Ming-3.0-asr-tiny לעומת NVIDIA Parakeet TDT 0.6B: מתמודד עם 35 הורדות פוגש את המכהן עם 626,000 הורדות

מוני ההורדות הם הדבר הראשון שכדאי לבחון, כי הם מתארים פער שאף מבחן ביצועים במאמר הזה לא יכול לסגור. NVIDIA Parakeet TDT 0.6B v3 מחזיקה יותר מ-626,000 הורדות ו-1,200 לייקים ב-Hugging Face, שוחררה ב-14 באוגוסט 2025 ומופצת בתוך ערכת NeMo, סביבת ריצה מקורית ב-C++ ומסלול Transformers שאנשים באמת משתמשים בו. Ming-3.0-asr-tiny מחזיקה 35 הורדות וקומץ לייקים, עם משקלים שהופיעו ב-14 באוקטובר 2026 וללא הכרזה מצד הספק שלה. האחד הוא תשתית. השני הוא צ'קפוינט בן חמישה ימים. אבל כדאי להשוות בין השניים, כי הם פותרים בעיות שונות והחלק המעניין הוא שהבעיה של Ming — ניבים סיניים ומילות מפתח — היא כזו ש-Parakeet TDT 0.6B v3 לא מנסה לפתור. כל נתון של Parakeet כאן, כולל מספר ההורדות 626,738, מגיע מ-כרטיס המודל של NVIDIA Parakeet TDT 0.6B v3, שכולל גם את טבלת Open ASR ואת סבב בדיקות הרעש MUSAN. הכשלים המתועדים של AI ותקריות סוכנים מאחורי שחרורים כמו זה נאספים ב-ארכיון תקריות ה-AI של OrcaRouter שבו כל רשומה כוללת מקורות משלה, חומרה, דירוג מהימנות וסימון מחלוקת.

הכרטיס של NVIDIA שלם באופן יוצא דופן לפי הסטנדרטים של הנושאים הרגילים של הבלוג הזה: טבלת Open ASR מלאה, סבב בדיקות עמידות לרעש, פירוט לפי שפה עבור 25 שפות אירופיות, ותאריך שחרור מוצהר. הכרטיס של Ming הוא ארבעה תרשימי PNG וללא דוח טכני. ההבדל הזה בתיעוד הוא כשלעצמו ממצא, והוא צריך להיכלל בהחלטה לצד נתוני הדיוק.

שני מפענחים ששניהם אינם מודל שפה

Parakeet TDT 0.6B v3 הוא מקודד FastConformer עם מפענח Token-and-Duration Transducer — 600 מיליון פרמטרים, קלט מונו של 16 קילו־הרץ, וסימני פיסוק ואותיות רישיות בפלט. TDT הוא הסיבה לכך שהוא מהיר: במקום לפלוט אסימון אחד לכל פריים, ה-transducer חוזה גם אסימון וגם משך, כך שהמודל יכול לדלג על פריימים ולהתקדם כמה בבת אחת. הוא אינו מודל CTC עם מקודד בלבד כמו קו Granite Speech של IBM, והוא אינו מודל שפה עם חזית אודיו כמו Ming. זהו מקרה הביניים, והוא היה מקרה הביניים מספיק זמן כדי להיות משעמם, וזה מחמאה.

Ming-3.0-asr-tiny הוא ההימור ההפוך. המפענח שלו הוא 24 שכבות של תערובת מומחים — 128 מומחים, שמונה מנותבים לכל טוקן, אחד משותף, והשכבה הראשונה צפופה — כאשר שלוש שכבות Kimi Delta Attention מתחלפות עם שכבה אחת של Gated MLA. המקודד שלו הוא 32 שכבות ב-1,280 ממדים עם 20 ראשים ו-128 תאי Mel, שזו הצורה של Whisper large-v3, והמאגר מספק modeling_whisper_encoder.py עם הודעת ה-MIT של OpenAI כדי להבהיר את השושלת. למודל יש 8.87 מיליארד פרמטרים לפי אינדקס ה-safetensors שלו, כ-2 מיליארד מהם פעילים לכל טוקן.

