Ming-3.0-asr-tiny vs NVIDIA Parakeet TDT 0.6B : un challenger à 35 téléchargements face à un tenant du titre à 626 000 téléchargements

Les compteurs de téléchargements sont la première chose à regarder, car ils décrivent un écart qu'aucun benchmark de cet article ne peut combler. NVIDIA Parakeet TDT 0.6B v3totalise plus de 626 000 téléchargements et 1 200 likes sur Hugging Face, publié le 14 août 2025 et livré au sein de la boîte à outils NeMo, un runtime C++ natif et une voie Transformers que les gens utilisent réellement. Ming-3.0-asr-tinytotalise 35 téléchargements et une poignée de likes, avec des poids apparus le 14 octobre 2026 et aucune annonce de son fournisseur. L'un est une infrastructure. L'autre est un checkpoint vieux de cinq jours. Mais les deux valent la comparaison, car ils résolvent des problèmes différents et le plus intéressant est que le problème de Ming — les dialectes chinois et les mots-clés — est un problème que Parakeet TDT 0.6B v3 n'aborde pas. Chaque chiffre concernant Parakeet ici, y compris le nombre de 626 738 téléchargements, provient de la fiche modèle de NVIDIA Parakeet TDT 0.6B v3, qui contient également le tableau Open ASR et le balayage du bruit MUSAN. Les défaillances d'IA et incidents d'agents documentés derrière des sorties comme celle-ci sont rassemblés dans l'OrcaRouter AI Incident Archive où chaque entrée porte ses propres sources, sa gravité, sa note de confiance et son indicateur de contestation.

La fiche de NVIDIA est inhabituellement complète selon les critères des sujets habituels de ce blog : un tableau ASR ouvert complet, un balayage de robustesse au bruit, une ventilation par langue sur 25 langues européennes et une date de publication annoncée. La fiche de Ming, elle, se compose de quatre graphiques PNG et d’aucun rapport technique. Cette différence de documentation constitue en soi un constat, et elle doit figurer dans la décision aux côtés des chiffres de précision.

Deux décodeurs qui ne sont tous deux pas des modèles de langage

Parakeet TDT 0.6B v3 est un encodeur FastConformer avec un décodeur Token-and-Duration Transducer — 600 millions de paramètres, entrée mono à 16 kHz, ponctuation et majuscules en sortie. TDT est la raison de sa rapidité : au lieu d’émettre un token par trame, le transducteur prédit à la fois un token et une durée, ce qui permet au modèle de sauter des trames et d’en avancer plusieurs à la fois. Ce n’est pas un modèle CTC à encodeur seul comme la gamme Granite Speech d’IBM, et ce n’est pas un modèle de langage avec une façade audio comme Ming. C’est le cas intermédiaire, et il l’est depuis assez longtemps pour être ennuyeux, ce qui est un compliment.

Ming-3.0-asr-tiny est le pari inverse. Son décodeur compte 24 couches de mélange d'experts — 128 experts, huit routés par token, un partagé, la première couche dense — alternant trois couches K​imi Delta Attention avec une couche Gated MLA. Son encodeur compte 32 couches de 1 280 dimensions avec 20 têtes et 128 bins mel, soit la forme de Whisper large-v3, et le dépôt fournit modeling_whisper_encoder.py avec la notice MIT d'OpenAI pour rendre la filiation explicite. Le modèle compte 8,87 milliards de paramètres d'après son index safetensors, dont environ 2 milliards actifs par token.

Cela rend la comparaison des paramètres déséquilibrée d’une manière qui ne se traduit pas par une meilleure précision : 8,87 milliards au total contre 600 millions, et environ 2 milliards d’actifs contre 600 millions denses. Ming est un modèle de langage qui porte un microphone. Parakeet est un modèle vocal qui a appris à lire.

Les choses que Parakeet fait que Ming ne fait pas

Trois capacités les distinguent avant même que l’on aborde la précision, et toutes trois sont documentées sur les fiches plutôt que déduites.

Le premier point concerne les horodatages. Parakeet TDT 0.6B v3 renvoie un minutage au niveau des caractères, des mots et des segments via ses deux chemins NeMo et Transformers, et la fiche montre l’appel qui les produit. Cette seule capacité est ce sur quoi reposent la génération de sous-titres, l’alignement forcé, la diarisation de réunion et toute interface permettant de « sauter au moment où cela a été dit ». Les notes d’utilisation de Ming indiquent que la sortie est un texte de transcription sans horodatages au niveau des mots ni diarisation des locuteurs. Ce n’est pas une lacune dans un benchmark ; c’est l’absence d’un champ de sortie.

