Ming-3.0-asr-tiny vs. NVIDIA Parakeet TDT 0.6B: un retador con 35 descargas se mide ante un titular con 626.000 descargas

Los contadores de descargas son lo primero que hay que mirar, porque describen una brecha que ningún benchmark de este artículo puede cerrar. NVIDIA Parakeet TDT 0.6B v3 supera las 626.000 descargas y los 1.200 me gusta en Hugging Face, se publicó el 14 de agosto de 2025 y se distribuye dentro del kit de herramientas NeMo, un entorno de ejecución nativo en C++ y una ruta de Transformers que la gente realmente usa. Ming-3.0-asr-tiny tiene 35 descargas y un puñado de me gusta, con pesos que aparecieron el 14 de octubre de 2026 y sin ningún anuncio de su proveedor. Uno es infraestructura. El otro es un checkpoint de cinco días de antigüedad. Pero merece la pena compararlos, porque resuelven problemas distintos y lo interesante es que el problema de Ming —dialectos chinos y palabras clave— es uno que Parakeet TDT 0.6B v3 no intenta abordar. Cada cifra de Parakeet aquí, incluido el recuento de 626.738 descargas, procede de la tarjeta del modelo NVIDIA Parakeet TDT 0.6B v3, que también incluye la tabla de Open ASR y el barrido de ruido de MUSAN. Los fallos documentados de IA y los incidentes de agentes detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, calificación de confianza e indicador de disputa.

La ficha de NVIDIA es inusualmente completa para los estándares de los temas habituales de este blog: una tabla completa de Open ASR, un barrido de robustez frente al ruido, un desglose por idioma de 25 lenguas europeas y una fecha de lanzamiento indicada. La ficha de Ming son cuatro gráficos PNG y ningún informe técnico. Esa diferencia en la documentación es, en sí misma, un hallazgo, y debe formar parte de la decisión junto con las cifras de precisión.

Dos decodificadores que ninguno de los dos es un modelo de lenguaje

Parakeet TDT 0.6B v3 es un codificador FastConformer con un decodificador Transducer de token y duración: 600 millones de parámetros, entrada mono de 16 kHz, puntuación y mayúsculas en la salida. TDT es la razón de que sea rápido: en lugar de emitir un token por trama, el transducer predice tanto un token como una duración, de modo que el modelo puede saltarse tramas y avanzar varias a la vez. No es un modelo CTC de solo codificador como la línea Granite Speech de IBM, ni es un modelo de lenguaje con un front end de audio como Ming. Es el caso intermedio, y lleva siéndolo el tiempo suficiente como para resultar aburrido, lo cual es un elogio.

Ming-3.0-asr-tiny es la apuesta opuesta. Su decodificador consta de 24 capas de mezcla de expertos —128 expertos, ocho enrutados por token, uno compartido y la primera capa densa— que alternan tres capas de Kimi Delta Attention con una capa Gated MLA. Su codificador consta de 32 capas de 1280 dimensiones con 20 cabezas y 128 bins mel, que es la forma de Whisper large-v3, y el repositorio incluye modeling_whisper_encoder.py junto con el aviso MIT de OpenAI para dejar explícito el linaje. El modelo tiene 8,87 mil millones de parámetros según su índice de safetensors, de los cuales unos 2000 millones están activos por token.

Eso hace que la comparación de parámetros quede desequilibrada de una forma que no se traduce en precisión: 8.87 mil millones en total frente a 600 millones, y aproximadamente 2 mil millones activos frente a 600 millones densos. Ming es un modelo de lenguaje que lleva puesto un micrófono. Parakeet es un modelo de voz que aprendió a leer.

Las cosas que Parakeet hace que Ming no

Tres capacidades los diferencian antes de que se hable de precisión, y las tres están documentadas en las tarjetas en lugar de inferirse.

El primero es la temporización. Parakeet TDT 0.6B v3 devuelve temporización a nivel de carácter, de palabra y de segmento tanto por sus rutas de NeMo como de Transformers, y la ficha muestra la llamada que las produce. Esa única capacidad es la base sobre la que se construyen la generación de subtítulos, la alineación forzada, la diarización de reuniones y cualquier interfaz de «saltar al momento en que se dijo esto». Las notas de uso de Ming indican que la salida es texto de transcripción sin marcas de tiempo a nivel de palabra ni diarización de hablantes. Esto no es una laguna en un benchmark; es la ausencia de un campo de salida.

