Ming-3.0-audio-tiny vs. VibeVoice-ASR-Streaming 1.5B: Fünf Striche gegen einen Stream mit Sprecherzuordnung

Öffnen Sie das Erkennungsbild im Ming-3.0-audio-tiny-Hugging-Face-Repository und scrollen Sie nach unten. Fünf Zeilen – Sprecherdiarisierung und verketteter Minimum-Permutation-Fehler für AISHELL-4, AliMeeting und AMI – enthalten in der Tiny-Spalte einen Bindestrich. Keine schlechte Zahl. Eine Leerstelle. Der Anbieter hat sein größeres Geschwistermodell in allen fünf gemessen und es abgelehnt, das kleine zu messen. Öffnen Sie nun die Modellkarte für VibeVoice-ASR-Streaming 1.5B und lesen Sie den ersten Aufzählungspunkt: Es transkribiert, wer was gesagt hat, kontinuierlich, während die Sprache eintrifft. Das sind dieselben fünf Zeilen, umgekehrt. Ein Modell veröffentlicht fast alles außer der Sprecherzuordnung; das andere existiert hauptsächlich, um sie zu veröffentlichen. Die dokumentierten KI-Fehler und Agenten-Vorfälle hinter Releases wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag seine eigenen Quellen, Schweregrad, Konfidenzstufe und Disputed-Kennzeichnung enthält.

Keines der beiden wurde unabhängig bewertet. Das ist hier weniger wichtig als üblich, denn dieses Duell entscheidet sich durch eine Designentscheidung statt durch eine Zahl: was passiert, wenn das Audio einfach nicht aufhört anzukommen. Ming-3.0-audio-tiny ist ein Dateimodell mit großem Fenster und optionaler Sprachausgabe. VibeVoice-ASR-Streaming 1.5B ist ein Streaming-Modell, das etwa alle drei Sekunden Text ausgibt und jedem Segment einen Sprecher zuordnet. Wenn Ihre Workload aus einer Aufnahme besteht, konkurrieren sie. Wenn Ihre Workload ein Raum ist, bemüht sich nur eines von ihnen überhaupt.

Was „Streaming" in der Konfiguration kostet

Microsofts Repository ist ungewöhnlich transparent in Bezug auf sein eigenes Latenzbudget, wodurch der Kompromiss überprüfbar wird und nicht bloß Marketing bleibt. Die akustischen und semantischen Tokenizer sind kausal und arbeiten bei einer 24-kHz-Eingabe mit einer Kompression von 3.200×, sodass der Token-Strom etwa 7,5 Token pro Sekunde Audio umfasst. Der Streaming-Wrapper bündelt 22 Token-Frames pro Chunk mit 4 Frames Vorausschau: 22 geteilt durch 7,5 ergibt ungefähr 2,9 Sekunden pro Ausgabe, und 4 geteilt durch 7,5 entspricht etwa einer halben Sekunde zukünftigen Audios, die das Modell sehen darf, bevor es sich festlegt.

• Emissionskadenz – etwa 2,9 Sekunden; der Lookahead ist der Teil, der Genauigkeit auf Kosten der Latenz erkauft.

• Backbone — ein Decoder aus der Qwen2-Familie, 28 Schichten, 1.536 Hidden-Dimension, 12 Heads mit 2 Key-Value-Heads, 64.000-Token-Fenster.

• Größe — drei Safetensors-Shards mit insgesamt 5,63 GB. Das sind keine 1,5 Mrd. Parameter; 5,63 GB bei bf16 ergeben eher etwa 2,8 Milliarden, und die 1.5B im Namen sind am besten als das Sprach-Backbone statt des gesamten Stacks zu lesen.

• Sprachen — zehn: Chinesisch, Englisch, Französisch, Deutsch, Italienisch, Japanisch, Koreanisch, Portugiesisch, Russisch, Spanisch.

• Extras — angepasste Hotwords, die als Kontext übergeben werden, und eine Sprecherkennzeichnung, die jedem ausgegebenen Segment angehängt wird.