זה הופך את השוואת הפרמטרים לבלתי מאוזנת באופן שלא מתרגם לדיוק: 8.87 מיליארד בסך הכול לעומת 600 מיליון, וכ-2 מיליארד פעילים לעומת 600 מיליון צפופים. Ming הוא מודל שפה שעוטה מיקרופון. Parakeet הוא מודל דיבור שלמד לקרוא.

הדברים ש-Parakeet עושה ו-Ming לא עושה

שלוש יכולות מבדילות ביניהם לפני שמדברים על דיוק, וכל השלוש מתועדות על הכרטיסים ולא מוסקות.

הראשון הוא חותמות זמן. Parakeet TDT 0.6B v3 מחזיר תזמון ברמת תו, ברמת מילה וברמת מקטע דרך מסלולי ה-NeMo וה-Transformers שלו, והכרטיס מציג את הקריאה שמפיקה אותם. היכולת הבודדת הזו היא הבסיס שעליו בנויים יצירת כתוביות, יישור מאולץ, דיאריזציה של פגישות וכל ממשק "קפוץ לרגע שבו זה נאמר". הערות השימוש של Ming קובעות שהפלט הוא טקסט תמלול ללא חותמות זמן ברמת מילה או דיאריזציית דוברים. זה אינו פער בבנצ'מרק; זה היעדר של שדה פלט.

השני הוא אודיו ארוך. Parakeet מתמודד עם זה באמצעות קשב מקומי — המתכון של הכרטיס עצמו מחליף בקשב מקומי עם מיקום יחסי ובהקשר של 256 פריימים מכל צד לתמלול ארוך, ו-NVIDIA מתעדת מגבלות של כ-24 דקות עם קשב מלא על A100 בנפח 80 GB ושלוש שעות עם קשב מקומי. Ming מקבל הקשר של 8,192 עמדות ומחלק אודיו ארוך יותר באמצעות ארגומנט בשורת הפקודה, שזו תשובה ישימה אך מסוג אחר.

השלישי הוא האקוסיסטם. Parakeet פועל ב-NeMo, בנתיב Transformers עם AutoModelForTDT, וב-GGUF מכומת דרך NeMo-Speech.cpp ללא Python בזמן ריצה. Ming דורש Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA, ו-trust_remote_code=True, בנוסף למתאם SGLang מוצמד בנפרד אם ברצונך לשרת אותו. במחשב ללא GPU, ההבדל הזה הוא מכריע לפני שקוראים מספר WER כלשהו.

קרא את הרשימה הזו מול הכרטיס של Ming, וההשוואה מפסיקה לעסוק בדיוק. כל שורה בה היא יכולת שהמאגר של Ming מצהיר במפורש שאין לו, שמוצגת על ידי NVIDIA כתכונה ועל ידי inclusionAI כמגבלה.

מה כל ספק מדד, ועל מה

הנתונים באנגלית של Parakeet מגיעים מהמערכים הציבוריים של לוח התוצאות Open ASR: WER ממוצע של 6.34%, עם 1.93% ב-LibriSpeech test-clean, 3.59% ב-test-other, 11.31% ב-AMI, 11.42% ב-Earnings-22, 9.59% ב-GigaSpeech, 3.97% ב-SPGI Speech, 2.75% ב-TED-LIUM ו-6.14% ב-VoxPopuli.

