Ming-3.0-asr-tiny לעומת Whisper large-v3-turbo: המקודד של Whisper, פה אחר

פתחו את קובץ התצורה של Ming-3.0-asr-tiny ומגדל האודיו מקריא לכם בחזרה: 1,280 ממדים חבויים, 32 שכבות מקודד, 20 ראשי קשב, 128 סלי מל. אלה הממדים של המקודד של Whisper large-v3, והמאגר אומר זאת בקול רם — הוא כולל קובץ בשם modeling_whisper_encoder.py ושומר את הודעת ה-MIT של O​penAI בקובץ נפרד WHISPER_LICENSE. זה אפוא לא סיפור על שתי מערכות דיבור לא קשורות. Ming-3.0-asr-tiny הוא מזהה דיבור בעל עדיפות לסינית ששמר את האוזניים של Whisper והחליף את הפה: מפענח תערובת מומחים בעל 24 שכבות, 8.87 מיליארד פרמטרים לפי אינדקס ה-safetensors שלו, מותנה במילות מפתח ובבדיאלוג שקדם לו. Whisper large-v3-turbo הוא זיקוק בעל 809 מיליון פרמטרים ששמר את אותו מקודד וקיצץ את המפענח מ-32 שכבות לארבע. כל נתון של Ming במאמר הזה מגיע ממקום אחד, והוא כרטיס המודל Ming-3.0-asr-tiny ב-Hugging Face, שמכיל את המשקלים, את קובץ התצורה, את ארבעת תרשימי ההערכה ונכס סרטון הפצה שמתוארך להיום. קו הבסיס בעל 809 מיליון פרמטרים, 99 שפות ורישיון MIT מתועד בכרטיס המודל Whisper large-v3-turbo, יחד עם התנהגות חותמות הזמן של המילים והתרגום שההשוואה הזו חוזרת אליה שוב ושוב. הכשלים המתועדים של AI ותקריות הסוכנים מאחורי מהדורות כמו זו נאספים בארכיון תקריות ה-AI של OrcaRouter שבו כל ערך נושא את המקורות שלו, חומרה, דירוג מהימנות וסימון מחלוקת.

אם אתם רוצים את התשובה הקצרה לפני הפירוט: הם אינם תחליפים. Whisper large-v3-turbo מפיק חותמות זמן, מתרגם לאנגלית, מכסה 99 שפות, ופועל על חומרה שאינה CUDA GPU. Ming-3.0-asr-tiny מפיק טקסט פשוט ותו לא, מכסה סינית ואנגלית עם הימור רציני על ניבים אזוריים, וזקוק למחסנית עדכנית של PyTorch ו-Transformers עם הפעלת ביצוע קוד מרחוק. החפיפה היא תעתוק סינית של קטעים קצרים, וגם שם איש מעולם לא דירג אותם זה מול זה.

מה שוחרר, וכמה בשקט

מאגר Hugging Face של Ming-3.0-asr-tiny נוצר ב-14 באוקטובר 2026. בזמן כתיבת שורות אלה הוא הציג 35 הורדות ולייק אחד בלבד. למאגר ה-GitHub הנלווה יש 20 קומיטים, כוכב אחד, אין פורקים ולשונית Releases ריקה. אין פוסט בבלוג של הספק, אין סיקור עיתונאי, ואין הודעת השקה מכל סוג שהוא — כרטיס המודל הוא ההודעה.

הכרטיס גם נמנע מלציין תאריך שחרור. אות התיארוך היחיד במאגר הוא נכס סרט שחרור שנשמר תחת נתיב המכיל media-2026-10-19, שהוא היום. התייחסו למשקלים כבני ימים ספורים ולכרזה ככזו שטרם נעשתה, ולא כשחרור מוצר שפספסתם.

מה שהמאגר כן קובע מעל לכל ספק הוא הצורה של הדבר שתורידו: 8.87 מיליארד פרמטרים המפוצלים על פני שני שברי safetensors ב־BF16, אוצר מילים של 157,184 טוקנים, מפענח טקסט בן 24 שכבות, מקודד אודיו בן 32 שכבות, וכן asr_output_format הוא שדה שמוגדר ל־plain. תרשימי הבנצ'מרק של המאגר עצמו מתייגים את המודל 8.6B-A2B, שהוא קיצור של היצרן לכ־2 מיליארד פרמטרים פעילים לכל טוקן; אינדקס ה-safetensors הוא המספר המוצק יותר, והשניים נבדלים בכ־270 מיליון.

