Ming-3.0-asr-tiny vs. Whisper large-v3-turbo: Whispers Encoder, ein anderer Mund

Öffnet man die Konfigurationsdatei für Ming-3.0-asr-tiny, und der Audio-Tower liest zurück: 1.280 versteckte Dimensionen, 32 Encoder-Schichten, 20 Attention-Heads, 128 Mel-Bins. Das sind die Dimensionen des Encoders von Whisper large-v3, und das Repository sagt das ganz offen — es enthält eine Datei namens modeling_whisper_encoder.py und bewahrt OpenAIs MIT-Hinweis in einer separaten Datei namens WHISPER_LICENSE. Das ist daher keine Geschichte über zwei unabhängige Sprach-Stacks. Ming-3.0-asr-tiny ist ein auf Chinesisch ausgerichteter Erkenner, der Whispers Ohren behielt und den Mund ersetzte: ein 24-schichtiger Mixture-of-Experts-Decoder, 8,87 Milliarden Parameter laut seinem Safetensors-Index, konditioniert auf Hotwords und vorangehenden Dialog. Whisper large-v3-turbo ist die 809-Millionen-Parameter-Destillation, die denselben Encoder behielt und den Decoder von 32 Schichten auf vier reduzierte. Jede Ming-Zahl in diesem Artikel stammt aus einer einzigen Quelle, und zwar aus der Ming-3.0-asr-tiny-Modellkarte auf Hugging Face, die die Gewichte, die Konfiguration, die vier Evaluationsdiagramme und ein auf heute datiertes Veröffentlichungs-Film-Asset enthält. Die MIT-lizenzierte Baseline mit 809 Mio. Parametern und 99 Sprachen ist dokumentiert unter der Whisper-large-v3-turbo-Modellkarte, zusammen mit dem Wort-Zeitstempel- und Übersetzungsverhalten, auf das dieser Vergleich immer wieder zurückkommt. Die dokumentierten KI-Ausfälle und Agenten-Vorfälle hinter Veröffentlichungen wie dieser sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzgrad und Disputed-Flag trägt.

Wenn Sie die kurze Antwort vor den Details wollen: Sie sind keine Ersatzlösungen füreinander. Whisper large-v3-turbo gibt Zeitstempel aus, übersetzt ins Englische, deckt 99 Sprachen ab und läuft auf Hardware, die keine CUDA-GPU ist. Ming-3.0-asr-tiny gibt reinen Text und sonst nichts aus, deckt Chinesisch und Englisch mit einem ernsthaften Schwerpunkt auf regionalen Dialekten ab und benötigt einen aktuellen PyTorch- und Transformers-Stack mit aktivierter Remote-Code-Ausführung. Die Überschneidung besteht in der chinesischen Transkription kurzer Clips, und selbst dort wurden die beiden nie von irgendjemandem direkt miteinander verglichen.

Was ausgeliefert wurde, und wie leise.

Das Hugging-Face-Repository für Ming-3.0-asr-tiny wurde am 14. Oktober 2026 erstellt. Als dies geschrieben wurde, zeigte es 35 Downloads und ein einziges Like. Das zugehörige GitHub-Repository hat 20 Commits, einen Stern, keine Forks und einen leeren Reiter „Releases“. Es gibt keinen Blogbeitrag des Anbieters, keine Presseberichterstattung und keinerlei Launch-Ankündigung — die Modellkarte ist die Ankündigung.

Die Karte macht auch keine Angabe zum Veröffentlichungsdatum. Das einzige Datierungssignal im Repository ist ein Release-Film-Asset, das unter einem Pfad abgelegt ist, der media-2026-10-19, also heute, enthält. Behandle die Gewichte als erst wenige Tage alt und die Ankündigung als noch nicht erfolgt, statt als Produktlaunch, den du verpasst hast.

Was das Repository jedoch zweifelsfrei belegt, ist die Beschaffenheit dessen, was Sie herunterladen würden: 8,87 Milliarden Parameter, aufgeteilt auf zwei Safetensors-Shards in BF16, ein Vokabular mit 157.184 Tokens, ein 24-schichtiger Textdecoder, ein 32-schichtiger Audioencoder und ein asr_output_format-Feld mit dem Wert plain. Die eigenen Benchmark-Diagramme des Repositorys bezeichnen das Modell als 8.6B-A2B, was ein Herstellerkürzel für ungefähr 2 Milliarden pro Token aktive Parameter ist; der Safetensors-Index ist die belastbarere Zahl, und die beiden weichen um etwa 270 Millionen voneinander ab.

