Ming-3.0-audio-tiny vs VibeVoice-ASR-Streaming 1.5B: Lima Tanda Pisah Terhadap Stream dengan Atribusi Penutur

Buka gambar pengenalan di dalam Ming-3.0-audio-tinyrepositori Hugging Face dan gulir ke bagian paling bawah. Lima baris — diarisasi pembicara dan kesalahan permutasi minimum tergabung untuk AISHELL-4, AliMeeting, dan AMI — memuat tanda pisah di kolom tiny. Bukan angka yang buruk. Kosong. Vendor mengukur saudara kandungnya yang lebih besar pada kelima baris tersebut dan menolak mengukur yang kecil. Sekarang buka kartu model untuk VibeVoice-ASR-Streaming 1.5B dan baca poin pertama: model itu mentranskripsikan siapa mengatakan apa, secara berkelanjutan, saat ucapan tiba. Itu lima baris yang sama, tetapi terbalik. Satu model mempublikasikan hampir semuanya kecuali atribusi pembicara; yang lain ada terutama untuk mempublikasikannya. Kegagalan AI terdokumentasi dan insiden agen di balik rilis seperti ini dikumpulkan dalam Arsip Insiden AI OrcaRouter di mana setiap entri membawa sumbernya sendiri, tingkat keparahan, nilai keyakinan, dan tanda sengketa.

Tidak ada yang telah dinilai secara independen. Itu kurang penting di sini dibandingkan biasanya, karena pertarungan ini ditentukan oleh keputusan desain, bukan angka: apa yang terjadi ketika audio tidak pernah berhenti datang. Ming-3.0-audio-tiny adalah model file dengan jendela besar dan keluaran ucapan opsional. VibeVoice-ASR-Streaming 1.5B adalah model streaming yang mengeluarkan teks kira-kira setiap tiga detik dan memberi label pada setiap segmen dengan pembicara. Jika beban kerja Anda adalah rekaman, keduanya bersaing. Jika beban kerja Anda adalah ruangan, hanya satu dari mereka yang berusaha.

Berapa biaya "streaming" dalam konfigurasi

Repositori Microsoft luar biasa jelas tentang anggaran latensinya sendiri, sehingga trade-off tersebut dapat diperiksa alih-alih sekadar pemasaran. Tokenizer akustik dan semantik bersifat kausal dan berjalan pada kompresi 3.200× terhadap input 24 kHz, sehingga aliran token sekitar 7,5 token per detik audio. Wrapper streaming mengelompokkan 22 frame token per potongan dengan 4 frame lookahead: 22 dibagi 7,5 kira-kira 2,9 detik per emisi, dan 4 dibagi 7,5 sekitar setengah detik audio masa depan yang boleh dilihat model sebelum berkomitmen.

• Irama emisi — sekitar 2,9 detik; lookahead adalah bagian yang menukar latensi demi akurasi.

• Backbone — decoder keluarga Qwen2, 28 lapisan, 1.536 hidden, 12 head dengan 2 head key-value, jendela 64.000 token.

• Ukuran — tiga shard safetensors dengan total 5,63 GB. Itu bukan 1,5B parameter; 5,63 GB pada bf16 kira-kira setara 2,8 miliar, dan 1,5B dalam nama tersebut lebih tepat dibaca sebagai backbone bahasa, bukan keseluruhan stack.

• Bahasa — sepuluh: Tionghoa, Inggris, Prancis, Jerman, Italia, Jepang, Korea, Portugis, Rusia, Spanyol.

• Ekstra — hotword yang disesuaikan yang diteruskan sebagai konteks, dan label pembicara yang dilampirkan pada setiap segmen yang dihasilkan.

• Dating — repositori dibuat pada 2 September 2026 pukul 15:51 UTC, terakhir diubah pagi berikutnya. Diumumkan hanya melalui satu baris berita di README GitHub VibeVoice, yang berarti nyaris tidak diumumkan sama sekali.

Jendela 64K itu adalah angka yang perlu dibandingkan dengan 131.072 milik Ming. Kedengarannya seperti setengah kapasitas, tetapi itu bukan jenis kapasitas yang sama. Model streaming tidak perlu menyimpan satu jam, karena model itu sudah mencatat lima puluh sembilan menit terakhir. Jendela itu adalah memori kerja untuk potongan saat ini ditambah konteks dialog apa pun yang diteruskan model. 131K milik Ming adalah taruhan sebaliknya: pertahankan semuanya tetap aktif dan bernalar atasnya.

Taruhan Ming, dan apa yang dibelinya

Poin jual model mungil ini bukanlah akurasi pengenalan — pada tabel milik inclusionAI sendiri, model ini tertinggal 0,34 poin dari saudara besarnya untuk bahasa Mandarin (3,79 berbanding 3,45 kesalahan karakter) dan 0,89 poin untuk dialek (10,29 berbanding 9,40). Poin jualnya adalah bahwa satu checkpoint melakukan pengenalan, pemahaman, penalaran, dan ucapan dalam forward pass yang sama, pada jendela yang cukup panjang sehingga "apa yang dia katakan dalam sepuluh menit pertama" adalah pertanyaan yang bisa Anda ajukan.

