Ming-3.0-asr-tiny vs Whisper large-v3-turbo: el codificador de Whisper, una boca diferente

Abre el archivo de configuración de Ming-3.0-asr-tiny y la torre de audio te devuelve la lectura: 1.280 dimensiones ocultas, 32 capas de codificador, 20 cabezas de atención, 128 bins mel. Esas son las dimensiones del codificador de Whisper large-v3, y el repositorio lo dice en voz alta — incluye un archivo llamado modeling_whisper_encoder.py y conserva el aviso MIT de OpenAI en un archivo separado WHISPER_LICENSE. Por lo tanto, esta no es una historia sobre dos stacks de voz no relacionados. Ming-3.0-asr-tiny es un reconocedor centrado en el chino que conservó los oídos de Whisper y reemplazó la boca: un decodificador de mezcla de expertos de 24 capas, 8.870 millones de parámetros según su índice de safetensors, condicionado por hotwords y el diálogo precedente. Whisper large-v3-turbo es la destilación de 809 millones de parámetros que mantuvo el mismo codificador y redujo el decodificador de 32 capas a cuatro. Todas las cifras de Ming en este artículo provienen de un solo lugar, y es la tarjeta de modelo Ming-3.0-asr-tiny en Hugging Face, que contiene los pesos, la configuración, los cuatro gráficos de evaluación y un recurso fílmico de lanzamiento con fecha de hoy. La línea base de 809 M de parámetros, 99 idiomas y licencia MIT está documentada en la tarjeta de modelo Whisper large-v3-turbo, junto con el comportamiento de marcas de tiempo por palabra y de traducción al que esta comparación vuelve una y otra vez. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Si quieres la respuesta breve antes del detalle: no son sustitutos. Whisper large-v3-turbo genera marcas de tiempo, traduce al inglés, cubre 99 idiomas y se ejecuta en hardware que no es una GPU CUDA. Ming-3.0-asr-tiny emite texto plano y nada más, cubre chino e inglés con una apuesta seria por los dialectos regionales, y necesita un stack reciente de PyTorch y Transformers con ejecución remota de código habilitada. La superposición es la transcripción de clips cortos en chino, e incluso ahí nadie los ha evaluado comparándolos entre sí.

Qué se envió, y con qué discreción

El repositorio de Hugging Face para Ming-3.0-asr-tiny se creó el 14 de octubre de 2026. Cuando se escribió esto, mostraba 35 descargas y un solo «me gusta». El repositorio complementario de GitHub tiene 20 commits, una estrella, ningún fork y una pestaña Releases vacía. No hay ninguna entrada en el blog del proveedor, ni cobertura de prensa, ni ningún tipo de anuncio de lanzamiento — la tarjeta del modelo es el anuncio.

La ficha también se abstiene de indicar una fecha de lanzamiento. La única señal de fecha en el repositorio es un recurso de película de lanzamiento archivado bajo una ruta que contiene media-2026-10-19, que es hoy. Considera que los pesos tienen unos días de antigüedad y que el anuncio aún no se ha hecho, en lugar de que se trate de un lanzamiento de producto que te perdiste.

Lo que el repositorio sí establece, sin lugar a dudas, es la forma de lo que estarías descargando: 8,87 mil millones de parámetros divididos entre dos fragmentos safetensors en BF16, un vocabulario de 157.184 tokens, un decodificador de texto de 24 capas, un codificador de audio de 32 capas y un asr_output_format campo establecido en plain. Los propios gráficos comparativos del repositorio etiquetan el modelo como 8.6B-A2B, que es una abreviatura del proveedor para aproximadamente 2 mil millones de parámetros activos por token; el índice de safetensors es el dato más contundente, y ambos difieren en unos 270 millones.

Mismas orejas, diferente boca

El encoder es la parte que la gente se salta, y aquí es la línea más informativa de la configuración. Un encoder de audio de 1.280 dimensiones, 32 capas y 20 cabezas con 128 entradas mel es la arquitectura Whisper large, y los nombres de archivo del repositorio confirman el linaje en lugar de simplemente parecerse a él. El encoder es también la mitad más pequeña de Ming: 32 capas de un transformer convencional frente a un decoder que lleva 128 expertos, enruta ocho de ellos por token, mantiene la primera capa densa y comprime la atención con proyecciones de bajo rango (q_lora_rank 256, kv_lora_rank 512). Eso es un modelo de lenguaje con un front end de audio añadido, no un modelo ASR con un modelo de lenguaje adjunto.

