 dB verschlechtert sich dieses Modell schneller als linear.

Mings Zahlen sind dagegen ein chinesischer durchschnittlicher CER von 3,55, ein englischer durchschnittlicher WER von 3,99, ein Durchschnitt über fünfzehn Dialekte von 8,42, ein unternehmensinterner Durchschnitt über fünf Domänen von 1,67 und ein Kontext-ASR-Aggregat von 4,36. Alle vom Anbieter gemeldet, alle nicht reproduziert und keine davon auf einem gemeinsamen Testsatz mit Parakeet. Bei dem einen Satz, den beide ausweisen — LibriSpeech test-clean —, veröffentlicht Ming keinen Einzelwert für den Satz im Fließtext, nur seinen englischen Durchschnitt über fünf Sätze, sodass der Vergleich anhand der Karten überhaupt nicht möglich ist.

Lizenzen sind hier nicht gleichwertig

Mings Gewichte und Originalcode stehen unter MIT, wobei gebündelte Apache-2.0-Dateien ihre eigenen Header behalten und der an Whisper angepasste Encoder den MIT-Hinweis von OpenAI beibehält. Parakeet TDT 0.6B v3 steht unter CC BY 4.0, was eine kommerzielle Nutzung mit Namensnennung erlaubt. Beide Lizenzen sind permissiv; keine von beiden ist eine Falle. Der praktische Unterschied liegt in der Attributionsformulierung in Ihrer Produktdokumentation, nicht im rechtlichen Risiko.

Bemerkenswert ist, dass die Lizenz in Mings Repository permissiver ist als ihre Distributionsgeschichte. MIT-Gewichte, die trust_remote_code=True und einen festgelegten Satz von Abhängigkeiten erfordern, sind permissiv nutzbar und umständlich bereitzustellen, und diese beiden Tatsachen sind unabhängig voneinander.

Die Kontextfunktion ist das einzige klare Unterscheidungsmerkmal.

Parakeet TDT 0.6B v3 hat keinen Prompt, keine Hotword-Liste und keine Möglichkeit, die Namen anzugeben, die im Audio vorkommen werden. Es transkribiert, was es hört, mithilfe dessen, was es über 25 europäische Sprachen hinweg gelernt hat, und für Domänenvokabular ist der dokumentierte Weg das Fine-Tuning, nicht die Konditionierung. NVIDIA liefert außerdem ein Chunked-Streaming-Skript mit konfigurierbarem linken und rechtem Kontext, das eher ein Latenz- als ein Genauigkeitswerkzeug ist.

Ming akzeptiert Hotwords oder die vorhergehende Dialogrunde als Teil des Transkriptions-Prompts, und seine Dialektabdeckung – fünfzehn chinesische Testsets einschließlich Kantonesisch, Minnan und Shanghainisch, mit einem Durchschnitt von 8,42 – ist eine Fähigkeit, die Parakeet überhaupt nicht für sich beansprucht. Wenn es sich bei Ihrem Audio um Mandarin oder eine regionale Variante davon handelt oder um einen chinesischen Geschäftsanruf voller Produktnamen, kommt Parakeet nicht infrage, und Ming ist der einzige der beiden, der noch im Rennen ist. Das ist ein echter, konkreter, überprüfbarer Vorteil, und es ist der Grund, warum dieser Vergleich existiert, statt durch den Download-Zähler entschieden zu werden.

Die Einschränkung ist, dass Hotwords nur Hinweise sind. Mings Karte sagt das direkt: Das Angeben eines Begriffs erhöht die Wahrscheinlichkeit, dass er erzeugt wird, und garantiert es nicht. Jeder, der Keyword-Biasing auf einem beliebigen ASR-System verwendet hat, kennt das Fehlermuster – das Modell beginnt, das Hotword in Audio zu hören, das es nicht enthält. Testen Sie das, bevor Sie ihm vertrauen.

Was soll man damit machen?

Wenn du englische Transkription mit Zeitangaben brauchst, auf Hardware, die du bereits besitzt, mit einer Laufzeitumgebung, die keine Python-Umgebung erfordert, dann ist Parakeet TDT 0.6B v3 die sichere Antwort, und die Download-Zahl ist keine Eitelkeitskennzahl — sie ist ein Indikator dafür, wie viele Fehlermodi bereits von anderen entdeckt und dokumentiert wurden.

Wenn Sie Chinesisch, Dialekte oder Hotword-Konditionierung benötigen, ist Ming-3.0-asr-tiny das einzige der beiden, das diese Aufgabe erledigen kann; es ist für diese Nische wirklich neuartig und erst fünf Tage alt, mit praktisch keinen externen Tests. Die richtige Herangehensweise ist ein Bake-off auf Ihrem eigenen Korpus, wobei die Zeitstempel-Lücke als harte Einschränkung und nicht als Kompromiss behandelt wird: Wenn Ihr nachgelagertes System Wortzeitangaben nutzt, ist die Evaluierung vorbei, bevor sie beginnt.

Für Teams, die diesen Bake-off über eine Produktionslandschaft hinweg durchführen, landet der Vergleich meist in einem Router statt in einer Tabellenkalkulation — ein Endpunkt vor selbst gehosteten Kandidaten, automatisches Failover, sodass eine fehlgeschlagene Anfrage auf den etablierten Anbieter zurückfällt, und ein Schlüssel für über 200 gehostete Modelle statt eines zweiten Vertrags für jeden Vergleich. Weder Ming-3.0-asr-tiny noch NVIDIA Parakeet TDT 0.6B v3 ist im OrcaRouter-Katalog, also bieten wir keines von beiden an; die Routing-Schicht verdient ihren Platz um sie herum, nicht durch sie.

Die Asymmetrie, die nicht verschwinden will

Das eine Modell hat ein Veröffentlichungsdatum, eine Dokumentationsstrecke im arXiv-Stil, eine Leaderboard-Einreichung, einen Rausch-Sweep und eine Tabelle pro Sprache. Das andere hat vier Diagramme, eine Konfigurationsdatei, ein Commit-Log und einen Release-Film. Das ist keine Kritik an Mings Engineering — die Architektur ist ambitionierter als die von Parakeet, und die Wette auf Dialekte ist real —, aber Dokumentation ist das, was aus einem Checkpoint etwas macht, das ein Team übernehmen kann, ohne zur QA-Abteilung des Anbieters zu werden.

{{1}}Das Nützlichste{{/1}}, was jeder der beiden Anbieter als Nächstes veröffentlichen könnte, ist {{2}}dasselbe{{/2}}: {{3}}eine gemeinsame Evaluation chinesischer und englischer Audiodaten{{/3}}, bewertet von einem Dritten, mit {{4}}Zeitstempeln, die ebenso wie Wörter gemessen werden{{/4}}. Bis eine solche existiert, hängt die Entscheidung von {{5}}bereits dokumentierten Grenzen der Leistungsfähigkeit{{/5}} ab — {{6}}Timing{{/6}}, {{7}}Streaming{{/7}}, {{8}}Hardware{{/8}}, {{9}}Sprachen{{/9}}, {{10}}Hotwords{{/10}} — und diese Grenzen sind scharf genug, um darauf eine Entscheidung zu stützen.