Le second concerne l’audio long. Parakeet le gère au moyen de l’attention locale — la recette propre à la fiche du modèle remplace l’attention par une attention locale à positions relatives avec un contexte de 256 trames de part et d’autre pour la transcription de longs extraits, et NVIDIA documente des limites d’environ 24 minutes avec l’attention complète sur un A100 de 80 Go et de trois heures avec l’attention locale. Ming accepte un contexte de 8 192 positions et découpe les audios plus longs via un argument de ligne de commande, ce qui est une solution viable mais d’un autre genre.

Le troisième, c'est l'écosystème. Parakeet s'exécute dans NeMo, via un chemin Transformers avec AutoModelForTDT, et dans un GGUF quantifié via NeMo-Speech.cpp, sans Python à l'exécution. Ming nécessite Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA et trust_remote_code=True, ainsi qu'un adaptateur SGLang épinglé séparément si vous souhaitez le servir. Sur une machine sans GPU, cette différence est décisive avant même de lire le moindre chiffre de WER.

Lisez cette liste en regard de la fiche de Ming, et la comparaison cesse de porter sur l’exactitude. Chaque ligne qu’elle contient correspond à une capacité que le dépôt de Ming déclare explicitement ne pas posséder, présentée par NVIDIA comme une fonctionnalité et par inclusionAI comme une limitation.

Ce que chaque fournisseur a mesuré, et sur quoi

Les scores en anglais de Parakeet proviennent des ensembles publics du classement Open ASR : 6,34 % de WER moyen, avec 1,93 % sur LibriSpeech test-clean, 3,59 % sur test-other, 11,31 % sur AMI, 11,42 % sur Earnings-22, 9,59 % sur GigaSpeech, 3,97 % sur SPGI Speech, 2,75 % sur TED-LIUM et 6,14 % sur VoxPopuli.

Son histoire multilingue est plus mince que ne le suggère la liste des langues, et il vaut la peine de le dire clairement parce que la fiche ne le fait pas. Les 25 langues sont réelles, mais l’évaluation multilingue publiée correspond à des moyennes FLEURS, MLS et CoVoST — 11,97 %, 7,83 % et 11,98 % — et le tableau Open ASR ci-dessus ne concerne que l’anglais. Une équipe qui évalue cela pour le polonais ou le finnois obtient un chiffre FLEURS par langue et aucune évaluation sur des contenus longs ou bruités dans cette langue.

C’est sur la robustesse au bruit que la carte justifie son intérêt. Sur le bruit MUSAN, à des rapports signal/bruit décroissants, le WER moyen est de 6,34 en conditions propres, 7,12 à 10 dB, 8,23 à 5 dB, 11,66 à 0 dB et 19,88 à −5 dB — une dégradation relative que NVIDIA indique à −213,64 % au pire point. C’est une vraie courbe, sur des données publiques, et elle révèle quelque chose qu’un unique chiffre de précision ne peut pas : en dessous d’environ 5 dB, ce modèle se dégrade plus vite que linéairement.

Les chiffres de Ming, en revanche, sont un CER moyen en chinois de 3,55, un WER moyen en anglais de 3,99, une moyenne sur quinze dialectes de 8,42, une moyenne interne sur cinq domaines de 1,67 et un agrégat context-ASR de 4,36. Tous déclarés par le fournisseur, tous non reproduits, et aucun sur un ensemble de test partagé avec Parakeet. Sur le seul ensemble que les deux rapportent — LibriSpeech test-clean — Ming ne publie pas de chiffre par ensemble dans le texte, seulement sa moyenne anglaise sur cinq ensembles, de sorte que la comparaison ne peut pas être faite à partir des fiches du tout.

Les licences ne sont pas équivalentes ici

Les poids et le code d’origine de Ming sont sous licence MIT, les fichiers Apache-2.0 intégrés conservant leurs propres en-têtes et l’encodeur adapté à Whisper conservant la mention MIT d’O​penAI. Parakeet TDT 0.6B v3 est sous CC BY 4.0, ce qui autorise l’utilisation commerciale avec attribution. Les deux sont permissives ; ni l’une ni l’autre n’est un piège. La différence pratique tient au libellé d’attribution dans la documentation de votre produit, et non à une exposition juridique.

