Ming-3.0-audio-tiny מול VibeVoice-ASR-Streaming 1.5B: חמישה מקפים כנגד זרם עם ייחוס דובר

פתחו את תמונת הזיהוי בתוך המאגר של Hugging Face עבור Ming-3.0-audio-tiny וגללו לתחתית. חמש שורות — דיאריזציה של דוברים ושגיאת תמורה מינימלית משורשרת עבור AISHELL-4, AliMeeting ו-AMI — נושאות מקף בעמודת tiny. לא מספר רע. ריק. הספק מדד את האח הגדול יותר בכל חמש השורות וסירב למדוד את הקטן. כעת פתחו את כרטיס המודל של VibeVoice-ASR-Streaming 1.5B וקראו את הנקודה הראשונה: הוא מתמלל מי אמר מה, ברציפות, בזמן שהדיבור מגיע. אלו אותן חמש שורות, בהיפוך. מודל אחד מפרסם כמעט הכול מלבד ייחוס דוברים; האחר קיים בעיקר כדי לפרסם אותו. הכשלים המתועדים של בינה מלאכותית ותקריות סוכנים שמאחורי מהדורות כמו זו נאספים ב-OrcaRouter AI Incident Archive שבו כל ערך נושא את המקורות שלו, חומרה, דירוג מהימנות וסימון מחלוקת.

אף אחד מהם לא דורג באופן עצמאי. זה פחות חשוב כאן מהרגיל, כי ההתמודדות הזו מוכרעת על ידי החלטת עיצוב ולא על ידי מספר: מה קורה כשהאודיו לא מפסיק להגיע. Ming-3.0-audio-tiny הוא מודל קבצים עם חלון גדול ופלט דיבור אופציונלי. VibeVoice-ASR-Streaming 1.5B הוא מודל זרימה שפולט טקסט בערך כל שלוש שניות ומתייג כל מקטע לפי דובר. אם עומס העבודה שלך הוא הקלטה, הם מתחרים. אם עומס העבודה שלך הוא חדר, רק אחד מהם מנסה.

מה העלות של "סטרימינג" בקונפיגורציה

המאגר של Microsoft קריא באופן יוצא דופן בכל הנוגע לתקציב השיהוי של עצמו, מה שהופך את הפשרה לניתנת לבדיקה ולא לעניין שיווקי. הטוקנייזרים האקוסטיים והסמנטיים הם סיבתיים ופועלים בדחיסה של פי 3,200 מול קלט של 24 kHz, כך שזרם הטוקנים הוא כ-7.5 טוקנים לשנייה של אודיו. מעטפת הזרימה צוברת 22 פריימים של טוקנים בכל מקטע עם 4 פריימים של lookahead: 22 חלקי 7.5 הם בערך 2.9 שניות לכל פליטה, ו-4 חלקי 7.5 הם כחצי שנייה של אודיו עתידי שהמודל רשאי לראות לפני שהוא מתחייב.

• קצב הפליטה — כ־2.9 שניות; המבט קדימה הוא החלק שקונה דיוק במחיר של השהיה.

• שלד — מפענח ממשפחת Qwen2, 28 שכבות, 1,536 ממדים נסתרים, 12 ראשים עם 2 ראשי מפתח-ערך, חלון של 64,000 טוקנים.

• גודל — שלושה שברי safetensors בסך 5.63 GB. זה לא 1.5B פרמטרים; 5.63 GB ב-bf16 יוצא קרוב יותר ל-2.8 מיליארד, וה-1.5B בשם הכי טוב לקרוא בתור עמוד השדרה הלשוני ולא בתור הסטאק כולו.

• שפות — עשר: סינית, אנגלית, צרפתית, גרמנית, איטלקית, יפנית, קוריאנית, פורטוגזית, רוסית, ספרדית.

• תוספים — מילות מפתח מותאמות אישית המועברות כהקשר, ותווית דובר המצורפת לכל מקטע שנפלט.

• תיארוך — המאגר נוצר ב-2 בספטמבר 2026 בשעה 15:51 UTC, ושונה לאחרונה בבוקר שלמחרת. הוכרז רק באמצעות שורת חדשות ב-README של VibeVoice ב-GitHub, כלומר בקושי הוכרז בכלל.

חלון ה-64K הזה הוא המספר שיש להעמיד מול 131,072 של Ming. זה נשמע כמו חצי מהקיבולת, אבל זה לא אותו סוג של קיבולת. מודל סטרימינג לא צריך להחזיק שעה שלמה, כי הוא כבר רשם את חמישים ותשע הדקות האחרונות. החלון הוא זיכרון עבודה עבור המקטע הנוכחי בתוספת כל הקשר שיח שהמודל נושא קדימה. ה-131K של Ming הוא ההימור ההפוך: להשאיר את הכול חי ולבצע הסקה על פניו.