הסיפור הרב-לשוני שלו דק יותר ממה שרשימת השפות מרמזת, וכדאי לומר זאת בפשטות משום שהכרטיס לא עושה זאת. 25 השפות אמיתיות, אבל ההערכה הרב-לשונית שפורסמה היא ממוצעי FLEURS, MLS ו-CoVoST — 11.97%, 7.83% ו-11.98% — וטבלת Open ASR שלמעלה היא באנגלית בלבד. צוות שמעריך את זה עבור פולנית או פינית מקבל מספר FLEURS לכל שפה, ואין לו כלל הערכה על טקסט ארוך או רועש באותה שפה.

עמידות לרעש היא המקום שבו הכרטיס מצדיק את עצמו. לאורך רעש MUSAN ביחסי אות לרעש יורדים, ה-WER הממוצע עומד על 6.34 נקי, 7.12 ב-10 dB, 8.23 ב-5 dB, 11.66 ב-0 dB ו-19.88 ב-−5 dB — הידרדרות יחסית ש-NVIDIA מציינת כ-−213.64% בנקודה הגרועה ביותר. זו עקומה אמיתית, על נתונים ציבוריים, והיא מספרת משהו שנתון דיוק בודד לא יכול: מתחת ל-5 dB בערך, המודל הזה מתדרדר מהר יותר מאשר באופן ליניארי.

המספרים של Ming, לעומת זאת, הם CER ממוצע בסינית של 3.55, WER ממוצע באנגלית של 3.99, ממוצע של חמישה עשר ניבים של 8.42, ממוצע פנימי של חמישה תחומים של 1.67 ומצרף context-ASR של 4.36. הכול מדווח על ידי הספק, הכול לא משוחזר, ואף לא אחד מהם על מערך בדיקה משותף עם Parakeet. במערך היחיד ששניהם מדווחים עליו — LibriSpeech test-clean — ב-Ming לא מפורסם נתון פר-מערך בפרוזה, רק הממוצע האנגלי של חמשת המערכים שלה, כך שלא ניתן לעשות את ההשוואה מהכרטיסים כלל.

רישיונות אינם שווי ערך כאן

המשקלים והקוד המקורי של Ming הם תחת MIT, כאשר קבצים מצורפים תחת Apache-2.0 שומרים על הכותרות שלהם, והמקודד המותאם ל-Whisper שומר על הודעת ה-MIT של OpenAI. ‏Parakeet TDT 0.6B v3 הוא תחת CC BY 4.0, המתיר שימוש מסחרי עם ייחוס. שניהם מתירניים; אף אחד מהם אינו מלכודת. ההבדל המעשי הוא ניסוח הייחוס בתיעוד המוצר שלך, לא חשיפה משפטית.

מה שראוי לציין הוא שהרישיון במאגר של Ming מתירני יותר מסיפור ההפצה שלו. משקולות MIT שמחייבות trust_remote_code=True וקבוצת תלויות נעוצה הן מתירניות לשימוש ומסורבלות לפריסה, ושתי העובדות בלתי תלויות.

תכונת ההקשר היא הגורם המבדיל הברור היחיד

ל-Parakeet TDT 0.6B v3 אין פרומפט, אין רשימת מילות hotword ואין דרך לספק את השמות שיופיעו באודיו. הוא מתמלל את מה שהוא שומע באמצעות מה שלמד ב-25 שפות אירופיות, ולגבי אוצר מילים תחומי הדרך המתועדת היא כוונון עדין, לא התניה. NVIDIA גם מספקת סקריפט סטרימינג מקוטע עם הקשר שמאלי וימני הניתנים להגדרה, שזהו כלי לשהיה ולא כלי לדיוק.

מינג מקבלת מילות מפתח או את תור הדיאלוג הקודם כחלק מהנחיית התמלול, וכיסוי הניבים שלה — חמישה עשר מערכי בדיקה סיניים הכוללים קנטונזית, מינאן ושנגאית, בממוצע 8.42 — הוא יכולת שפאראקט אינה טוענת לה כלל. אם האודיו שלך במנדרינית, או בניב אזורי שלה, או שיחת עסקים סינית מלאה בשמות מוצרים, פאראקט אינה מועמדת ומינג היא היחידה מבין השתיים שעל השולחן. זהו יתרון אמיתי, ספציפי וניתן לבדיקה, וזו הסיבה שהשוואה הזו קיימת במקום שתוכרע לפי מונה ההורדות.