Gleiche Ohren, anderer Mund

Der Encoder ist der Teil, den Leute überspringen, und hier ist er die aussagekräftigste Zeile in der Konfiguration. Ein Audio-Encoder mit 1.280 Dimensionen, 32 Schichten, 20 Heads und 128 Mel-Eingaben entspricht der Whisper-large-Architektur, und die Dateinamen im Repository bestätigen die Abstammung, statt ihr bloß zu gleichen. Der Encoder ist außerdem die kleinere Hälfte von Ming: 32 Schichten eines herkömmlichen Transformers gegenüber einem Decoder, der 128 Experten umfasst, acht davon pro Token routet, die erste Schicht dicht hält und die Attention mit Low-Rank-Projektionen komprimiert (q_lora_rank 256, kv_lora_rank 512). Das ist ein Sprachmodell mit einem angeschraubten Audio-Frontend, kein ASR-Modell mit angehängtem Sprachmodell.

Whisper large-v3-turbo ging in die andere Richtung. Es ist derselbe Encoder mit einem Decoder, der von 32 Schichten auf vier destilliert wurde – daher stammen die 809 Millionen Parameter und die rund achtfache Beschleunigung gegenüber large-v3. Alles, was turbo günstig macht, liegt auf der Decodierungsseite; alles, was Ming teuer macht, sitzt ebenfalls dort.

• Parameter — Ming-3.0-asr-tiny 8,87B in BF16, davon bezeichnet der Anbieter etwa 2B pro Token als aktiv. Whisper large-v3-turbo 809M.

• Decoder — 24 Schichten, 128 Experten mit 8 pro Token geroutet, komprimierte Attention mit niedrigem Rang. Whisper: 4 Schichten, dicht, destilliert aus den 32 von large-v3.

• Audio-Frontend — in beiden Fällen ein 32-schichtiger Encoder mit 1.280 Dimensionen in Whisper-Form, was die am wenigsten offensichtliche Tatsache in diesem Vergleich ist.

• Eingabefenster — Ming verarbeitet 3,000 Mel-Frames bis zu 30 Sekunden und 6,000 darüber hinaus, wobei längeres Audio gegen einen Kontext mit 8,192 Positionen in Chunks aufgeteilt wird. Das rezeptive Feld von Whisper beträgt 30 Sekunden, und die Chunk-Aufteilung wird vom umgebenden Tooling übernommen.

• Ausgabe — reiner Transkriptionstext im Vergleich zu Transkription mit Zeitstempeln auf Satz- und Wortebene sowie Übersetzung ins Englische.

• Sprachen — Chinesisch und Englisch, mit 15 regionalen chinesischen Dialekt-Testsets, gegenüber 99 Sprachen.

• Lizenz — MIT für Mings Gewichte und Originalcode, wobei mitgelieferte Apache-2.0-Dateien ihre eigenen Header behalten; MIT für Whisper large-v3-turbo. Dies ist die eine Zeile, bei der es nichts zu diskutieren gibt.

Was die Diagramme des Anbieters zeigen – und wer darin fehlt

Mings Bewertung findet sich ausschließlich in vier PNG-Diagrammen auf der Modellkarte. Der Repository-Text enthält überhaupt keine Zahlen, und die Diagramme lohnen eine genaue Lektüre, weil sie nicht durchweg schmeichelhaft sind.

Im chinesischen Durchschnitt – einem CER-Mittelwert über AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese und WenetSpeech – erzielt Ming 3,55, und der beste Wert in der gesamten Tabelle liegt bei 2,94. Im englischen Durchschnitt – LibriSpeech clean and other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English und VoxPopuli – erzielt Ming 3,99 gegenüber einem Bestwert in der Tabelle von 3,69. Im Durchschnitt über die 15 Dialekte erzielt Ming 8,42 gegenüber einem Bestwert in der Tabelle von 8,00. Mit anderen Worten: In den eigenen Charts des Anbieters liegt Ming durchgängig nahe an der Spitze des Feldes und liegt durchgängig nicht auf Platz eins.

