Ming-3.0-asr-tiny vs Whisper large-v3-turbo: Encoder Whisper, Mulut yang Berbeda

Buka file konfigurasi untuk Ming-3.0-asr-tiny dan menara audio membacakannya kembali kepada Anda: 1.280 dimensi tersembunyi, 32 lapisan encoder, 20 kepala atensi, 128 bin mel. Itu adalah dimensi encoder Whisper large-v3, dan repositori itu mengatakannya secara terang-terangan — ia menyertakan file bernama modeling_whisper_encoder.py dan menyimpan pemberitahuan MIT O​penAI dalam file terpisah bernama WHISPER_LICENSE. Karena itu, ini bukan cerita tentang dua stack ucapan yang tidak saling terkait. Ming-3.0-asr-tiny adalah pengenal yang mengutamakan bahasa Mandarin yang mempertahankan telinga Whisper dan mengganti mulutnya: decoder mixture-of-experts 24 lapis, 8,87 miliar parameter menurut indeks safetensors-nya, yang dikondisikan pada hotword dan dialog sebelumnya. Whisper large-v3-turbo adalah distilasi 809 juta parameter yang mempertahankan encoder yang sama dan memangkas decoder dari 32 lapis menjadi empat. Setiap angka Ming dalam artikel ini berasal dari satu tempat, yaitu kartu model Ming-3.0-asr-tiny di Hugging Face, yang memuat bobot, konfigurasi, empat bagan evaluasi, dan aset film rilis bertanggal hari ini. Baseline berparameter 809M, 99 bahasa, dan berlisensi MIT didokumentasikan di kartu model Whisper large-v3-turbo, bersama perilaku penanda waktu kata dan penerjemahan yang terus menjadi rujukan perbandingan ini. 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 tanda status diperdebatkan.

Jika Anda ingin jawaban singkatnya sebelum rincian: keduanya bukan pengganti satu sama lain. Whisper large-v3-turbo mengeluarkan stempel waktu, menerjemahkan ke bahasa Inggris, mencakup 99 bahasa, dan berjalan pada perangkat keras yang bukan GPU CUDA. Ming-3.0-asr-tiny mengeluarkan teks biasa dan tidak ada yang lain, mencakup bahasa Tionghoa dan Inggris dengan fokus serius pada dialek daerah, serta memerlukan stack PyTorch dan Transformers terbaru dengan eksekusi kode jarak jauh diaktifkan. Wilayah tumpang tindihnya adalah transkripsi bahasa Tionghoa untuk klip pendek, dan bahkan di sana keduanya belum pernah dinilai satu sama lain oleh siapa pun.

Apa yang dirilis, dan seberapa diam-diamnya

Repositori Hugging Face untuk Ming-3.0-asr-tiny dibuat pada 14 Oktober 2026. Ketika tulisan ini dibuat, repositori tersebut menunjukkan 35 unduhan dan satu suka. Repositori GitHub pendampingnya memiliki 20 commit, satu bintang, tanpa fork, dan tab Releases yang kosong. Tidak ada posting blog vendor, tidak ada liputan pers, dan tidak ada pengumuman peluncuran dalam bentuk apa pun — kartu model itulah pengumumannya.

Kartu tersebut juga tidak mencantumkan tanggal rilis. Satu-satunya petunjuk tanggal di repositori adalah aset film rilis yang disimpan di bawah jalur yang memuat media-2026-10-19, yaitu hari ini. Anggap bobotnya baru berumur beberapa hari dan pengumumannya belum dibuat, bukan sebagai peluncuran produk yang Anda lewatkan.

Apa yang memang ditetapkan oleh repositori ini, tanpa keraguan, adalah bentuk dari hal yang akan Anda unduh: 8,87 miliar parameter yang terbagi ke dalam dua shard safetensors dalam BF16, kosakata 157.184 token, dekoder teks 24 lapis, enkoder audio 32 lapis, dan asr_output_format adalah bidang yang diatur ke plain. Bagan benchmark milik repositori itu sendiri memberi label pada model 8.6B-A2B, yang merupakan singkatan vendor untuk sekitar 2 miliar parameter aktif per token; indeks safetensors adalah angka yang lebih pasti, dan keduanya berbeda sekitar 270 juta.