ההסתייגות היא שמילות מפתח הן רק רמזים. הכרטיס של Ming אומר זאת ישירות: אספקת מונח מעלה את הסיכוי שהוא יופק ואינה מבטיחה אותו. כל מי שהשתמש בהטיית מילות מפתח במערכת ASR כלשהי מכיר את מצב הכשל — המודל מתחיל לשמוע את מילת המפתח באודיו שאינו מכיל אותה. בדוק זאת לפני שאתה סומך על זה.

מה לעשות עם זה

אם אתה צריך תמלול באנגלית עם חותמות זמן, על חומרה שכבר יש לך, עם סביבת ריצה שאינה דורשת סביבת Python,‏ Parakeet TDT 0.6B v3 היא התשובה הבטוחה, ומספר ההורדות אינו בגדר יוהרה — הוא מדד עקיף לכמה מצבי כשל כבר התגלו ותועדו בידי אחרים.

אם אתם צריכים סינית, ניבים או התניה על מילות מפתח, Ming-3.0-asr-tiny הוא היחיד מבין השניים שמסוגל לעשות את העבודה; הוא חדשני באמת בנישה הזו, והוא בן חמישה ימים עם כמעט אפס בדיקות חיצוניות. הגישה הנכונה היא מבחן השוואתי על הקורפוס שלכם, כאשר פער חותמות הזמן מטופל כאילוץ קשיח ולא כפשרה: אם המערכת שלכם במורד הזרם צורכת תזמוני מילים, ההערכה נגמרת עוד לפני שהיא מתחילה.

עבור צוותים שמריצים את ההשוואה התחרותית הזו על פני מערך ייצור, ההשוואה בדרך כלל מגיעה בסופו של דבר אל תוך ראוטר ולא אל גיליון אלקטרוני — נקודת קצה אחת לפני מועמדים באחסון עצמי, מעבר אוטומטי לגיבוי כך שבקשה שנכשלה נופלת חזרה אל הפתרון הקיים, ומפתח אחד על פני יותר מ-200 מודלים מתארחים במקום חוזה שני עבור כל השוואה. לא Ming-3.0-asr-tiny ולא NVIDIA Parakeet TDT 0.6B v3 נמצאים בקטלוג של OrcaRouter, ולכן אנחנו לא מספקים אף אחד מהם; שכבת הניתוב מצדיקה את מקומה סביבם, ולא דרכם.

האסימטריה שלא תיעלם

למודל אחד יש תאריך שחרור, מסלול תיעוד בסגנון arXiv, הגשה ללוח מובילים, סקירת רעש וטבלה לפי שפה. לאחר יש ארבעה תרשימים, קובץ קונפיגורציה, יומן קומיטים וסרטון שחרור. זו אינה ביקורת על ההנדסה של Ming — הארכיטקטורה שאפתנית יותר מזו של Parakeet וההימור על הדיאלקט אמיתי — אבל תיעוד הוא מה שהופך צ׳קפוינט למשהו שצוות יכול לאמץ בלי להפוך למחלקת ה-QA של הספק.

הדבר השימושי ביותר שכל אחד משני הספקים יוכל לפרסם בשלב הבא הוא אותו דבר בדיוק: הערכה משותפת על אודיו בסינית ובאנגלית, שנוקדה על ידי צד שלישי, עם חתימות זמן שנמדדות כמו המילים. עד שקיימת הערכה כזו, ההחלטה נשענת על גבולות יכולות שכבר מתועדים — תזמון, סטרימינג, חומרה, שפות, מילות מפתח — והגבולות האלה חדים מספיק כדי לבחור לפיהם.