אותן אוזניים, פה שונה

המקודד הוא החלק שאנשים מדלגים עליו, וכאן הוא השורה האינפורמטיבית ביותר בקונפיג. מקודד אודיו בעל 1,280 ממדים, 32 שכבות ו-20 ראשים עם 128 קלטי mel הוא ארכיטקטורת Whisper large, ושמות הקבצים במאגר מאשרים את השושלת ולא רק דומים לה. המקודד הוא גם החצי הקטן יותר של Ming: 32 שכבות של טרנספורמר קונבנציונלי לעומת מפענח שנושא 128 מומחים, מנתב שמונה מהם לכל טוקן, משאיר את השכבה הראשונה צפופה, ומדחיס את הקשב עם הקרנות בדרגה נמוכה (q_lora_rank 256, kv_lora_rank 512). זהו מודל שפה עם חזית אודיו מוברגת, לא מודל ASR עם מודל שפה מחובר.

Whisper large-v3-turbo הלך בכיוון ההפוך. זהו אותו מקודד עם מפענח שעבר זיקוק מ-32 שכבות לארבע, ומכאן מגיעים ספירת 809 מיליון הפרמטרים וההאצה של פי כשמונה לעומת large-v3. כל מה שהופך את turbo לזול נמצא בצד הפענוח; כל מה שהופך את Ming ליקר נמצא גם שם.

• פרמטרים — Ming-3.0-asr-tiny 8.87B ב-BF16, שמהם היצרן מציג כ־2B כפעילים לכל טוקן. Whisper large-v3-turbo 809M.

• דקודר — 24 שכבות, 128 מומחים עם 8 מנותבים לכל טוקן, קשב דחוס בדירוג נמוך. Whisper: 4 שכבות, צפוף, מזוקק מ-32 של large-v3.

• חזית שמע — מקודד בצורת Whisper בעל 32 שכבות ו-1,280 ממדים בשני המקרים, וזו העובדה הפחות מובנת מאליה בהשוואה הזו.

• חלון קלט — Ming מקבל 3,000 פריימי mel עד 30 שניות ו-6,000 מעבר לכך, כאשר אודיו ארוך יותר מחולק לקטעים בהתאם להקשר של 8,192 פוזיציות. שדה הקליטה של Whisper הוא 30 שניות, והחלוקה לקטעים מטופלת על ידי הכלים הסובבים.

• פלט — טקסט תמלול רגיל לעומת תמלול בתוספת חותמות זמן ברמת משפט וברמת מילה, וכן תרגום לאנגלית.

• שפות — סינית ואנגלית, עם 15 ערכות בדיקה של ניבים סיניים אזוריים, לעומת 99 שפות.

• רישיון — MIT עבור המשקולות והקוד המקורי של Ming, כאשר קבצי Apache-2.0 המצורפים שומרים על הכותרות שלהם; MIT עבור Whisper large-v3-turbo. זו השורה היחידה שאין עליה מה להתווכח.

מה שהתרשימים של הספק מציגים, ומי חסר מהם

ההערכה של Ming נמצאת כולה בארבעה תרשימי PNG בכרטיס המודל. טקסט המאגר אינו מכיל מספרים כלל, והתרשימים מצדיקים קריאה מדוקדקת משום שהם אינם מחמיאים באופן אחיד.

בממוצע הסיני — ממוצע CER על AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese ו-WenetSpeech — Ming משיג 3.55, והנתון הטוב ביותר בכל מקום בטבלה הוא 2.94. בממוצע האנגלי — LibriSpeech clean and other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English ו-VoxPopuli — Ming משיג 3.99 לעומת 3.69 הטוב ביותר בטבלה. בממוצע 15 הניבים Ming משיג 8.42 לעומת 8.00 הטוב ביותר בטבלה. במילים אחרות, בטבלאות של הספק עצמו, Ming נמצא בעקביות סמוך לחזית התחום ובעקביות לא ראשון.

