Ming-3.0-asr-tiny vs Moonshine 250M : un modèle n’arrête jamais d’écouter, l’autre ne commence jamais avant que vous ayez fini.

Il y a un problème de nommage à clarifier avant toute autre chose, car il change la nature de cette comparaison. Moonshine publie trois checkpoints — Tiny à 34M, Small à 123M et Medium à 245M — et Moonshine 250M est le raccourci qu'utilise la communauté pour le haut de cette gamme, le checkpoint dont le nom de dépôt est moonshine-streaming-medium et dont l'index safetensors totalise en réalité 265 898 112 paramètres. Aucun fichier, nulle part dans l'organisation Moonshine, ne porte le nom 250M. Ce modèle est un moteur de reconnaissance vocale en flux anglais doté d'un encodeur à fenêtre glissante et d'un décodeur autorégressif, conçu pour un ordinateur portable ou un téléphone, publié en janvier 2026 sous licence MIT. Ming-3.0-asr-tiny est un moteur de reconnaissance vocale chinois-anglais de 8,87 milliards de paramètres dont les poids sont apparus sur Hugging Face le 14 octobre 2026 sans annonce, construit autour d'un encodeur de forme Whisper et d'un décodeur mélange d'experts à 128 experts, et conçu pour lire un clip entier d'un seul coup. Ce ne sont pas des rivaux sur le même marché. Ce sont deux réponses différentes à la question de savoir quand un moteur de reconnaissance vocale est autorisé à parler. Le checkpoint que cet article appelle Moonshine 250M est documenté sur la fiche de modèle Moonshine Streaming Medium, où l'index safetensors indique 265 898 112 paramètres contre l'étiquette 245M de la fiche. Les défaillances d'IA documentées et les incidents d'agents derrière des publications comme celle-ci sont recueillis dans l'OrcaRouter AI Incident Archive où chaque entrée comporte ses propres sources, sa gravité, son niveau de confiance et un indicateur de contestation.

Cette question est le bon cadre, et elle permet d’aboutir à une décision plus nette qu’un tableau de précision. Moonshine 250M émet des mots alors que l’audio est encore en cours de réception, avec environ 0,1 à 1 TOPS. Ming-3.0-asr-tiny n’émet rien tant qu’on ne lui fournit pas un fichier complet, puis il produit une transcription dépourvue de tout horodatage.

Ce que chacun est réellement conçu pour faire

L’architecture de Moonshine est une inversion délibérée du compromis habituel des systèmes de streaming. L’encodeur est un transformateur à fenêtre glissante avec une attention locale bornée et sans aucun plongement positionnel — la fiche le qualifie d’ergodique — fenêtré en (16, 4) dans les deux premières et les deux dernières couches et en (16, 0) dans les couches intermédiaires, ce qui donne environ 80 millisecondes d’anticipation. L’information positionnelle est injectée par un adaptateur après l’encodeur, alimentant un décodeur causal standard avec RoPE. Le frontend audio fonctionne à 50 Hz en utilisant de simples opérations dans le domaine temporel plutôt qu’un spectrogramme mel.

Le décodeur est autorégressif, et Moonshine dit ce que cela coûte : la latence de sortie complète augmente avec la longueur de la transcription, même lorsque le délai jusqu’au premier jeton est faible. C’est la limitation honnête de la conception, et c’est la phrase à garder en tête lorsqu’on compare des affirmations sur le streaming. Le streaming signifie que les premiers mots apparaissent rapidement ; cela ne signifie pas que le dernier mot apparaît proportionnellement rapidement.

Ming ne diffuse pas en streaming, et sa fiche l'indique : l'exemple fourni n'accepte pas d'entrée en streaming. Un audio long peut être découpé en segments via un argument, face à un contexte de 8 192 positions, mais découper un fichier n'équivaut pas à consommer un flux en direct, et le champ de format de sortie dans la configuration est défini sur plain. Ce que Ming fait à la place, c'est transporter le contexte. Il accepte des mots-clés (hotwords) ou le tour de dialogue précédent dans le prompt de transcription, et il est évalué sur quinze jeux de test de dialectes chinois — hunanais, minnan, cantonais, sichuanais, shanghaïen, anhui, nord-est, henan, hubei, jiangsu, hakka, shaanxi, shandong, tianjin, yunnan. Moonshine est uniquement en anglais et ne dispose de rien de tout cela.