Telinga sama, mulut berbeda

Encoder adalah bagian yang sering dilewati orang, dan di sini ia justru merupakan baris paling informatif dalam konfigurasi. Encoder audio berdimensi 1.280, 32 lapis, 20 kepala dengan 128 input mel adalah arsitektur Whisper large, dan nama-nama file di repositori mengonfirmasi garis keturunannya, bukan sekadar mirip. Encoder juga merupakan separuh yang lebih kecil dari Ming: 32 lapis transformer konvensional dibandingkan dengan decoder yang membawa 128 expert, merutekan delapan di antaranya per token, menjaga lapisan pertama tetap dense, dan memampatkan attention dengan proyeksi low-rank (q_lora_rank 256, kv_lora_rank 512). Itu adalah model bahasa dengan ujung depan audio yang dipasang, bukan model ASR dengan model bahasa yang ditempelkan.

Whisper large-v3-turbo mengambil arah sebaliknya. Encoder-nya sama, dengan decoder yang didistilasi dari 32 lapisan menjadi empat, dan dari situlah berasal jumlah parameter 809 juta serta percepatan sekitar delapan kali lipat dibandingkan large-v3. Segala hal yang membuat turbo murah terletak di sisi decoding; segala hal yang membuat Ming mahal juga terletak di sana.

• Parameter — Ming-3.0-asr-tiny 8,87B dalam BF16, yang darinya vendor menyebut sekitar 2B aktif per token. Whisper large-v3-turbo 809M.

• Dekoder — 24 lapisan, 128 pakar dengan 8 dirutekan per token, atensi terkompresi berperingkat rendah. Whisper: 4 lapisan, padat, didistilasi dari 32 lapisan large-v3.

• Front end audio — sebuah encoder berbentuk Whisper dengan 32 lapisan dan 1.280 dimensi dalam kedua kasus, yang merupakan fakta paling tidak jelas dalam perbandingan ini.

• Jendela masukan — Ming menerima 3.000 frame mel hingga 30 detik dan 6.000 frame di atas itu, dengan audio yang lebih panjang dipotong menjadi potongan berdasarkan konteks 8.192 posisi. Wilayah reseptif Whisper adalah 30 detik dan pemotongan ditangani oleh perkakas di sekitarnya.

• Keluaran — teks transkripsi biasa versus transkripsi plus stempel waktu tingkat kalimat dan tingkat kata, plus terjemahan ke bahasa Inggris.

• Bahasa — Tionghoa dan Inggris, dengan 15 set uji dialek regional Tionghoa, versus 99 bahasa.

• Lisensi — MIT untuk bobot dan kode asli Ming, dengan file Apache-2.0 yang disertakan tetap mempertahankan header masing-masing; MIT untuk Whisper large-v3-turbo. Ini satu-satunya baris yang tidak ada yang perlu diperdebatkan.

Apa yang ditunjukkan bagan vendor, dan siapa yang tidak tercantum di dalamnya

Evaluasi Ming sepenuhnya terdapat dalam empat bagan PNG di kartu model. Teks repositori tidak memuat angka sama sekali, dan bagan-bagan itu layak dibaca dengan cermat karena tidak semuanya menyanjung.

Pada rata-rata bahasa Mandarin — rata-rata CER pada AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese, dan WenetSpeech — Ming memperoleh skor 3,55, dan angka terbaik di mana pun dalam tabel tersebut adalah 2,94. Pada rata-rata bahasa Inggris — LibriSpeech clean dan other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English, dan VoxPopuli — Ming memperoleh skor 3,99 dibandingkan angka terbaik dalam tabel sebesar 3,69. Pada rata-rata 15 dialek, Ming memperoleh skor 8,42 dibandingkan angka terbaik dalam tabel sebesar 8,00. Dengan kata lain, pada bagan milik vendor sendiri, Ming secara konsisten berada di dekat barisan terdepan dan secara konsisten tidak berada di posisi pertama.