Am stärksten sieht es bei den hausinternen Domänensätzen aus, wo die CER bei Chat 1,62, bei Behörden 1,03, bei Gesundheit 1,58, bei Wissen 2,49 und bei lokalem Leben 1,61 beträgt. Diese Zahlen sollte man am sorgfältigsten behandeln, denn hausinterne Testsätze teilen ein unbekanntes Ausmaß an Herkunft mit nicht offengelegten Trainingsdaten, und die Karte sagt nichts darüber aus, worauf das Modell trainiert wurde.

Die Kontext-ASR-Tabelle ist diejenige, die einen zweiten Blick verdient. Ihr Gesamtwert setzt Ming auf 4,36, hinter Qwen3-Omni mit 4,34 und Qwen3-ASR-1.7B mit 4,23 sowie vor Gemini 2.5 Pro mit 6,3. Das Hauptmerkmal des Modells – ihm Hotwords und Dialogkontext zuzuführen – macht es nicht zum besten kontextbewussten Erkennungssystem in seinem eigenen Vergleich. Es gewinnt jedoch einzelne Zeilen für benannte Entitäten, insbesondere bei der Falsch-Negativ-Rate für Entitäten, also der Metrik, auf die es ankommt, wenn die Frage lautet „Hat es den Namen richtig erkannt?“ und nicht „Wie viele Zeichen waren falsch?“.

Nun die Auslassung, die entscheidet, wie viel Ihnen all das wert ist: Whisper large-v3-turbo taucht in keinem der vier Diagramme auf. Die Baselines sind Qwen-Omni-Modelle, Qwen3-ASR-1.7B, Fun-ASR 1.5 und FireRedASR2-LLM-8B. Es gibt keinen vom Anbieter angegebenen direkten Vergleich zwischen den beiden Modellen in diesem Artikel, und jede Tabelle, die einen behauptet, hat ihn erfunden. Jede Zahl oben ist vom Anbieter angegeben und wurde nicht unabhängig reproduziert.

Wo man Whisper noch immer nicht folgen kann und wo man Ming nicht folgen kann

Zeitstempel sind die harte Grenze. Whisper large-v3-turbo liefert neben dem Text Zeitangaben auf Satz- und Wortebene, worauf Untertitelgenerierung, Forced Alignment und Diarisierungs-Pipelines aufbauen. Ming liefert Transkriptionstext ohne Zeitstempel auf Wortebene und ohne Sprecherdiarisierung, und die Karte stellt dies als Einschränkung statt als Auslassung dar. Wenn Ihre Pipeline wissen muss, wann ein Wort gesagt wurde, endet der Vergleich dort – nicht weil Ming schlechter abgeschnitten hat, sondern weil die Ausgabe nicht existiert.

Streaming ist die zweite Grenze. Das mitgelieferte Beispiel akzeptiert keine Streaming-Eingabe, und das Modell ist auf ganze Clips mit einem optionalen Sprachhinweis ausgelegt. Whisper-Ökosystem hat zwei Jahre damit verbracht, inkrementelle und latenzarme Wrapper um ein 30-Sekunden-Fenster zu bauen; Ming ist seit Tagen öffentlich und hat keine.

Die Bereitstellung ist der dritte Punkt. Whisper large-v3-turbo mit 809 Millionen Parametern passt bequem auf eine einzelne Consumer-GPU und verfügt über CPU-Inferenzpfade durch optimierte Laufzeitumgebungen. Ming benötigt eine CUDA-GPU, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2 und trust_remote_code=True, um die eigene Modellierungsdatei zu laden – was ebenso eine Lieferketten- wie eine Engineering-Entscheidung ist. Rund 17,7 GB BF16-Gewichte sind kein Laptop-Download.

Worin Ming vorne liegt, ist genau das, wofür der Kontextmodus da ist: chinesische Sprache mit Dialektabdeckung, die Whisper schlecht bewältigt, und kurze Äußerungen, die dicht mit Namen, Titeln und Fachjargon gespickt sind, die man im Voraus auflisten kann. Ein separater Bereitstellungspfad besteht über einen SGLang-Adapter mit einem gepinnten Commit, was darauf hindeutet, dass der Anbieter erwartet, dass dies bereitgestellt und nicht nur als Skript ausgeführt wird.