Les deux nombres de paramètres, et pourquoi ils diffèrent

Un détail sur lequel il vaut la peine de s’attarder, car c’est le genre de chose qui casse discrètement un tableau comparatif : la fiche modèle de Moonshine indique pour Medium 245 M de paramètres, 14 couches d’encodeur et 14 couches de décodeur, un encodeur de 768 dimensions et un décodeur de 640 dimensions. L’index safetensors du même dépôt rapporte 265 898 112. L’écart est d’environ 21 millions, soit environ huit et demi pour cent, et ce n’est pas une erreur d’arrondi — c’est la différence entre compter un backbone et compter tout ce qui est livré avec lui.

Ming présente le même problème dans une taille supérieure. Son index rapporte 8,865,800,992 paramètres ; ses graphiques étiquettent le modèle 8.6B-A2B, une abréviation pour 8,6 milliards au total avec environ 2 milliards actifs par token. L’étiquette est inférieure d’environ 270 millions à l’index.

• Paramètres totaux — Ming-3.0-asr-tiny 8,87 B (index) contre Moonshine 250 M 266 M (index) ; les libellés du fournisseur indiquent 8,6 B et 245 M.

• Actifs par token — environ 2 Md pour Ming, puisque 8 des 128 experts sont routés à chaque étape. 266 M au total pour Moonshine, qui est dense.

• Encodeur — 32 couches, 1 280 dimensions, 20 têtes, 128 bandes mel, de forme Whisper, contre un transformateur ergodique à fenêtre glissante de 14 couches à 768 dimensions sur un frontend à 50 Hz.

• Décodeur — 24 couches, 128 experts, autorégressif ; contre 14 couches, dense, autorégressif.

• Modèle de latence — clip entier en entrée, transcription en sortie, sans streaming ; contre ~80 ms d’anticipation et un premier jeton alors que l’audio est encore en cours d’arrivée.

• Sortie — texte de transcription brut, sans horodatages, sans diarisation ; par rapport au texte de transcription d’un décodeur autorégressif qui n’a pas non plus de chemin d’horodatage dans la carte.

• Langues — chinois et anglais, plus 15 jeux de tests de dialectes chinois ; contre l’anglais uniquement.

• Licence — MIT pour les deux, avec les en-têtes Apache-2.0 inclus conservés dans le dépôt de Ming.

Précision, avec la réserve qu’ils n’ont jamais été testés sur le même audio

La fiche de Moonshine indique un WER moyen de 6,65 sur huit ensembles anglais pour Medium : 10,68 sur AMI, 11,90 sur Earnings-22, 9,46 sur GigaSpeech, 2,08 sur LibriSpeech test-clean, 5,00 sur test-other, 2,58 sur SPGISpeech, 2,99 sur TED-LIUM et 8,54 sur VoxPopuli. Entraîné sur environ 300 000 heures de parole.

Ming rapporte un WER moyen de 3,99 sur ses ensembles publics anglais — LibriSpeech clean et other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English et VoxPopuli — et un CER moyen de 3,55 sur ses ensembles chinois. Entraîné sur une quantité de données non divulguée.

La tentation est de mettre 3,99 à côté de 6,65 et de déclarer Ming plus précis en anglais. Ne le faites pas. Deux des cinq jeux de données anglais diffèrent, l’agrégation diffère, la fiche de Moonshine ne publie pas de ventilation par jeu de données qui corresponde proprement aux cinq de Ming, et aucun des deux fournisseurs n’a évalué l’autre. Sur le seul jeu de données que les deux rapportent — VoxPopuli — Ming ne publie pas du tout de chiffre anglais par jeu de données dans son texte, seulement la moyenne, de sorte que même ce seul recoupement ne peut pas être comparé à partir des fiches. Tous les chiffres ici sont rapportés par les fournisseurs et non reproduits.

Ce qu’on peut affirmer sans ensemble de test partagé est d’ordre structurel. Moonshine est un modèle dense de 266 millions de paramètres entraîné sur 300 000 heures d’anglais. Ming est un modèle de mélange d’experts de 8,87 milliards de paramètres, avec environ 2 milliards de paramètres actifs, entraîné sur des données qu’il ne décrit pas, évalué sur le chinois et l’anglais avec une forte composante dialectale. Un modèle disposant de dix-sept fois plus de paramètres actifs et d’un a priori de modèle de langue devrait être plus précis sur de l’audio anglais difficile, et il serait surprenant qu’il ne le soit pas. C’est une attente fondée sur l’architecture, pas une mesure.