ההימור של מינג, ומה שהוא קונה

נקודת המכירה של המודל הזעיר היא לא דיוק הזיהוי — לפי הטבלאות של inclusionAI עצמה הוא מפגר ב-0.34 נקודות אחרי האח הגדול שלו בסינית (3.79 מול 3.45 בשגיאת תווים) וב-0.89 בניבים (10.29 מול 9.40). נקודת המכירה היא שצ'קפוינט אחד מבצע זיהוי, הבנה, הסקה ודיבור באותו מעבר קדמי, על פני חלון ארוך מספיק כך ש"מה היא אמרה בעשר הדקות הראשונות" היא שאלה שאפשר לשאול.

נתוני אינטליגנציית האודיו שלו מכובדים ביחס לגודל, והם הסיבה להעדיף אותו על פני מתמלל בלבד: MMAU 75.90, MMAR 67.70, MMSU 73.06, BigBenchAudio 99.20, MuchoMusic 58.07 עבור מוזיקה. כל אלה הורצו על ידי הספק, עם כוכביות בשורות שהוערכו עצמית, והכרטיס מציין שמודלי ההשוואה שוחזרו תחת הפרומפטים והפענוח של inclusionAI עצמה. יש לקרוא אותם כבריף עיצובי.

מה שהטבלאות לא יגידו לכם הוא מי דיבר. זהו הפער שחמשת המקפים מסמנים, והוא מבני ולא מקרי. מודל שעונה על שאלות درباره הקלטה אינו זקוק לפילוח לפי דובר כדי לענות עליהן; מודל שמייצר תמלול לפגישה כן זקוק לכך. סביר להניח שאפשר להנחות את Ming לעשות משהו כמו תיוג דוברים, וההדגשה בכרטיס על "הקלטות מרובות דוברים" מרמזת שהוא אומן בקרבת הבעיה. אבל "סביר להניח" עושה כאן את העבודה של חמש שורות שלא פורסמו.

שני צינורות, משורטים בכנות

דמיינו את אותה הקלטה בת תשעים הדקות עוברת דרך כל אחד מהם.

עם VibeVoice-ASR-Streaming 1.5B, האודיו מגיע בנתחים של כשלוש שניות והטקסט נפלט באותו מקצב, כשכל מקטע נושא דובר. אפשר להציג אותו בשידור חי. המחיר הוא שכל החלטה היא מקומית במידה מסוימת: המודל ראה חצי שנייה קדימה, בתוספת כל הקשר שהוא שומר, כך שדובר שעוצר לארבע שניות עלול לחזור עם תווית שונה, ושם שהוצג בדקה השנייה ניתן לשחזור רק באמצעות מנגנון ה-hotwords, שאותו אתה מספק. עקביות בין נתחים היא הדבר שיש לבדוק, והדבר שהכרטיס אינו מכמת.

עם Ming-3.0-audio-tiny, הקובץ מגיע, כל התוכן נמצא בהקשר, והתשובה מגיעה כשהיא מגיעה. עקביות בין-מקטעים אינה סיכון כי אין מקטעים — עד לחלון. המחיר הוא ששום דבר אינו זמין עד שהמודל מסיים, והקצאת הזיכרון מותאמת לגודל החלון המלא: פרופיל ה-ASR הייחוס תופס 0.92 מכרטיס עם אצווה של 32,768 טוקנים. ניתן להנמיך את max_model_len; לא ניתן להפעיל אותו במצב הזרמה, כי אין מסלול הזרמה במאגר.

• צורת השהיה — VibeVoice: רציפה, בפיגור של כ־3 שניות. Ming: תשובה אחת בסוף.

• ייחוס — VibeVoice: לפי מקטע, במכוון. Ming: לא פורסם.

• הקשר — VibeVoice: חלון עבודה של 64K בתוספת התמלול שלו. Ming: 131,072 פוזיציות, בקירוב שלוש שעות שמע לפי חשבון על האנקודר, אם המעבד מזין זרם רציף אחד.

• פלט — VibeVoice: טקסט. Ming: טקסט, או טקסט בתוספת דיבור מסונתז באמצעות Talker אופציונלי ב-GPU שני.

• חומרה — VibeVoice: צ'קפוינט של 5.63 GB, כך שכרטיס סטנדרטי בודד מספיק. Ming: 17.74 GB של Thinker, כרטיס אחד לטקסט, שניים לדיבור.

הרישיון והניירת זהים, וזה יוצא דופן.

שניהם ברישיון MIT. שניהם מהדורות שקטות. שניהם העלו את המשקלים לפני שהתיעוד הדביק, ושניהם נשענים על מאגר GitHub שאינו נקרא על שם ה-checkpoint: פרופילי הפריסה של Ming נמצאים בinclusionAI/Ming-3.0-audio-flash, והוראות השימוש של VibeVoice נמצאות בmicrosoft/VibeVoice לצד האח ה-7B.

ההבדלים טמונים במה שכל מאגר מספר לך. מיקרוסופט מספקת דוח טכני — arXiv 2609.02812 — ותרשים תוצאות בכרטיס, שהוא תמונה ולא טבלה, ולכן המספרים אינם ניתנים לחילוץ, ושיעור שגיאה לפי שפה אינו מופיע בטקסט. inclusionAI מספקת שלוש תמונות בנצ'מרק, גם הן תמונות, ובנוסף כרטיס שמציין את חולשותיה רק בעקיפין, באמצעות השארת תאים ריקים. אף אחד מהספקים לא נותן מספר שאפשר להדביק בגיליון אלקטרוני בלי להעתיק אותו ביד.