• Datierung — Repository erstellt am 2. September 2026 um 15:51 UTC, zuletzt geändert am folgenden Morgen. Angekündigt wurde es nur durch eine Nachrichtenzeile in der VibeVoice-GitHub-README, also praktisch gar nicht.

Dieses 64K-Fenster ist die Zahl, die man Mings 131.072 entgegenhalten muss. Es klingt nach der Hälfte der Kapazität, aber es ist nicht dieselbe Art von Kapazität. Ein Streaming-Modell muss nicht eine Stunde vorhalten, weil es die letzten neunundfünfzig Minuten bereits festgehalten hat. Das Fenster ist das Arbeitsgedächtnis für den aktuellen Chunk plus den Dialogkontext, den das Modell mitführt. Mings 131K ist die entgegengesetzte Wette: alles aktiv zu halten und darüber zu schlussfolgern.

Mings Wette und was sie einbringt

Das Verkaufsargument des winzigen Modells ist nicht die Erkennungsgenauigkeit – in den eigenen Tabellen von inclusionAI liegt es bei Chinesisch 0,34 Punkte hinter seinem größeren Geschwistermodell (3,79 gegenüber 3,45 Zeichenfehler) und bei Dialekten 0,89 Punkte dahinter (10,29 gegenüber 9,40). Das Verkaufsargument ist, dass ein einzelner Checkpoint Erkennung, Verständnis, Reasoning und Sprache im selben Forward-Pass erledigt – über ein Fenster, das lang genug ist, dass „Was hat sie in den ersten zehn Minuten gesagt?“ eine Frage ist, die man stellen kann.

Seine Audio-Intelligenz-Werte sind für die Größe respektabel und der Grund, es einem reinen Transkribierer vorzuziehen: MMAU 75.90, MMAR 67.70, MMSU 73.06, BigBenchAudio 99.20, MuchoMusic 58.07 für Musik. Diese wurden alle vom Hersteller durchgeführt, mit Sternchen bei den selbst bewerteten Zeilen, und die Karte legt offen, dass die Vergleichsmodelle unter inclusionAIs eigenen Prompts und Decoding reproduziert wurden. Lies sie als Design-Brief.

Was die Tabellen nicht verraten, ist, wer gesprochen hat. Das ist die Lücke, die die fünf Striche markieren, und sie ist struktureller Natur, nicht zufällig. Ein Modell, das Fragen zu einer Aufnahme beantwortet, braucht dafür keine Segmentierung nach Sprechenden; ein Modell, das ein Transkript für ein Meeting erzeugt, schon. Ming lässt sich wahrscheinlich durch Prompting zu so etwas wie Sprecherkennzeichnung bringen, und die Hervorhebung auf der Karte zu „mehrsprechigen Aufnahmen“ deutet darauf hin, dass es nahe am Problem trainiert wurde. Aber „wahrscheinlich“ leistet die Arbeit von fünf unveröffentlichten Zeilen.

Zwei Pipelines, ehrlich gezeichnet

Stellen Sie sich vor, dieselbe neunzigminütige Aufnahme durchläuft jedes davon.

Mit VibeVoice-ASR-Streaming 1.5B kommen Audiodaten in Blöcken von etwa drei Sekunden an, und der Text geht im selben Rhythmus hinaus, wobei jedes Segment einen Sprecher trägt. Man kann ihn live anzeigen. Der Preis dafür ist, dass jede Entscheidung eher lokal ist: Das Modell blickte eine halbe Sekunde voraus und hatte den Kontext, den es behält, sodass ein Sprecher, der vier Sekunden pausiert, möglicherweise anders gekennzeichnet zurückkommt, und ein in Minute zwei eingeführter Name nur über den Hotwords-Mechanismus wiederauffindbar ist, den Sie bereitstellen. Konsistenz über Chunk-Grenzen hinweg ist das, was zu testen ist, und das, was die Karte nicht quantifiziert.