Ce qu'il vaut la peine de signaler, c'est que la licence du dépôt de Ming est plus permissive que son histoire de distribution. Les poids sous licence MIT qui nécessitent trust_remote_code=True et un ensemble de dépendances épinglé sont permissifs à l'usage et peu commodes à déployer, et les deux faits sont indépendants.

La fonction de contexte est le seul facteur de différenciation net

Parakeet TDT 0.6B v3 n’a pas de prompt, pas de liste de mots-clés et aucun moyen de fournir les noms qui apparaîtront dans l’audio. Il transcrit ce qu’il entend en s’appuyant sur ce qu’il a appris dans 25 langues européennes, et pour le vocabulaire de domaine, la voie documentée est le fine-tuning, et non le conditionnement. NVIDIA fournit également un script de streaming par blocs avec un contexte gauche et droit configurable, qui est un outil axé sur la latence plutôt que sur la précision.

Ming accepte des mots-clés ou le tour de dialogue précédent comme partie du prompt de transcription, et sa couverture des dialectes — quinze jeux de test chinois, dont le cantonais, le minnan et le shanghaïen, avec une moyenne de 8,42 — est une capacité que Parakeet ne revendique pas du tout. Si votre audio est en mandarin, ou dans une variété régionale de celui-ci, ou s'il s'agit d'un appel professionnel chinois rempli de noms de produits, Parakeet n'est pas un candidat et Ming est le seul des deux sur la table. C'est un avantage réel, précis et vérifiable, et c'est la raison pour laquelle cette comparaison existe plutôt que d'être tranchée par le compteur de téléchargements.

La réserve, c’est que les hotwords sont des indices. La fiche de Ming le dit directement : fournir un terme augmente la probabilité qu’il soit produit, sans pour autant le garantir. Quiconque a déjà utilisé le biais par mots-clés sur un système ASR quelconque connaît le mode de défaillance : le modèle commence à entendre le hotword dans un audio qui ne le contient pas. Testez cela avant de lui faire confiance.

Que faire de ceci

Si vous avez besoin d’une transcription en anglais avec horodatage, sur du matériel que vous possédez déjà, avec un runtime qui ne nécessite pas d’environnement Python, Parakeet TDT 0.6B v3 est la réponse sûre, et le nombre de téléchargements n’est pas de la vanité — c’est un indicateur du nombre de modes de défaillance déjà découverts et consignés par d’autres.

Si vous avez besoin de chinois, de dialectes ou de conditionnement par mots-clés, Ming-3.0-asr-tiny est le seul des deux à pouvoir faire le travail ; il est véritablement novateur dans ce créneau, et il n’a que cinq jours, avec pratiquement aucun test externe. La bonne approche consiste à faire un comparatif sur votre propre corpus, en traitant l’écart d’horodatage comme une contrainte stricte plutôt que comme un compromis : si votre système en aval consomme les horodatages des mots, l’évaluation est terminée avant même d’avoir commencé.

Pour les équipes qui organisent ce comparatif sur un parc de production, la comparaison finit généralement dans un routeur plutôt que dans un tableur — un point de terminaison unique devant les candidats auto-hébergés, un basculement automatique afin qu’une requête échouée retombe sur la solution en place, et une seule clé pour plus de 200 modèles hébergés au lieu d’un second contrat pour chaque comparaison. Ni Ming-3.0-asr-tiny ni NVIDIA Parakeet TDT 0.6B v3 ne figurent au catalogue d’OrcaRouter, donc aucun des deux ne fait partie de ce que nous servons ; la couche de routage justifie sa place autour d’eux, et non par leur intermédiaire.

L’asymétrie qui ne disparaîtra pas

Un modèle a une date de publication, une documentation de style arXiv, une soumission à un classement, un balayage du bruit et un tableau par langue. L’autre a quatre graphiques, un fichier de configuration, un journal de commits et un film de lancement. Ce n’est pas une critique de l’ingénierie de Ming — l’architecture est plus ambitieuse que celle de Parakeet et le pari sur les dialectes est réel — mais la documentation est ce qui transforme un checkpoint en quelque chose qu’une équipe peut adopter sans devenir le service d’assurance qualité du fournisseur.

La chose la plus utile que l’un ou l’autre fournisseur pourrait publier ensuite est la même : une évaluation commune sur des audios en chinois et en anglais, notée par un tiers, où l’on mesure aussi bien les horodatages que les mots. Tant qu’une telle évaluation n’existe pas, la décision repose sur des limites de capacités déjà documentées — précision temporelle, diffusion en continu, matériel, langues, mots-clés — et ces limites sont suffisamment nettes pour trancher.