Ming-3.0-asr-tiny vs NVIDIA Parakeet TDT 0.6B: Penantang dengan 35 Unduhan Bertemu Petahana dengan 626.000 Unduhan

Penghitung unduhan adalah hal pertama yang perlu dilihat, karena keduanya menggambarkan kesenjangan yang tidak dapat ditutup oleh tolok ukur mana pun dalam artikel ini. NVIDIA Parakeet TDT 0.6B v3 berada pada lebih dari 626.000 unduhan dan 1.200 suka di Hugging Face, dirilis pada 14 Agustus 2025 dan disertakan di dalam toolkit NeMo, runtime C++ native, serta jalur Transformers yang benar-benar digunakan orang. Ming-3.0-asr-tiny berada pada 35 unduhan dan beberapa suka, dengan bobot yang muncul pada 14 Oktober 2026 dan tanpa pengumuman dari vendornya. Yang satu adalah infrastruktur. Yang lain adalah checkpoint berusia lima hari. Namun keduanya layak dibandingkan, karena keduanya menyelesaikan masalah yang berbeda dan bagian yang menarik adalah masalah Ming — dialek Tionghoa dan hotword — merupakan masalah yang tidak ditangani oleh Parakeet TDT 0.6B v3. Setiap angka Parakeet di sini, termasuk jumlah unduhan 626.738, berasal dari kartu model NVIDIA Parakeet TDT 0.6B v3, yang juga memuat tabel Open ASR dan penyapuan noise MUSAN. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam OrcaRouter AI Incident Archive di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda sengketa.

Kartu NVIDIA luar biasa lengkap menurut standar subjek biasa blog ini: tabel Open ASR lengkap, pengujian menyeluruh ketahanan terhadap noise, rincian per bahasa untuk 25 bahasa Eropa, dan tanggal rilis yang dinyatakan. Kartu Ming berupa empat diagram PNG dan tanpa laporan teknis. Perbedaan dalam dokumentasi itu sendiri merupakan temuan, dan itu harus menjadi bagian dari keputusan bersama angka akurasi.

Dua decoder yang keduanya bukan model bahasa

Parakeet TDT 0.6B v3 adalah encoder FastConformer dengan decoder Token-and-Duration Transducer — 600 juta parameter, input mono 16 kHz, serta tanda baca dan kapitalisasi pada output. TDT adalah alasan model ini cepat: alih-alih menghasilkan satu token per frame, transducer memprediksi token sekaligus durasi, sehingga model dapat melewati frame dan maju beberapa frame sekaligus. Ini bukan model CTC yang hanya encoder seperti lini IBM Granite Speech, dan bukan model bahasa dengan front-end audio seperti Ming. Ini adalah kasus tengah, dan sudah cukup lama menjadi kasus tengah hingga terasa membosankan, yang justru merupakan pujian.

Ming-3.0-asr-tiny adalah taruhan yang berlawanan. Dekodernya terdiri dari 24 lapisan mixture-of-experts — 128 expert, delapan dirutekan per token, satu dibagikan, lapisan pertama padat — yang bergantian antara tiga lapisan Kimi Delta Attention dengan satu lapisan Gated MLA. Encodernya terdiri dari 32 lapisan pada 1.280 dimensi dengan 20 head dan 128 bin mel, yaitu bentuk Whisper large-v3, dan repositori menyertakan modeling_whisper_encoder.py dengan pemberitahuan MIT OpenAI untuk membuat garis keturunannya eksplisit. Model ini memiliki 8,87 miliar parameter menurut indeks safetensors-nya, sekitar 2 miliar di antaranya aktif per token.

Itu membuat perbandingan parameter menjadi tidak seimbang sedemikian rupa sehingga tidak mencerminkan akurasi: total 8,87 miliar versus 600 juta, dan sekitar 2 miliar aktif versus 600 juta yang padat. Ming adalah model bahasa yang mengenakan mikrofon. Parakeet adalah model ucapan yang belajar membaca.

Hal-hal yang dilakukan Parakeet tetapi tidak dilakukan Ming

Tiga kemampuan membedakan mereka sebelum akurasi dibahas, dan ketiganya didokumentasikan pada kartu, bukan disimpulkan.

Yang pertama adalah stempel waktu. Parakeet TDT 0.6B v3 mengembalikan waktu tingkat karakter, tingkat kata, dan tingkat segmen melalui jalur NeMo maupun Transformers-nya, dan kartu tersebut menunjukkan panggilan yang menghasilkannya. Kemampuan tunggal itulah yang menjadi dasar pembuatan subtitel, penyelarasan paksa, diarisasi rapat, dan antarmuka apa pun untuk "melompat ke momen ketika hal ini diucapkan". Catatan penggunaan Ming menyatakan bahwa output adalah teks transkripsi tanpa stempel waktu tingkat kata atau diarisasi pembicara. Ini bukan kekurangan dalam tolok ukur; ini adalah tidak adanya bidang output.