Mit Ming-3.0-audio-tiny landet die Datei, das Ganze ist im Kontext, und die Antwort kommt, wenn sie kommt. Konsistenz über Chunks hinweg ist kein Risiko, weil es bis zur Fenstergröße keine Chunks gibt. Der Preis dafür ist, dass nichts verfügbar ist, bis das Modell fertig ist, und die Speicherreservierung ist auf das volle Fenster ausgelegt: Das Referenz-ASR-Profil belegt 0,92 einer Karte bei einem Batch von 32.768 Tokens. Sie können max_model_len senken; Sie können es nicht streamen lassen, weil es im Repository keinen Streaming-Pfad gibt.

• Latenzprofil — VibeVoice: kontinuierlich, ~3 s hinterher. Ming: eine Antwort am Ende.

• Namensnennung — VibeVoice: pro Segment, designbedingt. Ming: unveröffentlicht.

• Kontext — VibeVoice: 64K Arbeitsfenster plus sein eigenes Transkript. Ming: 131.072 Positionen, rechnerisch auf dem Encoder etwa drei Stunden Audio, wenn der Prozessor einen durchgehenden Stream einspeist.

• Ausgabe — VibeVoice: Text. Ming: Text oder Text plus synthetisierte Sprache über einen optionalen Talker auf einer zweiten GPU.

• Hardware — VibeVoice: ein 5,63 GB großer Checkpoint, also eine einzige handelsübliche Grafikkarte. Ming: 17,74 GB für den Thinker, eine Karte für Text, zwei für Sprache.

Die Lizenz und die Unterlagen sind dieselben, und das ist ungewöhnlich.

Beide stehen unter der MIT-Lizenz. Beide sind stille Releases. Beide haben die Gewichte veröffentlicht, bevor die Dokumentation nachzog, und beide stützen sich auf ein GitHub-Repository, das nicht nach dem Checkpoint benannt ist: Mings Deployment-Profile liegen in inclusionAI/Ming-3.0-audio-flash, und die Nutzungshinweise von VibeVoice liegen in microsoft/VibeVoice neben dem 7B-Geschwister.

Die Unterschiede liegen darin, was Ihnen jedes Repository mitteilt. Microsoft liefert einen technischen Bericht – arXiv 2609.02812 – und eine Ergebnisse-Abbildung in der Karte, die ein Bild statt einer Tabelle ist, sodass die Zahlen nicht extrahierbar sind und im Text keine Fehlerrate pro Sprache angegeben wird. inclusionAI liefert drei Benchmark-Bilder, ebenfalls Bilder, plus eine Karte, die ihre eigenen Schwächen nur implizit benennt, indem sie Zellen leer lässt. Keiner der Anbieter liefert Ihnen eine Zahl, die Sie in eine Tabellenkalkulation einfügen können, ohne sie von Hand abzuschreiben.

Eine Asymmetrie sollte man erwähnen, wenn man Beschaffung betreibt: Mings Hugging Face-Repository enthält keine LICENSE-Datei, sondern nur einen Link in den Metadaten der Karte auf eine Lizenz im anderen Repository. Die Karte von VibeVoice gibt in den Metadaten MIT an, und das Repository enthält die Lizenzdatei. Beide Angaben sind wahr; nur eine davon befindet sich im Artefakt.

Wofür ein Router hier gedacht ist und wofür nicht

OrcaRouter bedient keines der beiden Modelle. Ming-3.0-audio-tiny ist ein Checkpoint und VibeVoice-ASR-Streaming 1.5B ist ein Checkpoint; keiner davon steht in unserem Katalog, und nichts in diesem Beitrag ist ein Angebot, sie zu hosten. Der Platz des Routers in einer solchen Pipeline liegt hinter der Transkription und vor der Entscheidung: den Anruf zusammenfassen, die Zusagen herausziehen, einordnen, ob das Segment einen Menschen braucht, die Teile übersetzen, die nicht in der Arbeitssprache waren. Diese Aufrufe sind Text, und ein einziger Endpunkt für mehr als 200 Modelle bei 0 % Aufschlag — der Listenpreis des Anbieters wird durchgereicht, sodass eine Preisänderung eines Anbieters noch am selben Tag bei uns ankommt — erspart dem Aufbau einen Vertrag pro Anbieter. Automatisches Failover ist genau die Funktion, auf die es ankommt, wenn ein zweistündiger Transkriptionsjob seine Ausgabe um 2 Uhr morgens irgendwo zuverlässig abgeben muss.

