Ming-3.0-asr-tiny vs Whisper large-v3-turbo : l’encodeur de Whisper, une bouche différente

Ouvrez le fichier de configuration de Ming-3.0-asr-tiny et la tour audio vous récite : 1 280 dimensions cachées, 32 couches d’encodeur, 20 têtes d’attention, 128 bandes de mel. Ce sont les dimensions de l’encodeur de Whisper large-v3, et le dépôt le dit haut et fort — il fournit un fichier appelé modeling_whisper_encoder.py et conserve la mention MIT d’O​penAI dans un fichier WHISPER_LICENSE séparé. Il ne s’agit donc pas de l’histoire de deux piles de traitement vocal sans rapport. Ming-3.0-asr-tiny est un système de reconnaissance pensé d’abord pour le chinois qui a conservé les oreilles de Whisper et remplacé la bouche : un décodeur à mélange d’experts de 24 couches, 8,87 milliards de paramètres selon son index safetensors, conditionné par des mots-clés et le dialogue précédent. Whisper large-v3-turbo est la distillation à 809 millions de paramètres qui a conservé le même encodeur et réduit le décodeur de 32 couches à quatre. Chaque chiffre de Ming dans cet article provient d’un seul endroit, et c’est la fiche modèle Ming-3.0-asr-tiny sur Hugging Face, qui contient les poids, la configuration, les quatre graphiques d’évaluation et une ressource vidéo de lancement datée d’aujourd’hui. Le modèle de référence à 809 M de paramètres, couvrant 99 langues et sous licence MIT, est documenté sur la fiche modèle Whisper large-v3-turbo, ainsi que le comportement d’horodatage des mots et de traduction sur lequel cette comparaison revient sans cesse. Les défaillances de l’IA et les incidents d’agents documentés à l’origine de sorties comme celle-ci sont recensés dans l’OrcaRouter AI Incident Archive, où chaque entrée comporte ses propres sources, sa gravité, sa note de confiance et son indicateur de contestation.

Si vous voulez la réponse courte avant les détails : ce ne sont pas des substituts. Whisper large-v3-turbo émet des horodatages, traduit vers l'anglais, couvre 99 langues et fonctionne sur du matériel qui n'est pas un GPU CUDA. Ming-3.0-asr-tiny émet du texte brut et rien d'autre, couvre le chinois et l'anglais avec un pari sérieux sur les dialectes régionaux, et nécessite une pile PyTorch et Transformers récente avec l'exécution de code distant activée. Le chevauchement concerne la transcription du chinois de clips courts, et même là, personne ne les a jamais évalués l'un contre l'autre.

Ce qui fut lancé, et dans quel silence

Le dépôt Hugging Face de {{1}}Ming-3.0-asr-tiny{{/1}} a été créé le 14 octobre 2026. Au moment de la rédaction, il affichait 35 téléchargements et un seul like. Le dépôt GitHub associé compte 20 commits, une étoile, aucun fork et un onglet Releases vide. Il n’y a aucun article de blog de l’éditeur, aucune couverture presse et aucune annonce de lancement, quelle qu’elle soit — la fiche modèle fait office d’annonce.

La fiche refuse également d’indiquer une date de sortie. Le seul signal de datation dans le dépôt est une ressource de film de release classée sous un chemin contenant media-2026-10-19, qui correspond à aujourd’hui. Considérez les poids comme datant de quelques jours et l’annonce comme n’ayant pas encore été faite, plutôt que comme un lancement de produit que vous auriez manqué.

Ce que le dépôt établit bel et bien, sans aucun doute, c’est la forme de ce que vous seriez en train de télécharger : 8,87 milliards de paramètres répartis sur deux fragments safetensors en BF16, un vocabulaire de 157 184 jetons, un décodeur de texte à 24 couches, un encodeur audio à 32 couches, et un champ asr_output_format défini sur plain. Les graphiques de référence du dépôt lui-même étiquettent le modèle 8.6B-A2B, ce qui est un raccourci du fournisseur pour environ 2 milliards de paramètres actifs par jeton ; l’index safetensors est le chiffre le plus solide, et les deux diffèrent d’environ 270 millions.

Mêmes oreilles, bouche différente

L’encodeur est la partie que les gens sautent, et ici c’est la ligne la plus informative de la configuration. Un encodeur audio de 1 280 dimensions, 32 couches et 20 têtes avec 128 entrées mel correspond à l’architecture Whisper large, et les noms de fichiers du dépôt confirment cette filiation plutôt qu’ils ne la suggèrent simplement. L’encodeur est aussi la moitié la plus petite de Ming : 32 couches d’un transformeur conventionnel face à un décodeur qui embarque 128 experts, en route huit par token, garde la première couche dense et compresse l’attention avec des projections de rang faible (q_lora_rank 256, kv_lora_rank 512). C’est un modèle de langage avec une interface audio greffée dessus, pas un modèle ASR avec un modèle de langage attaché.