Là où les réalités du déploiement divergent

Ming a besoin d’une machine Linux avec un GPU CUDA, Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, et trust_remote_code=True pour charger son propre code de modélisation. Les poids font environ 17,7 Go en BF16 répartis sur deux shards. Il existe un chemin de service SGLang, épinglé à un commit d’adaptateur spécifique, ce qui indique que le fournisseur s’attend à ce que cela tourne derrière une API plutôt que sur un poste de travail.

Moonshine 250M cible moins de 1 Go de mémoire et environ 0,1 à 1 TOPS. Il fonctionne via le framework Moonshine Voice pour les appareils en périphérie et via Transformers, et la fiche indique clairement que la voie Transformers n’implémente pas encore un streaming pleinement efficace — elle s’appuie sur la prise en charge de la fenêtre glissante de flash-attention. Si vous voulez le comportement de streaming promis par l’architecture, c’est la voie du framework qui le fournit.

Le dépôt est l'endroit où la ligne de checkpoints est réellement visible : vingt-quatre tags couvrant une famille Tiny, Small et Medium, plus le framework que la fiche vous indique d'utiliser si vous voulez du vrai streaming. Voilà une histoire de maintenance que Ming n'a pas encore, et c'est la moitié pratique du choix.

Voilà toute la comparaison en deux phrases : un modèle est conçu pour être oublié à l’intérieur d’un appareil, et l’autre est conçu pour être servi depuis un GPU avec une liste de mots d’activation attachée.

Ce qu’une équipe qui privilégie le chinois devrait réellement faire

Si votre produit est un sous-titrage en direct ou une commande vocale en anglais, Moonshine 250M fait le travail que Ming ne peut pas faire du tout, et l’écart de précision — quel qu’il soit — a peu de chances de compter davantage que le fait que Ming ne puisse pas consommer un flux en direct. Le streaming n’est pas une fonctionnalité que l’on ajoute après coup à une architecture qui lit des clips entiers ; c’est une propriété de l’encodeur.

Si votre produit concerne la parole en chinois, ou un dialecte régional, ou un pipeline par lots où les transcriptions sont produites a posteriori et où les noms comptent, Ming est le seul des deux à répondre au problème, et il n’a que cinq jours, avec un nombre de téléchargements de l’ordre de la dizaine. La recommandation honnête est un test comparatif sur vos propres enregistrements audio, noté sur le rappel des entités nommées plutôt que sur le taux d’erreur de caractères, car c’est l’axe pour lequel Ming a été conçu.

Pour les équipes qui mènent ce comparatif, le problème opérationnel n’est pas le modèle, c’est la plomberie : deux stacks, deux ensembles de dépendances, deux jeux d’identifiants, et aucun moyen de les comparer sur le même trafic sans construire un banc d’essai. OrcaRouter n’héberge ni l’un ni l’autre des modèles — Ming-3.0-asr-tiny et Moonshine 250M sont des poids ouverts auto-hébergés — mais il met plus de 200 modèles hébergés derrière une seule clé API avec basculement automatique, de sorte que la référence hébergée que vous évaluez puisse côtoyer votre candidat auto-hébergé sans second contrat. Les prix catalogue des fournisseurs sont répercutés avec 0 % de marge, ce qui est le chiffre qui compte lorsque vous comparez le coût par heure d’audio plutôt que le coût par token.

La question ouverte à surveiller

La fiche de Ming indique que les hotwords sont des indices, pas des garanties, et que la sortie est du texte sans horodatages au niveau des mots ni diarisation des locuteurs. La fiche de Moonshine indique que son décodeur peut halluciner des mots et répéter des phrases sur des segments courts ou bruités. Les deux sont honnêtes sur les modes de défaillance, ce que la plupart des fiches ne font pas, et les deux décrivent le même compromis sous-jacent depuis des extrémités opposées : un décodeur autorégressif qui produit du texte fluide produira parfois du texte fluide qui n’a pas été dit.

Ce qui trancherait cette comparaison n’est pas un benchmark, mais un cas d’usage. Faites tourner les deux sur les mêmes vingt minutes de vos propres enregistrements — moitié en direct, moitié en traitement par lots, moitié en anglais, moitié dans une autre langue — et la décision cessera de porter entièrement sur le nombre de paramètres. D’ici là, la bonne description de cette confrontation est que l’un des modèles est conçu pour écouter en continu et l’autre pour lire attentivement, et que le nom du plus petit est un raccourci marketing désignant un checkpoint qui compte, en réalité, 266 millions de paramètres.