Dies auf eine echte Entscheidung anzuwenden

Wenn Ihr Audio Englisch oder mehrsprachig ist, Sie Untertitel mit Timing benötigen oder etwas wollen, das morgen auf einer CPU-Maschine läuft, lautet die Antwort Whisper large-v3-turbo – und zwar mit Abstand. Zwei Jahre Produktionseinsatz, ein Ökosystem von Runtimes und ein Ausgabeformat, das bereits überall konsumiert wird, sind mehr wert als ein paar CER-Punkte auf einem Anbieter-Chart.

Wenn Ihr Audio Mandarin oder ein regionaler Dialekt ist, Ihre Clips kurz sind und Sie die Namen aufzählen können, die darin vorkommen werden, ist Ming-3.0-asr-tiny einen Bake-off wert – aber nur einen Bake-off. Es wurde 35-mal heruntergeladen. Niemand außerhalb des Labors hat einen Fehlermodus dafür veröffentlicht, was bedeutet, dass Sie diejenigen wären, die sie entdecken.

Betrachten Sie die Parameterzahl nicht als Qualitätssignal – weder in die eine noch in die andere Richtung. Ming ist achtmal größer als turbo und schlägt es auf keiner gemeinsamen, unabhängig gemessenen Achse, weil keine gemeinsame Achse gemessen wurde. Die 8,87 Milliarden Parameter erkaufen einen Kontextprior im Umfang eines Sprachmodells und eine Dialektwette – keinen dokumentierten Genauigkeitsgewinn.

Den Vergleich mit deinem eigenen Audio durchführen

Keines der beiden Modelle ist heute im OrcaRouter-Katalog vertreten, daher lautet die ehrliche Version dieses Abschnitts: Sie würden sie aus dem eigenen Repository des Anbieters beziehen und selbst betreiben. Was eine Routing-Schicht hier leistet, ist der Teil danach: einen Teil Ihres echten Traffics durch ein Kandidatenmodell zu leiten, während das etablierte Modell den Rest weiter bedient – mit automatischem Failover, falls der neue Pfad ausfällt, und einem einzigen API-Schlüssel über mehr als 200 Modelle, sodass eine zweite Meinung nicht einen zweiten Vertrag bedeutet. OrcaRouter gibt die Listenpreise der Anbieter mit 0 % Aufschlag weiter, was für offene Gewichte, die Sie selbst hosten, weniger relevant ist als für die gehosteten Modelle, an denen Sie sie messen würden.

Der Test, der sich lohnt, dauert einen Nachmittag: 200 Clips aus Ihrem eigenen Korpus, die Hälfte davon mit einem Eigennamen, manuell bewertet. Geben Sie Ming die Hotword-Liste und geben Sie Whisper large-v3-turbo dieselben Namen in sein Prompt-Feld. Vergleichen Sie den Recall für benannte Entitäten statt der Zeichenfehlerrate, denn das ist die Achse, für die Ming tatsächlich gebaut wurde und die die Kontexttabelle des Anbieters ausweist. Entscheiden Sie dann, ob die Zeitstempel-Lücke überlebbar ist – was für die meisten Pipelines nicht der Fall sein wird.

Was würde dieses Urteil ändern?

Zwei Dinge. Eine unabhängige Evaluierung auf einem gemeinsamen Testset würde die Genauigkeitsfrage klären, die keiner der beiden Anbieter beantwortet hat, und die jeder ausführen kann. Und eine Ankündigung der Veröffentlichung – mit einer Erklärung zu den Trainingsdaten, einem genannten Veröffentlichungsdatum und einer Zeitstempel-Roadmap – würde aus Ming einen Checkpoint mit vielversprechender Konfiguration in ein Produkt verwandeln, mit dem man planen könnte. Bis dahin ist die korrekte Beschreibung die wenig glamouröse: ein gut dokumentierter Satz von Gewichten, still ausgeliefert, mit einem Whisper-Encoder darin und noch niemand außerhalb des Labors, der Ihnen sagen kann, wie es versagt.