Was ein Router nicht leisten wird, ist, zwei nicht übereinstimmende Sprecherbezeichnungen miteinander in Einklang zu bringen oder zu entscheiden, ob Mings fehlende Diarisierungszeilen eine echte Schwäche oder lediglich eine nicht gemessene sind. Das ist eine Aufgabe für Ihr eigenes Audio.

Der Test, der sie an einem Nachmittag unterscheidet

Nimm zwanzig Minuten mit drei Personen auf, von denen eine die anderen zweimal unterbricht und eine über ein Laptop-Mikrofon spricht. Lass es durch VibeVoice-ASR-Streaming 1.5B laufen, wobei die Hotword-Liste mit den drei Namen befüllt ist, denn genau dafür bietet das Modell diesen Mechanismus. Lass dieselbe Datei durch Ming-3.0-audio-tiny laufen, und zwar mit dem validierten Prompt, der nach der Sprachbezeichnung, einem Tabulator und dann der Transkription fragt – und bitte es dann in einem zweiten Durchgang, jeden Satz zuzuordnen.

Bewerten Sie vier Punkte: wie viele Sprecherwechsel das erste Modell richtig erkannt hat, ob ein Sprecherlabel mitten in der Aufnahme umgesprungen ist, ob die Zuordnung des zweiten Modells über die gesamte Datei hinweg stabil war, und welche Ausgabe Sie schneller manuell korrigieren könnten. Der letzte Punkt ist kein Benchmark und sagt Ihre Erfahrung im Produktivbetrieb besser voraus als die Zahlen beider Anbieter.

Und behalten Sie die Bindestriche im Hinterkopf, während Sie das tun. Ein Anbieter, der eine Dialekttabelle mit zwei Nachkommastellen veröffentlicht und fünf Diarisierungszellen leer lässt, hat Ihnen etwas Bestimmtes darüber gesagt, wo sein Vertrauen endet. Microsoft hat seinerseits eine Zahl statt einer Tabelle veröffentlicht und es Ihnen überlassen, das Bild zu lesen. Keiner von beiden hat Ihnen eine Zahl gegeben, die ein Fremder geprüft hat.

Wohin jedes Einzelne tatsächlich gehört.

Live-Untertitel, Callcenter-Überwachung, Meeting-Assistenten, die neben jeder Zeile einen Namen brauchen: VibeVoice-ASR-Streaming 1.5B ist für genau diese Anforderungen gebaut, und mit 5,63 GB läuft es auf Hardware, die Sie wahrscheinlich schon haben. Compliance-Prüfung eines Archivs, „finde jede Erwähnung des Vergleichs in diesen vierzig Aufnahmen“, alles, bei dem die Frage nach dem Audio kommt statt währenddessen: Das einzelne große Fenster von Ming-3.0-audio-tiny und seine Verständniswerte passen besser, und die fehlenden Diarisierungszeilen spielen keine Rolle mehr, wenn niemand gefragt hat, wer gesprochen hat.

Der Fehler wäre, Ming für einen Streaming-Job zu wählen, weil 131.072 doppelt so viel wie 64.000 ist, oder VibeVoice für eine Reasoning-Aufgabe zu wählen, weil 1,5B günstiger klingt als 9,3B. Beide Zahlen beschreiben etwas anderes als das, was der Satz annimmt – und genau das ist das Verlässlichste, was dieser Vergleich ergeben hat.