El segundo es audio largo. Parakeet lo maneja mediante atención local: la propia receta de la tarjeta sustituye la atención local de posición relativa con un contexto de 256 frames a cada lado para la transcripción de formato largo, y NVIDIA documenta límites de aproximadamente 24 minutos con atención completa en una A100 de 80 GB y de tres horas con atención local. Ming acepta un contexto de 8.192 posiciones y divide el audio más largo mediante un argumento de línea de comandos, lo cual es una respuesta viable pero de un tipo distinto.

El tercero es el ecosistema. Parakeet se ejecuta en NeMo, en una ruta de Transformers con AutoModelForTDT, y en un GGUF cuantizado a través de NeMo-Speech.cpp sin Python en tiempo de ejecución. Ming necesita Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA y trust_remote_code=True, además de un adaptador SGLang fijado por separado si quieres servirlo. En una máquina sin GPU, esa diferencia es decisiva antes de leer cualquier cifra de WER.

Compare esa lista con la ficha de Ming y la comparación deja de girar en torno a la precisión. Cada línea de ella es una capacidad que el repositorio de Ming afirma explícitamente que no tiene, presentada por NVIDIA como una característica y por inclusionAI como una limitación.

Qué midió cada proveedor y sobre qué

Las cifras para inglés de Parakeet proceden de los conjuntos públicos del leaderboard Open ASR: 6,34 % de WER promedio, con 1,93 % en LibriSpeech test-clean, 3,59 % en test-other, 11,31 % en AMI, 11,42 % en Earnings-22, 9,59 % en GigaSpeech, 3,97 % en SPGI Speech, 2,75 % en TED-LIUM y 6,14 % en VoxPopuli.

Su historia multilingüe es más limitada de lo que sugiere la lista de idiomas, y vale la pena decirlo sin rodeos porque la ficha no lo hace. Los 25 idiomas son reales, pero la evaluación multilingüe publicada son los promedios de FLEURS, MLS y CoVoST —11,97 %, 7,83 % y 11,98 %—, y la tabla de Open ASR anterior es solo en inglés. Un equipo que evalúe esto para polaco o finés obtiene un número de FLEURS por idioma y ninguna evaluación de formato largo o con ruido en ese idioma.

La robustez frente al ruido es donde la tarjeta demuestra su valor. En el ruido MUSAN, con relaciones señal-ruido decrecientes, el WER promedio pasa de 6,34 en condiciones limpias a 7,12 con 10 dB, 8,23 con 5 dB, 11,66 con 0 dB y 19,88 con −5 dB; una degradación relativa que NVIDIA declara como −213,64 % en el peor punto. Esa es una curva real, sobre datos públicos, y le dice algo que una única cifra de precisión no puede: por debajo de unos 5 dB, este modelo se degrada más rápido que linealmente.

Las cifras de Ming, en cambio, son un CER promedio en chino de 3,55, un WER promedio en inglés de 3,99, un promedio de quince dialectos de 8,42, un promedio interno de cinco dominios de 1,67 y un agregado de ASR con contexto de 4,36. Todas reportadas por el proveedor, ninguna reproducida y ninguna sobre un conjunto de prueba compartido con Parakeet. En el único conjunto que ambos reportan —LibriSpeech test-clean—, Ming no publica una cifra por conjunto en prosa, solo su promedio en inglés de cinco conjuntos, así que la comparación no puede hacerse a partir de las fichas en absoluto.

Las licencias no son equivalentes aquí.

Los pesos y el código original de Ming son MIT, con los archivos Apache-2.0 incluidos que conservan sus propios encabezados y el codificador adaptado de Whisper que mantiene el aviso MIT de OpenAI. Parakeet TDT 0.6B v3 es CC BY 4.0, que permite el uso comercial con atribución. Ambos son permisivos; ninguno es una trampa. La diferencia práctica es el texto de atribución en la documentación de tu producto, no la exposición legal.