היכן שזה נראה הכי חזק הוא במערכי הנתונים התחומיים הפנימיים, שבהם ה-CER עומד על 1.62 בצ'אט, 1.03 בממשלה, 1.58 בבריאות, 2.49 בידע ו-1.61 בחיי היומיום המקומיים. אלו המספרים שצריך להתייחס אליהם בזהירות הרבה ביותר, מפני שמערכי בדיקה פנימיים חולקים כמות בלתי נראית של מקור עם נתוני אימון שלא נחשפו, והכרטיס אינו אומר דבר על מה שהמודל אומן עליו.

טבלת ה-ASR מבוססת ההקשר היא זו שראויה למבט שני. הציון המצטבר שלה מציב את Ming על 4.36, אחרי Qwen3-Omni עם 4.34 ו-Qwen3-ASR-1.7B עם 4.23, ולפני Gemini 2.5 Pro עם 6.3. תכונת הדגל של המודל — הזנת מילות מפתח חמות והקשר שיחה — אינה הופכת אותו למזהה התלוי-הקשר הטוב ביותר בהשוואה שלו עצמו. הוא כן מנצח בשורות בודדות של ישויות מזוהות בשמן, במיוחד בשיעור השליליים השגויים של ישויות, שהוא המדד החשוב כשהשאלה היא "האם הוא זיהה נכון את השם" ולא "כמה תווים היו שגויים".

כעת ההשמטה שקובעת עד כמה כל זה שווה לכם: Whisper large-v3-turbo אינו מופיע באף אחד מארבעת התרשימים. קווי הבסיס הם מודלי Qwen omni, ‏Qwen3-ASR-1.7B, ‏Fun-ASR 1.5 ו-FireRedASR2-LLM-8B. אין השוואה ראש בראש שדווחה על ידי הספק בין שני המודלים במאמר זה, וכל טבלה שטוענת שיש כזו בדתה אותה. כל נתון לעיל דווח על ידי הספק ולא שוחזר באופן עצמאי.

היכן שעדיין לא ניתן לעקוב אחרי Whisper, והיכן ש-Ming לא יכול

חותמות זמן הן הגבול הקשיח.‏ Whisper large-v3-turbo מחזיר תזמון ברמת המשפט וברמת המילה לצד הטקסט, ועל זה נבנים תהליכי יצירת כתוביות, יישור כפוי ודיאריזציה.‏ Ming מחזיר טקסט תמלול ללא חותמות זמן ברמת המילה וללא דיאריזציה של דוברים, והכרטיס מציין זאת כמגבלה ולא כהשמטה. אם התהליך שלך צריך לדעת מתי נאמרה מילה, ההשוואה נגמרת שם — לא משום ש-Ming קיבל ציון נמוך יותר, אלא משום שהפלט אינו קיים.

סטרימינג הוא הגבול השני. הדוגמה המצורפת אינה מקבלת קלט סטרימינג, והמודל מתוכנן סביב קטעים שלמים עם רמז שפה אופציונלי. האקוסיסטם של Whisper השקיע שנתיים בבניית עטיפות אינקרמנטליות ובעלות השהיה נמוכה סביב חלון של 30 שניות; Ming זמין לציבור כבר ימים ואין לו כאלה.

הפריסה היא השלישית. Whisper large-v3-turbo עם 809 מיליון פרמטרים נכנס בנוחות ל-GPU צרכני בודד ויש לו מסלולי הסקה ב-CPU באמצעות סביבות ריצה מותאמות. מינג זקוק ל-GPU מסוג CUDA, ל-PyTorch 2.11.0, ל-torchaudio 2.11.0, ל-Transformers 5.12.1, ל-fla-core 0.5.2, ול-trust_remote_code=True כדי לטעון את קובץ המודל שלו — החלטה של שרשרת אספקה לא פחות מאשר החלטה הנדסית. כ-17.7 GB של משקולות BF16 אינו בגדר הורדה למחשב נייד.