אסימטריה אחת שווה לציון לכל מי שעוסק ברכש: מאגר ה-Hugging Face של Ming אינו מכיל קובץ LICENSE, אלא רק קישור במטא-נתונים של הכרטיס לרישיון במאגר האחר. הכרטיס של VibeVoice מציין MIT במטא-נתונים והמאגר כולל את קובץ הרישיון. שתי הטענות נכונות; רק אחת מהן נמצאת בתוך הארטיפקט.

למה מיועד נתב ומה לא מיועד לו כאן

OrcaRouter לא מספק אף אחד משני המודלים. Ming-3.0-audio-tiny הוא צ'קפוינט ו-VibeVoice-ASR-Streaming 1.5B הוא צ'קפוינט; אף אחד מהם אינו בקטלוג שלנו, ושום דבר בטקסט הזה אינו הצעה לארח אותם. מקומו של הראוטר בצינור עיבוד כמו זה הוא אחרי התמלול ולפני ההחלטה: לסַכֵּם את השיחה, לחלץ את ההתחייבויות, לסווג אם הקטע דורש אדם, לתרגם את החלקים שלא היו בשפת העבודה. הקריאות האלה הן טקסט, ונקודת קצה אחת עבור יותר מ-200 מודלים ב-0% תוספת — מחיר המחירון של הספק מועבר הלאה, כך ששינוי מחיר של ספק מגיע לצד שלנו באותו יום — מסיר מהבנייה חוזה לכל ספק. מעבר אוטומטי לגיבוי הוא התכונה הספציפית שחשובה כשמשימת תמלול של שעתיים צריכה למסור את הפלט שלה למקום אמין בשעה 2 לפנות בוקר.

מה שראוטר לא יעשה הוא ליישב בין שתי תגיות דובר שסותרות זו את זו, או להחליט אם שורות הדיאריזציה החסרות של מינג הן חולשה אמיתית או כזו שלא נמדדה. זהו תפקידו של האודיו שלך.

המבחן שמפריד ביניהם בתוך אחר צהריים אחד

הקליטו עשרים דקות עם שלושה אנשים, שאחד מהם מדבר מעל דברי האחרים פעמיים ואחד מהם מדבר דרך מיקרופון של מחשב נייד. העבירו את זה דרך VibeVoice-ASR-Streaming 1.5B כאשר רשימת ה-hotwords מאוכלסת בשלושת השמות, כי זה המנגנון שהמודל מספק בדיוק לשם כך. העבירו את אותו קובץ דרך Ming-3.0-audio-tiny באמצעות הפרומפט המאומת שמבקש תווית שפה, טאב, ואז את התמלול — ואז בקשו ממנו, בסבב שני, לייחס כל משפט.

דרגו ארבעה דברים: כמה החלפות דובר המודל הראשון זיהה נכון, האם תווית דובר כלשהי התחלפה באמצע ההקלטה, האם שיוך הדובר של המודל השני היה יציב לאורך הקובץ, ואיזה פלט תוכל לתקן מהר יותר ידנית. האחרון אינו בנצ'מרק והוא ינבא את חוויית הייצור שלך טוב יותר מאשר הנתונים של כל אחד מהספקים.

וקח בחשבון את המקפים בזמן שאתה עושה זאת. ספק שמפרסם טבלת ניבים בדיוק של שתי ספרות אחרי הנקודה ומשאיר חמישה תאים של דיאריזציה ריקים אמר לך משהו ספציפי על היכן שהביטחון שלו נגמר. Microsoft, מצדה, פרסמה נתון במקום טבלה והשאירה לך לקרוא את התמונה. אף אחד מהשניים לא נתן לך מספר שזר בדק.

היכן שכל אחד באמת שייך

כתוביות בזמן אמת, ניטור מוקד טלפוני, עוזרי פגישות שזקוקים לשם לצד כל שורה: VibeVoice-ASR-Streaming 1.5B נבנה בדיוק למקרה הזה, ובגודל 5.63 GB הוא פועל על חומרה שכנראה כבר יש לכם. בדיקת ציות של ארכיון, "מצאו כל אזכור של ההסדר בכל ארבעים ההקלטות האלה", כל מקרה שבו השאלה מגיעה אחרי האודיו ולא במהלכו: החלון הגדול היחיד וציוני ההבנה של Ming-3.0-audio-tiny הם ההתאמה הטובה יותר, ושורות הדיאריזציה החסרות מפסיקות להיות חשובות אם אף אחד לא שאל מי דיבר.

הטעות תהיה לבחור ב-Ming למשימת סטרימינג משום ש-131,072 הוא כפול מ-64,000, או לבחור ב-VibeVoice למשימת הסקה משום ש-1.5B נשמע זול יותר מ-9.3B. שני המספרים מתארים משהו אחר ממה שהמשפט מניח, וזה הדבר האמין ביותר שההשוואה הזו ביססה.