Whisper large-v3-turbo fue en la dirección opuesta. Es el mismo codificador con un decodificador destilado de 32 capas a cuatro, de ahí vienen la cifra de 809 millones de parámetros y la aceleración de aproximadamente ocho veces respecto a large-v3. Todo lo que hace que turbo sea barato está del lado de la decodificación; todo lo que hace que Ming sea caro también está ahí.

• Parámetros — Ming-3.0-asr-tiny 8,87B en BF16, de los cuales el proveedor denomina aproximadamente 2B como activos por token. Whisper large-v3-turbo 809M.

• Decodificador — 24 capas, 128 expertos con 8 enrutados por token, atención comprimida de bajo rango. Whisper: 4 capas, denso, destilado de los 32 de large-v3.

• Front end de audio — un codificador con forma de Whisper de 32 capas y 1.280 dimensiones en ambos casos, que es el hecho menos obvio de esta comparación.

• Ventana de entrada — Ming toma 3000 fotogramas mel hasta 30 segundos y 6000 más allá de eso, con el audio más largo dividido en fragmentos según un contexto de 8192 posiciones. El campo receptivo de Whisper es de 30 segundos y la fragmentación la gestionan las herramientas circundantes.

• Salida — texto de transcripción simple frente a transcripción con marcas de tiempo a nivel de oración y de palabra, además de traducción al inglés.

• Idiomas — chino e inglés, con 15 conjuntos de pruebas de dialectos regionales chinos, frente a 99 idiomas.

• Licencia — MIT para los pesos y el código original de Ming, con los archivos Apache-2.0 incluidos que conservan sus propios encabezados; MIT para Whisper large-v3-turbo. Esta es la única fila en la que no hay nada que discutir.

Qué muestran los gráficos del proveedor y quién falta en ellos

La evaluación de Ming reside por completo en cuatro gráficos PNG de la tarjeta del modelo. El texto del repositorio no contiene cifras en absoluto, y los gráficos merecen una lectura atenta porque no son uniformemente halagadores.

En la media en chino —una media de CER sobre AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese y WenetSpeech—, Ming obtiene 3,55, y la mejor cifra en toda esa tabla es 2,94. En la media en inglés —LibriSpeech clean and other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English y VoxPopuli—, Ming obtiene 3,99 frente a la mejor de la tabla, 3,69. En la media de 15 dialectos, Ming obtiene 8,42 frente a la mejor de la tabla, 8,00. En otras palabras, en los propios gráficos del proveedor, Ming está sistemáticamente cerca de la cabeza del sector y sistemáticamente no queda primero.

Donde parece más sólido es en los conjuntos de dominios internos, donde el CER se sitúa en 1,62 en chat, 1,03 en gobierno, 1,58 en salud, 2,49 en conocimiento y 1,61 en vida local. Esos son los números que hay que tratar con más cuidado, porque los conjuntos de prueba internos comparten una cantidad desconocida de procedencia con datos de entrenamiento no divulgados, y la ficha no dice nada sobre con qué se entrenó el modelo.

La tabla de ASR con contexto es la que merece una segunda mirada. Su agregado sitúa a Ming en 4,36, por detrás de Qwen3-Omni en 4,34 y de Qwen3-ASR-1.7B en 4,23, y por delante de Gemini 2.5 Pro en 6,3. La característica principal del modelo —alimentarlo con palabras clave y contexto de diálogo— no lo convierte en el mejor reconocedor consciente del contexto de su propia comparación. Sí gana filas individuales de entidades nombradas, en particular en la tasa de falsos negativos de entidades, que es la métrica que importa cuando la pregunta es «¿acertó el nombre?» y no «¿cuántos caracteres fallaron?».

Ahora bien, la omisión que determina cuánto vale todo esto para ti: Whisper large-v3-turbo no aparece en ninguno de los cuatro gráficos. Las líneas base son los modelos Q​wen omni, Qwen3-ASR-1.7B, Fun-ASR 1.5 y FireRedASR2-LLM-8B. No existe una comparación directa reportada por el proveedor entre los dos modelos de este artículo, y cualquier tabla que afirme lo contrario se la ha inventado. Todas las cifras anteriores son reportadas por el proveedor y no han sido reproducidas de forma independiente.

Donde todavía no se puede seguir a Whisper, y donde Ming no puede

Las marcas de tiempo son el límite infranqueable. Whisper large-v3-turbo devuelve tiempos a nivel de frase y de palabra junto con el texto, que es la base sobre la que se construyen los flujos de generación de subtítulos, alineación forzada y diarización. Ming devuelve texto de transcripción sin marcas de tiempo a nivel de palabra ni diarización de hablantes, y la ficha lo indica como una limitación, no como una omisión. Si tu flujo de trabajo necesita saber cuándo se dijo una palabra, la comparación termina ahí: no porque Ming haya obtenido un peor resultado, sino porque la salida no existe.