המקום שבו Ming מוביל הוא בדיוק כל מה שמצב ההקשר נועד עבורו: דיבור סיני עם כיסוי דיאלקטים ש-Whisper מתמודד איתו בצורה גרועה, ומבעים קצרים העמוסים בשמות, תארים וז'רגון תחומי שאפשר לרשום מראש. קיים מסלול הגשה נפרד דרך מתאם SGLang עם קומיט מוצמד, מה שמרמז שהספק מצפה שזה יוגש כשירות ולא רק יורץ כסקריפט.

החלת זה על החלטה אמיתית

אם האודיו שלך באנגלית, או רב־לשוני, או שאתה צריך כתוביות עם תזמון, או שאתה רוצה משהו שרץ על מכונת CPU כבר מחר, התשובה היא Whisper large-v3-turbo וזה אפילו לא קרוב. שנתיים של שימוש בייצור, אקוסיסטם של סביבות הרצה, ופורמט פלט שכולם כבר צורכים שווים יותר מכמה נקודות CER בתרשים של ספק.

אם האודיו שלך הוא מנדרינית או ניב אזורי, אם הקליפים שלך קצרים, ואם אתה יכול למנות את השמות שיופיעו בהם, Ming-3.0-asr-tiny שווה השוואה — אבל רק השוואה. יש לו 35 הורדות. אף אחד מחוץ למעבדה לא פרסם עבורו מצב כשל, מה שאומר שאתה תהיה זה שיגלה אותם.

אל תקראו את מספר הפרמטרים כאות איכות בשום כיוון. Ming גדול פי שמונה מ-turbo ואינו גובר עליו באף ציר משותף שנמדד באופן בלתי תלוי, משום שאף ציר משותף לא נמדד. 8.87 מיליארד הפרמטרים קונים פריור הקשרי בהיקף של מודל שפה והימור על דיאלקט, לא שיפור מתועד בדיוק.

הרצת ההשוואה על השמע שלך

אף אחד מהמודלים אינו בקטלוג של OrcaRouter היום, ולכן הגרסה הכנה של הסעיף הזה היא שתורידו אותם ממאגר הנתונים של הספק עצמו ותריצו אותם בעצמכם. מה ששכבת ניתוב טובה עבורו כאן הוא החלק שאחרי כן: להעביר פרוסה מהתעבורה האמיתית שלכם דרך מודל מועמד בזמן שהמודל הקיים ממשיך לשרת את השאר, עם מעבר אוטומטי לגיבוי אם הנתיב החדש נכשל, ומפתח API אחד על פני יותר מ-200 מודלים כך שהוספת דעה שנייה לא מחייבת חוזה שני. OrcaRouter מעבירה הלאה את מחירי המחירון של הספקים בתוספת של 0%, מה שפחות רלוונטי למשקלים פתוחים שאתם מארחים בעצמכם ויותר למודלים מתארחים שתשוו אליהם.

המבחן ששווה להריץ נמשך אחר צהריים: 200 קטעים מהקורפוס שלכם, שחצי מהם מכילים שם עצם פרטי, בהערכה ידנית. תנו ל-Ming את רשימת המילים החמות ותנו ל-Whisper large-v3-turbo את אותם השמות בשדה הפרומפט שלו. השוו נזכור של ישויות מזוהות במקום שיעור שגיאות תווים, כי זה הציר ש-Ming נבנה עבורו בפועל וזה שטבלת ההקשר של הספק מדווחת עליו. ואז החליטו אם אפשר לחיות עם פער חותמות הזמן — ולגבי רוב צינורות העיבוד, התשובה היא לא.

מה היה משנה את פסק הדין הזה?

שני דברים. הערכה בלתי־תלויה על מערך בדיקות משותף תכריע בשאלת הדיוק שאיש משני הספקים לא השיב עליה, וכל אחד יוכל להריץ אותה. והכרזת שחרור — עם הצהרה על נתוני האימון, תאריך שחרור מוצהר ומפת דרכים עם חותמות זמן — תהפוך את Ming מצ'קפוינט עם תצורה מבטיחה למוצר שאפשר לתכנן סביבו. עד אז התיאור הנכון הוא הלא־זוהר: סט משקלים מתועד היטב, שנשלח בשקט, עם מקודד Whisper בתוכו, ואין עדיין איש מחוץ למעבדה שיכול לומר לך כיצד הוא נכשל.