Yang kedua adalah audio panjang. Parakeet menanganinya melalui local attention — resep milik kartu itu sendiri mengganti dengan local attention posisi relatif dengan konteks 256 frame di kedua sisi untuk transkripsi bentuk panjang, dan NVIDIA mendokumentasikan batas sekitar 24 menit dengan full attention pada A100 80 GB dan tiga jam dengan local attention. Ming menerima konteks 8.192 posisi dan memecah audio yang lebih panjang melalui argumen command-line, yang merupakan jawaban yang bisa dijalankan tetapi berbeda jenis.

Yang ketiga adalah ekosistem. Parakeet berjalan di NeMo, dalam jalur Transformers dengan AutoModelForTDT, dan dalam GGUF terkuantisasi melalui NeMo-Speech.cpp tanpa Python saat runtime. Ming membutuhkan Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA, dan trust_remote_code=True, ditambah adaptor SGLang yang dipin secara terpisah jika Anda ingin menyajikannya. Pada mesin tanpa GPU, perbedaan itu menentukan sebelum angka WER apa pun dibaca.

Bacalah daftar itu bersanding dengan kartu Ming, dan perbandingannya tidak lagi soal akurasi. Setiap baris di dalamnya adalah kemampuan yang secara eksplisit dinyatakan tidak dimiliki oleh repositori Ming, yang oleh NVIDIA disebut sebagai fitur dan oleh inclusionAI sebagai keterbatasan.

Apa yang diukur oleh masing-masing vendor, dan pada apa

Angka bahasa Inggris Parakeet berasal dari set publik papan peringkat Open ASR: WER rata-rata 6,34%, dengan 1,93% pada LibriSpeech test-clean, 3,59% pada test-other, 11,31% pada AMI, 11,42% pada Earnings-22, 9,59% pada GigaSpeech, 3,97% pada SPGI Speech, 2,75% pada TED-LIUM dan 6,14% pada VoxPopuli.

Narasi multibahasaannya lebih tipis daripada yang disiratkan daftar bahasa, dan ini patut dikatakan terus terang karena kartu tersebut tidak melakukannya. Ke-25 bahasa itu nyata, tetapi evaluasi multibahasa yang diterbitkan adalah rata-rata FLEURS, MLS, dan CoVoST — 11,97%, 7,83%, dan 11,98% — dan tabel Open ASR di atas hanya untuk bahasa Inggris. Tim yang mengevaluasi ini untuk bahasa Polski atau Finlandia hanya mendapatkan angka FLEURS per bahasa dan sama sekali tidak mendapatkan evaluasi bentuk panjang atau dalam kondisi bising pada bahasa tersebut.

Ketahanan terhadap noise adalah di sinilah kartu ini membuktikan kegunaannya. Pada noise MUSAN dengan rasio signal-to-noise yang menurun, WER rata-rata menjadi 6,34 dalam kondisi bersih, 7,12 pada 10 dB, 8,23 pada 5 dB, 11,66 pada 0 dB, dan 19,88 pada −5 dB — degradasi relatif yang dinyatakan NVIDIA sebesar −213,64% pada titik terburuk. Itu adalah kurva nyata, pada data publik, dan memberi tahu Anda sesuatu yang tidak dapat disampaikan oleh satu angka akurasi: di bawah sekitar 5 dB, model ini terdegradasi lebih cepat daripada linier.

Sebaliknya, angka-angka Ming adalah CER rata-rata bahasa Mandarin sebesar 3,55, WER rata-rata bahasa Inggris sebesar 3,99, rata-rata lima belas dialek sebesar 8,42, rata-rata internal lima domain sebesar 1,67, dan agregat ASR konteks sebesar 4,36. Semuanya dilaporkan vendor, semuanya belum direproduksi, dan tidak ada yang berada pada set uji yang sama dengan Parakeet. Pada satu set yang keduanya laporkan — LibriSpeech test-clean — Ming tidak menerbitkan angka per set dalam bentuk prosa, hanya rata-rata bahasa Inggris lima setnya, sehingga perbandingan sama sekali tidak dapat dilakukan dari kartu-kartunya.

Lisensi tidak setara di sini

Bobot dan kode asli Ming berlisensi MIT, dengan file Apache-2.0 yang dibundel tetap mempertahankan header masing-masing dan encoder yang diadaptasi dari Whisper tetap memuat pemberitahuan MIT OpenAI. Parakeet TDT 0.6B v3 berlisensi CC BY 4.0, yang mengizinkan penggunaan komersial dengan atribusi. Keduanya permisif; tidak ada yang merupakan jebakan. Perbedaan praktisnya adalah teks atribusi dalam dokumentasi produk Anda, bukan risiko hukum.

Yang perlu dicatat adalah bahwa lisensi pada repositori Ming lebih permisif daripada kisah distribusinya. Bobot MIT yang memerlukan trust_remote_code=True dan kumpulan dependensi yang dipatok memang permisif untuk digunakan tetapi merepotkan untuk diterapkan, dan kedua fakta itu independen.