El streaming es la segunda frontera. El ejemplo incluido no acepta entrada en streaming, y el modelo está diseñado en torno a clips completos con una indicación de idioma opcional. El ecosistema de Whisper ha pasado dos años construyendo envoltorios incrementales y de baja latencia en torno a una ventana de 30 segundos; Ming lleva pocos días publicado y no tiene ninguno.

El despliegue es el tercero. Whisper large-v3-turbo, con 809 millones de parámetros, cabe cómodamente en una sola GPU de consumo y dispone de rutas de inferencia en CPU mediante runtimes optimizados. Ming necesita una GPU CUDA, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2 y trust_remote_code=Truepara cargar su propio archivo de modelado, lo cual es una decisión de cadena de suministro tanto como de ingeniería. Unos 17,7 GB de pesos BF16 no son una descarga para un portátil.

Donde Ming se destaca es en todo aquello para lo que existe el modo de contexto: habla china con cobertura de dialectos que Whisper maneja mal, y enunciados cortos densos en nombres, títulos y jerga de dominio que puedes enumerar de antemano. Existe una ruta de servicio separada mediante un adaptador SGLang con un commit fijado, lo que sugiere que el proveedor espera que esto se sirva en lugar de solo ejecutarse como un script.

Aplicando esto a una decisión real

Si tu audio está en inglés o es multilingüe, o necesitas subtítulos con sincronización, o quieres algo funcionando en una máquina con CPU para mañana, la respuesta es Whisper large-v3-turbo y no hay comparación. Dos años de uso en producción, un ecosistema de entornos de ejecución y un formato de salida que todo el mundo ya consume valen más que unos pocos puntos de CER en el gráfico de un proveedor.

Si tu audio es en mandarín o en un dialecto regional, si tus clips son cortos y si puedes enumerar los nombres que aparecerán en ellos, Ming-3.0-asr-tiny merece una prueba comparativa — pero solo una prueba comparativa. Tiene 35 descargas. Nadie fuera del laboratorio ha publicado un modo de fallo para él, lo que significa que tú serías quien los descubra.

No interpretes la cantidad de parámetros como una señal de calidad en ningún sentido. Ming es ocho veces más grande que turbo y no lo supera en ningún eje compartido medido de forma independiente, porque no se ha medido ningún eje compartido. Los 8870 millones de parámetros aportan un prior contextual propio de un modelo de lenguaje y una apuesta dialectal, no una ventaja documentada en precisión.

Ejecutando la comparación con tu propio audio

Ninguno de los dos modelos está hoy en el catálogo de OrcaRouter, así que la versión honesta de esta sección es que los obtendrías del repositorio propio del proveedor y los ejecutarías tú mismo. Lo que una capa de enrutamiento aporta aquí es la parte que viene después: enviar una porción de tu tráfico real a través de un modelo candidato mientras el modelo actual sigue atendiendo el resto, con conmutación por error automática si la nueva ruta falla, y una única clave de API para más de 200 modelos, de modo que añadir una segunda opinión no implique un segundo contrato. OrcaRouter traslada los precios de lista de los proveedores sin aplicar margen (0 %), lo que importa menos para los pesos abiertos que alojas tú mismo y más para los modelos alojados con los que los compararías.

La prueba que merece la pena hacer lleva una tarde: 200 clips de tu propio corpus, la mitad de ellos con un nombre propio, puntuados a mano. Dale a Ming la lista de palabras clave y dale a Whisper large-v3-turbo los mismos nombres en su campo de prompt. Compara la exhaustividad en entidades nombradas en lugar de la tasa de error de caracteres, porque ese es el eje para el que Ming se creó realmente y el que recoge la tabla de contexto del proveedor. Luego decide si la brecha de marcas de tiempo es asumible; para la mayoría de los pipelines, no lo será.

¿Qué cambiaría este veredicto?

Dos cosas. Una evaluación independiente sobre un conjunto de pruebas compartido resolvería la cuestión de la precisión que ninguno de los dos proveedores ha respondido, y cualquiera puede ejecutarla. Y un anuncio de lanzamiento —con una declaración sobre los datos de entrenamiento, una fecha de lanzamiento anunciada y una hoja de ruta con marcas de tiempo— convertiría a Ming de un checkpoint con una configuración prometedora en un producto con el que se podría planificar. Hasta entonces, la descripción correcta es la poco glamurosa: un conjunto de pesos bien documentado, distribuido discretamente, con un codificador de Whisper dentro y con nadie todavía fuera del laboratorio que pueda decirte cómo falla.