Lo que vale la pena destacar es que la licencia del repositorio de Ming es más permisiva que su historia de distribución. Unos pesos MIT que requieren trust_remote_code=True y un conjunto de dependencias fijado son de uso permisivo e incómodos de desplegar, y ambos hechos son independientes.

La función de contexto es el único diferenciador claro.

Parakeet TDT 0.6B v3 no tiene prompt, ni lista de hotwords, ni forma de proporcionar los nombres que aparecerán en el audio. Transcribe lo que oye usando lo que aprendió en 25 idiomas europeos y, para vocabulario de dominio, la ruta documentada es el fine-tuning, no el condicionamiento. NVIDIA también incluye un script de streaming por fragmentos con contexto izquierdo y derecho configurable, que es una herramienta de latencia más que de precisión.

Ming acepta hotwords o el turno de diálogo anterior como parte del prompt de transcripción, y su cobertura de dialectos —quince conjuntos de prueba chinos que incluyen cantonés, minnan y shanghainés, con una media de 8.42— es una capacidad que Parakeet no reclama en absoluto. Si tu audio es mandarín, o una variante regional de este, o una llamada de negocios china llena de nombres de productos, Parakeet no es un candidato y Ming es el único de los dos sobre la mesa. Esa es una ventaja real, específica y comprobable, y es la razón por la que esta comparación existe en lugar de resolverse con el contador de descargas.

La advertencia es que las hotwords son solo indicios. La ficha de Ming lo dice directamente: suministrar un término aumenta la probabilidad de que se genere, pero no la garantiza. Cualquiera que haya usado el sesgo por palabras clave en cualquier sistema ASR conoce el modo de fallo: el modelo empieza a oír la hotword en audio que no la contiene. Pruébalo antes de confiar en ello.

Qué hacer con esto

Si necesitas transcripción en inglés con marcas de tiempo, en hardware que ya tienes, con un entorno de ejecución que no requiere un entorno de Python, Parakeet TDT 0.6B v3 es la respuesta segura, y el número de descargas no es vanidad: es un indicador de cuántos modos de fallo ya han sido encontrados y documentados por otras personas.

Si necesitas chino, dialectos o condicionamiento por hotwords, Ming-3.0-asr-tiny es el único de los dos que puede hacer el trabajo, es genuinamente novedoso en ese nicho y tiene solo cinco días de vida, prácticamente sin pruebas externas. La postura correcta es hacer una comparación directa con tu propio corpus, tratando la diferencia de marcas de tiempo como una restricción estricta en lugar de una disyuntiva: si tu sistema posterior consume los tiempos de las palabras, la evaluación termina antes de empezar.

Para los equipos que realizan esa evaluación comparativa en un entorno de producción, la comparación suele acabar dentro de un enrutador en lugar de en una hoja de cálculo — un único endpoint delante de los candidatos autoalojados, conmutación por error automática de modo que una solicitud fallida recurra al proveedor actual, y una sola clave para más de 200 modelos alojados en lugar de un segundo contrato para cada comparación. Ni Ming-3.0-asr-tiny ni NVIDIA Parakeet TDT 0.6B v3 están en el catálogo de OrcaRouter, así que ninguno es algo que ofrezcamos; la capa de enrutamiento se gana su lugar a su alrededor, no a través de ellos.

La asimetría que no desaparecerá

Un modelo tiene una fecha de lanzamiento, un rastro de documentación al estilo arXiv, un envío a una tabla de clasificación, un barrido de ruido y una tabla por idioma. El otro tiene cuatro gráficos, un archivo de configuración, un registro de commits y una película de lanzamiento. Esto no es una crítica a la ingeniería de Ming —la arquitectura es más ambiciosa que la de Parakeet y la apuesta por el dialecto es real—, pero la documentación es lo que convierte un checkpoint en algo que un equipo puede adoptar sin convertirse en el departamento de QA del proveedor.

Lo más útil que cualquiera de los dos proveedores podría publicar a continuación es lo mismo: una evaluación compartida sobre audio en chino e inglés, puntuada por un tercero, en la que se midan tanto las marcas de tiempo como las palabras. Hasta que exista una, la decisión se basa en los límites de capacidad que ya están documentados —temporización, streaming, hardware, idiomas, hotwords—, y esos límites son lo bastante claros como para tomar una decisión.