Fitur konteks adalah satu-satunya pembeda yang jelas.

Parakeet TDT 0.6B v3 tidak memiliki prompt, tidak memiliki daftar hotword, dan tidak ada cara untuk memasukkan nama-nama yang akan muncul dalam audio. Model ini mentranskripsikan apa yang didengarnya menggunakan apa yang telah dipelajarinya dalam 25 bahasa Eropa, dan untuk kosakata domain, jalur yang didokumentasikan adalah fine-tuning, bukan pengondisian. NVIDIA juga menyediakan skrip chunked-streaming dengan konteks kiri dan kanan yang dapat dikonfigurasi, yang merupakan alat latensi, bukan alat akurasi.

Ming menerima hotword atau giliran dialog sebelumnya sebagai bagian dari prompt transkripsi, dan cakupan dialeknya — lima belas set uji bahasa Tionghoa termasuk Kanton, Minnan, dan Shanghai, dengan rata-rata 8,42 — adalah kemampuan yang sama sekali tidak diklaim Parakeet. Jika audio Anda berbahasa Mandarin, atau salah satu varietas regionalnya, atau panggilan bisnis berbahasa Tionghoa yang penuh nama produk, Parakeet bukan kandidat dan Ming adalah satu-satunya dari keduanya yang masuk pertimbangan. Itu adalah keunggulan yang nyata, spesifik, dan dapat diperiksa, dan itulah alasan perbandingan ini ada alih-alih diselesaikan oleh jumlah unduhan.

Peringatannya adalah hotword hanyalah petunjuk. Kartu Ming mengatakan itu secara langsung: menyertakan suatu istilah meningkatkan peluang istilah itu dihasilkan dan tidak menjaminnya. Siapa pun yang pernah menggunakan bias kata kunci pada sistem ASR mana pun tahu mode kegagalannya — model mulai mendengar hotword pada audio yang tidak memuatnya. Ujilah itu sebelum memercayainya.

Apa yang harus dilakukan dengan ini

Jika Anda memerlukan transkripsi bahasa Inggris dengan penanda waktu, pada perangkat keras yang sudah Anda miliki, dengan runtime yang tidak memerlukan lingkungan Python, Parakeet TDT 0.6B v3 adalah jawaban yang aman dan jumlah unduhan bukanlah kesombongan — itu adalah proksi untuk berapa banyak mode kegagalan yang sudah ditemukan dan dicatat oleh orang lain.

Jika Anda membutuhkan bahasa Mandarin, dialek, atau pengondisian hotword, Ming-3.0-asr-tiny adalah satu-satunya dari keduanya yang mampu melakukannya; model ini benar-benar baru di ceruk tersebut, dan usianya baru lima hari dengan hampir tidak ada pengujian eksternal. Sikap yang tepat adalah melakukan uji banding pada korpus Anda sendiri, dengan selisih stempel waktu diperlakukan sebagai batasan keras, bukan kompromi: jika sistem hilir Anda mengonsumsi penanda waktu kata, evaluasinya sudah berakhir sebelum dimulai.

Bagi tim yang menjalankan uji banding itu di seluruh lingkungan produksi, perbandingannya biasanya berakhir di dalam router, bukan di spreadsheet — satu endpoint di depan kandidat yang di-host sendiri, failover otomatis sehingga permintaan yang gagal dialihkan kembali ke penyedia yang sudah ada, dan satu kunci untuk lebih dari 200 model terkelola alih-alih kontrak kedua untuk setiap perbandingan. Baik Ming-3.0-asr-tiny maupun NVIDIA Parakeet TDT 0.6B v3 tidak ada dalam katalog OrcaRouter, jadi keduanya bukan sesuatu yang kami layani; lapisan routing mendapat tempatnya di sekitar keduanya, bukan melalui keduanya.

Asimetri yang tak akan hilang

Satu model memiliki tanggal rilis, jejak dokumentasi bergaya arXiv, pengajuan ke papan peringkat, penyapuan noise, dan tabel per bahasa. Model lainnya memiliki empat grafik, file konfigurasi, log commit, dan film rilis. Itu bukan kritik terhadap rekayasa Ming — arsitekturnya lebih ambisius daripada Parakeet dan taruhan dialeknya nyata — tetapi dokumentasi adalah yang mengubah sebuah checkpoint menjadi sesuatu yang dapat diadopsi tim tanpa harus menjadi departemen QA vendor.

Hal paling berguna yang dapat diterbitkan berikutnya oleh kedua vendor adalah hal yang sama: evaluasi bersama pada audio Tionghoa dan Inggris, dinilai oleh pihak ketiga, dengan stempel waktu yang diukur sekaligus kata-kata. Sampai hal itu ada, keputusan bergantung pada batas-batas kemampuan yang sudah didokumentasikan — pewaktuan, streaming, perangkat keras, bahasa, hotwords — dan batas-batas itu cukup tajam untuk menjadi dasar pemilihan.