Whisper large-v3-turbo est allé dans l’autre sens. Il s’agit du même encodeur avec un décodeur distillé de 32 couches à quatre, d’où viennent le compte de 809 millions de paramètres et l’accélération d’environ huit fois par rapport à large-v3. Tout ce qui rend turbo peu coûteux se situe du côté du décodage ; tout ce qui rend Ming coûteux s’y trouve aussi.

• Paramètres — Ming-3.0-asr-tiny 8,87 B en BF16, dont le fournisseur annonce environ 2 B d’actifs par token. Whisper large-v3-turbo 809 M.

• Décodeur — 24 couches, 128 experts avec 8 routés par token, attention compressée de faible rang. Whisper : 4 couches, dense, distillé à partir des 32 de large-v3.

• Front-end audio — un encodeur de forme Whisper à 32 couches et 1 280 dimensions dans les deux cas, ce qui est le fait le moins évident de cette comparaison.

• Fenêtre d’entrée — Ming prend 3 000 trames mel jusqu’à 30 secondes et 6 000 au-delà, les audios plus longs étant découpés en segments sur un contexte de 8 192 positions. Le champ réceptif de Whisper est de 30 secondes et le découpage est géré par l’outillage environnant.

• Sortie — texte de transcription brut par rapport à une transcription avec horodatages au niveau des phrases et des mots, ainsi qu’une traduction en anglais.

• Langues — chinois et anglais, avec 15 jeux de test de dialectes chinois régionaux, contre 99 langues.

• Licence — MIT pour les poids et le code original de Ming, les fichiers Apache-2.0 inclus conservant leurs propres en-têtes ; MIT pour Whisper large-v3-turbo. C’est la seule ligne où il n’y a rien à débattre.

Ce que montrent les graphiques du fournisseur, et qui en est absent

L’évaluation de Ming tient entièrement dans quatre graphiques PNG sur la fiche du modèle. Le texte du dépôt ne contient aucun chiffre, et les graphiques méritent une lecture attentive, car ils ne sont pas uniformément flatteurs.

Sur la moyenne chinoise — une moyenne CER sur AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese et WenetSpeech — Ming obtient 3,55, et le meilleur chiffre de tout ce tableau est 2,94. Sur la moyenne anglaise — LibriSpeech clean and other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English et VoxPopuli — Ming obtient 3,99 contre un meilleur résultat du tableau de 3,69. Sur la moyenne des 15 dialectes, Ming obtient 8,42 contre un meilleur résultat du tableau de 8,00. Autrement dit, sur les propres graphiques du fournisseur, Ming se situe systématiquement près de la tête du peloton et systématiquement pas en première position.

Là où il semble le plus solide, c’est sur les ensembles de domaines internes, où le CER s’établit à 1,62 sur le chat, 1,03 sur le gouvernement, 1,58 sur la santé, 2,49 sur la connaissance et 1,61 sur la vie locale. Ce sont les chiffres à traiter avec le plus de prudence, car les jeux de test internes partagent une quantité invisible de provenance avec des données d’entraînement non divulguées, et la fiche ne dit rien sur ce sur quoi le modèle a été entraîné.

Le tableau context-ASR est celui qui mérite qu’on s’y attarde. Son score agrégé place Ming à {{1}}4.36{{/1}}, derrière Qwen3-Omni à {{2}}4.34{{/2}} et Qwen3-ASR-1.7B à {{3}}4.23{{/3}}, et devant Gemini 2.5 Pro à {{4}}6.3{{/4}}. La fonctionnalité phare du modèle — lui fournir des mots-clés et le contexte de dialogue — ne fait pas de lui le meilleur reconnaisseur contextuel de sa propre comparaison. Il remporte toutefois certaines lignes individuelles relatives aux entités nommées, en particulier sur le taux de faux négatifs sur les entités, qui est la métrique qui compte lorsque la question est « a-t-il bien saisi le nom » plutôt que « combien de caractères étaient faux ».

Maintenant, l’omission qui détermine combien tout cela vaut pour vous : Whisper large-v3-turbo n’apparaît dans aucun des quatre graphiques. Les bases de comparaison sont les modèles Qwen omni, Qwen3-ASR-1.7B, Fun-ASR 1.5 et FireRedASR2-LLM-8B. Il n’existe aucun comparatif direct rapporté par le fournisseur entre les deux modèles dans cet article, et tout tableau qui prétend qu’il en existe un l’a inventé. Chaque chiffre ci-dessus est rapporté par le fournisseur et n’a pas été reproduit de manière indépendante.

Là où Whisper ne peut toujours pas être suivi, et où Ming ne peut pas l'être.

Les horodatages constituent la limite stricte. Whisper large-v3-turbo renvoie un minutage au niveau des phrases et des mots en même temps que le texte, ce sur quoi reposent la génération de sous-titres, l’alignement forcé et les pipelines de diarisation. Ming renvoie un texte de transcription sans horodatages au niveau des mots ni diarisation des locuteurs, et la fiche indique qu’il s’agit d’une limitation plutôt que d’un oubli. Si votre pipeline doit savoir quand un mot a été prononcé, la comparaison s’arrête là — non pas parce que Ming a obtenu un moins bon résultat, mais parce que la sortie n’existe pas.