Tempat hasilnya terlihat paling kuat adalah pada kumpulan domain internal, dengan CER sebesar 1,62 pada chat, 1,03 pada pemerintahan, 1,58 pada kesehatan, 2,49 pada pengetahuan, dan 1,61 pada kehidupan lokal. Angka-angka itulah yang paling perlu ditangani dengan hati-hati, karena kumpulan uji internal memiliki sejumlah asal-usul yang tidak diketahui yang sama dengan data pelatihan yang tidak diungkapkan, dan kartu tersebut tidak menjelaskan apa pun tentang data yang digunakan untuk melatih model.

Tabel ASR konteks adalah tabel yang layak ditinjau ulang. Nilai agregatnya menempatkan Ming pada 4.36, di belakang Qwen3-Omni pada 4.34 dan Qwen3-ASR-1.7B pada 4.23, serta di depan Gemini 2.5 Pro pada 6.3. Fitur utamanya — memberinya hotword dan konteks dialog — tidak menjadikannya pengenal yang paling sadar konteks dalam perbandingannya sendiri. Namun, model ini memang unggul pada masing-masing baris entitas bernama, terutama pada tingkat negatif palsu entitas, yaitu metrik yang penting ketika pertanyaannya adalah "apakah nama itu berhasil didapatkan dengan benar" alih-alih "berapa banyak karakter yang salah".

Kini, penghilangan yang menentukan seberapa besar nilainya bagi Anda: Whisper large-v3-turbo tidak muncul dalam salah satu pun dari keempat grafik tersebut. Baseline-nya adalah model Qwen omni, Qwen3-ASR-1.7B, Fun-ASR 1.5, dan FireRedASR2-LLM-8B. Tidak ada perbandingan langsung yang dilaporkan vendor antara kedua model dalam artikel ini, dan tabel apa pun yang mengklaim adanya perbandingan tersebut telah mengarangnya. Setiap angka di atas dilaporkan vendor dan belum direproduksi secara independen.

Di mana Whisper masih belum bisa diikuti, dan di mana Ming tidak bisa

Stempel waktu adalah batas tegas. Whisper large-v3-turbo mengembalikan waktu tingkat kalimat dan tingkat kata bersama teksnya, dan itulah dasar bagi pembuatan subtitel, penyelarasan paksa, serta pipeline diarisasi. Ming mengembalikan teks transkripsi tanpa stempel waktu tingkat kata dan tanpa diarisasi pembicara, dan kartunya menyatakan hal ini sebagai keterbatasan, bukan penghilangan. Jika pipeline Anda perlu mengetahui kapan sebuah kata diucapkan, perbandingannya berhenti di situ — bukan karena Ming mendapat skor lebih buruk, tetapi karena outputnya tidak ada.

Streaming adalah batas kedua. Contoh yang disertakan tidak menerima input streaming, dan model ini dirancang untuk klip utuh dengan petunjuk bahasa opsional. Ekosistem Whisper telah menghabiskan dua tahun membangun pembungkus inkremental dan latensi rendah di sekitar jendela 30 detik; Ming baru beberapa hari dipublikasikan dan tidak memiliki semuanya.

Deployment adalah yang ketiga. Whisper large-v3-turbo dengan 809 juta parameter muat dengan nyaman di satu GPU konsumen dan memiliki jalur inferensi CPU melalui runtime yang dioptimalkan. Ming memerlukan GPU CUDA, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, dan trust_remote_code=Trueuntuk memuat berkas pemodelannya sendiri — yang merupakan keputusan rantai pasok sebesar keputusan rekayasanya. Bobot BF16 sekitar 17,7 GB bukanlah unduhan untuk laptop.

Keunggulan Ming terletak pada semua hal yang menjadi alasan mode konteks ini ada: ucapan bahasa Mandarin dengan cakupan dialek yang ditangani Whisper dengan buruk, dan ujaran pendek yang padat dengan nama, gelar, serta jargon domain yang dapat Anda daftarkan sebelumnya. Ada jalur penyajian terpisah melalui adapter SGLang dengan commit yang dipatok, yang menunjukkan bahwa vendor mengharapkan ini disajikan, bukan hanya dijalankan sebagai skrip.

Menerapkan ini pada keputusan nyata

Jika audio Anda berbahasa Inggris, atau multibahasa, atau Anda memerlukan subtitle dengan pewaktuan, atau Anda ingin sesuatu yang berjalan di mesin CPU besok, jawabannya adalah Whisper large-v3-turbo dan tidak ada yang mendekatinya. Dua tahun penggunaan produksi, ekosistem runtime, dan format output yang sudah digunakan semua orang bernilai lebih dari beberapa poin CER pada grafik vendor.

Jika audio Anda adalah bahasa Mandarin atau dialek daerah, jika klip Anda pendek, dan jika Anda dapat menyebutkan nama-nama yang akan muncul di dalamnya, Ming-3.0-asr-tiny layak untuk diuji banding — tetapi hanya sebagai uji banding. Model ini memiliki 35 unduhan. Tidak ada orang di luar lab yang telah menerbitkan mode kegagalan untuknya, yang berarti Andalah yang akan menemukannya.

Jangan membaca jumlah parameter sebagai sinyal kualitas ke arah mana pun. Ming delapan kali lebih besar daripada turbo dan tidak mengunggulinya pada sumbu bersama mana pun yang diukur secara independen, karena tidak ada sumbu bersama yang diukur. 8,87 miliar parameter itu membeli prior kontekstual setara sebuah model bahasa dan taruhan dialek, bukan kemenangan akurasi yang terdokumentasi.

Menjalankan perbandingan pada audio Anda sendiri

Tidak ada dari kedua model tersebut yang ada dalam katalog OrcaRouter saat ini, jadi versi jujur dari bagian ini adalah bahwa Anda akan mendapatkannya dari repositori milik vendor dan menjalankannya sendiri. Yang berguna dari lapisan perutean di sini adalah bagian setelahnya: mengalirkan sebagian kecil lalu lintas nyata Anda melalui model kandidat sementara model yang sedang dipakai tetap melayani sisanya, dengan failover otomatis jika jalur baru gagal, dan satu kunci API untuk lebih dari 200 model sehingga menambahkan pendapat kedua tidak berarti kontrak kedua. OrcaRouter meneruskan harga daftar penyedia dengan markup 0%, yang kurang penting untuk bobot terbuka yang Anda hosting sendiri dan lebih penting untuk model yang dihosting yang akan Anda jadikan tolok ukur terhadapnya.

Tes yang layak dijalankan hanya membutuhkan waktu satu sore: 200 klip dari korpus Anda sendiri, separuhnya memuat nama diri, dinilai secara manual. Berikan daftar hotword kepada Ming dan berikan nama-nama yang sama kepada Whisper large-v3-turbo di kolom prompt-nya. Bandingkan recall entitas bernama, bukan tingkat kesalahan karakter, karena itulah dimensi yang memang menjadi tujuan Ming dibangun dan yang dilaporkan dalam tabel konteks vendor. Lalu putuskan apakah kesenjangan timestamp masih bisa ditoleransi — yang, untuk sebagian besar pipeline, tidak akan bisa.

Apa yang akan mengubah putusan ini

Dua hal. Evaluasi independen pada set uji bersama akan menjawab pertanyaan akurasi yang belum dijawab oleh kedua vendor, dan siapa pun bisa menjalankannya. Dan pengumuman rilis — dengan pernyataan data pelatihan, tanggal rilis yang dinyatakan, dan peta jalan dengan stempel waktu — akan mengubah Ming dari sebuah checkpoint dengan konfigurasi yang menjanjikan menjadi produk yang bisa Anda rencanakan. Sampai saat itu, deskripsi yang tepat adalah yang tidak glamor: sekumpulan bobot yang terdokumentasi dengan baik, dirilis secara senyap, dengan encoder Whisper di dalamnya dan belum ada orang di luar lab yang bisa memberi tahu Anda bagaimana ia gagal.