Le streaming est la deuxième limite. L’exemple fourni n’accepte pas d’entrée en streaming, et le modèle est conçu autour de clips entiers avec un indice de langue facultatif. L’écosystème de Whisper a passé deux ans à construire des surcouches incrémentielles et à faible latence autour d’une fenêtre de 30 secondes ; Ming est public depuis quelques jours et n’en propose aucune.

Le déploiement est le troisième. Whisper large-v3-turbo, avec ses 809 millions de paramètres, tient confortablement sur un seul GPU grand public et dispose de chemins d’inférence CPU via des runtimes optimisés. Ming nécessite un GPU CUDA, 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 fichier de modélisation — ce qui est une décision de chaîne d’approvisionnement autant qu’une décision d’ingénierie. Environ 17,7 GB de poids BF16 ne constituent pas un téléchargement pour ordinateur portable.

Là où Ming prend l’avantage, c’est sur tout ce pour quoi le mode contexte existe : la parole chinoise avec une couverture des dialectes que Whisper gère mal, et les énoncés courts riches en noms, titres et jargon métier que vous pouvez lister à l’avance. Un chemin de service distinct existe via un adaptateur SGLang avec un commit épinglé, ce qui suggère que le fournisseur s’attend à ce que cela soit servi plutôt que seulement exécuté comme un script.

Appliquer cela à une décision réelle

Si votre audio est en anglais, ou multilingue, ou si vous avez besoin de sous-titres avec synchronisation, ou si vous voulez quelque chose qui tourne sur une machine CPU dès demain, la réponse est Whisper large-v3-turbo, et ce n’est même pas une question. Deux ans d’utilisation en production, un écosystème de runtimes et un format de sortie que tout consomme déjà valent plus que quelques points de CER sur un graphique de fournisseur.

Si votre audio est en mandarin ou dans un dialecte régional, si vos clips sont courts et si vous pouvez énumérer les noms qui y apparaîtront, Ming-3.0-asr-tiny mérite un test comparatif — mais uniquement un test comparatif. Il compte 35 téléchargements. Personne en dehors du laboratoire n’a publié de mode de défaillance pour cet outil, ce qui signifie que c’est vous qui les découvrirez.

N’interprétez pas le nombre de paramètres comme un indicateur de qualité, dans un sens comme dans l’autre. Ming est huit fois plus grand que turbo et ne le surpasse sur aucun axe commun mesuré indépendamment, car aucun axe commun n’a été mesuré. Les 8,87 milliards de paramètres apportent l’équivalent d’un modèle de langage en prior contextuel et un pari dialectal, et non un gain de précision documenté.

Exécution de la comparaison sur votre propre audio

Aucun des deux modèles ne figure aujourd'hui au catalogue d'OrcaRouter, donc la version honnête de cette section, c'est que vous les récupéreriez depuis le dépôt du fournisseur et les exécuteriez vous-même. Ce à quoi une couche de routage sert ici, c'est la partie qui vient ensuite : faire passer une partie de votre trafic réel par un modèle candidat pendant que le modèle en place continue de servir le reste, avec bascule automatique en cas d'échec du nouveau chemin, et une seule clé API pour plus de 200 modèles, afin qu'ajouter un second avis ne signifie pas ajouter un second contrat. OrcaRouter répercute les prix catalogue des fournisseurs avec 0 % de marge, ce qui compte moins pour les poids ouverts que vous hébergez vous-même et davantage pour les modèles hébergés que vous utiliseriez comme point de comparaison.

Le test qui vaut la peine d’être lancé prend un après-midi : 200 extraits de votre propre corpus, dont la moitié contient un nom propre, évalués à la main. Fournissez à Ming la liste de mots-clés et donnez à Whisper large-v3-turbo les mêmes noms dans son champ de prompt. Comparez le rappel des entités nommées plutôt que le taux d’erreur sur les caractères, car c’est l’axe pour lequel Ming a réellement été conçu et celui que rapporte le tableau de contexte du fournisseur. Décidez ensuite si l’écart d’horodatage est tolérable — ce qui, pour la plupart des pipelines, ne le sera pas.

Qu'est-ce qui changerait ce verdict

Deux choses. Une évaluation indépendante sur un jeu de test partagé trancherait la question de la précision à laquelle aucun des deux fournisseurs n’a répondu, et n’importe qui pourrait la mener. Et une annonce de sortie — avec une déclaration sur les données d’entraînement, une date de sortie annoncée et une feuille de route horodatée — ferait passer Ming du statut de checkpoint doté d’une configuration prometteuse à celui de produit sur lequel on pourrait planifier. D’ici là, la description correcte est la moins flatteuse : un ensemble de poids bien documenté, livré discrètement, avec un encodeur Whisper à l’intérieur et personne encore hors du laboratoire pour vous dire comment il échoue.