Angka kecerdasan audionya cukup terhormat untuk ukuran tersebut dan menjadi alasan untuk memilihnya dibandingkan transcriber murni: MMAU 75,90, MMAR 67,70, MMSU 73,06, BigBenchAudio 99,20, MuchoMusic 58,07 untuk musik. Semua itu dijalankan oleh vendor dengan tanda bintang pada baris yang dievaluasi sendiri, dan kartunya mengungkapkan bahwa model pembanding direproduksi dengan prompt dan decoding milik inclusionAI sendiri. Anggaplah semua itu sebagai brief desain.

Yang tidak akan diberitahukan tabel-tabel itu adalah siapa yang berbicara. Itulah celah yang ditandai lima tanda pisah, dan sifatnya struktural, bukan kebetulan. Model yang menjawab pertanyaan tentang rekaman tidak memerlukan segmentasi per pembicara untuk menjawabnya; model yang menghasilkan transkrip untuk rapat memerlukannya. Ming mungkin dapat diminta melalui prompt untuk melakukan sesuatu seperti pelabelan pembicara, dan sorotan pada kartu tentang "rekaman multi-pembicara" menunjukkan bahwa model itu dilatih dekat dengan masalah tersebut. Tetapi kata "mungkin" itulah yang menanggung beban lima baris yang tidak dipublikasikan.

Dua pipeline, digambarkan secara jujur

Bayangkan rekaman sembilan puluh menit yang sama diproses oleh masing-masing.

Dengan VibeVoice-ASR-Streaming 1.5B, audio datang dalam potongan sekitar tiga detik dan teks keluar dengan ritme yang sama, setiap segmen membawa penutur. Anda dapat menampilkannya secara langsung. Konsekuensinya, setiap keputusan bersifat agak lokal: model melihat setengah detik ke depan dan konteks apa pun yang dipertahankannya, sehingga penutur yang berhenti selama empat detik bisa kembali dengan label berbeda, dan nama yang diperkenalkan pada menit kedua hanya dapat dipulihkan melalui mekanisme hotwords, yang Anda sediakan. Konsistensi antar-potongan adalah hal yang perlu diuji dan hal yang tidak dikuantifikasi oleh kartu tersebut.

Dengan Ming-3.0-audio-tiny, berkas langsung masuk, seluruh isinya berada dalam konteks, dan jawaban datang saat ia datang. Konsistensi lintas potongan bukan risiko karena tidak ada potongan — hingga batas jendela. Konsekuensinya, tidak ada yang tersedia sampai model selesai, dan reservasi memori dialokasikan untuk jendela penuh: profil ASR referensi memakai 0,92 kartu dengan batch 32.768 token. Anda dapat menurunkan max_model_len; Anda tidak dapat membuatnya melakukan streaming, karena tidak ada jalur streaming di repositori.

• Bentuk latensi — VibeVoice: kontinu, tertinggal ~3 detik. Ming: satu jawaban di akhir.

• Atribusi — VibeVoice: per segmen, sesuai desain. Ming: belum dipublikasikan.

• Konteks — VibeVoice: jendela kerja 64K plus transkripnya sendiri. Ming: 131,072 posisi, secara aritmetika pada encoder kira-kira tiga jam audio, jika prosesor memasok satu aliran kontinu.

• Keluaran — VibeVoice: teks. Ming: teks, atau teks ditambah ucapan yang disintesis melalui Talker opsional pada GPU kedua.

• Perangkat keras — VibeVoice: checkpoint 5,63 GB, jadi satu kartu kelas umum. Ming: 17,74 GB untuk Thinker, satu kartu untuk teks, dua untuk wicara.

Lisensi dan dokumen-dokumennya sama, dan itu tidak biasa.

Keduanya berlisensi MIT. Keduanya merupakan rilis senyap. Keduanya mengunggah bobot sebelum dokumentasinya menyusul, dan keduanya bergantung pada repositori GitHub yang tidak dinamai sesuai checkpoint: profil deployment Ming ada di inclusionAI/Ming-3.0-audio-flash, dan petunjuk penggunaan VibeVoice ada di microsoft/VibeVoice bersama saudaranya 7B.

Perbedaannya terletak pada apa yang disampaikan masing-masing repositori. Microsoft menyertakan laporan teknis — arXiv 2609.02812 — dan sebuah gambar hasil di kartu, yang berupa gambar, bukan tabel, sehingga angkanya tidak dapat diekstrak dan tidak ada tingkat kesalahan per bahasa yang dinyatakan dalam teks. inclusionAI menyertakan tiga gambar tolok ukur, juga berupa gambar, plus kartu yang hanya menyebutkan kelemahannya sendiri secara implisit, dengan membiarkan sel-sel kosong. Tidak ada vendor yang memberi Anda angka yang bisa langsung ditempel ke spreadsheet tanpa menyalinnya secara manual.

Satu asimetri patut dicatat bagi siapa pun yang melakukan pengadaan: repositori Hugging Face milik Ming tidak berisi file LICENSE, hanya tautan pada metadata kartu ke lisensi di repositori lainnya. Kartu VibeVoice menyatakan MIT dalam metadata dan repositori tersebut membawa file lisensi. Kedua klaim itu benar; hanya satu yang berada di dalam artefak.

Apa fungsi router dan apa yang bukan fungsinya di sini

OrcaRouter tidak menyediakan kedua model tersebut. Ming-3.0-audio-tiny adalah checkpoint dan VibeVoice-ASR-Streaming 1.5B adalah checkpoint; keduanya tidak ada dalam katalog kami, dan tidak ada apa pun dalam tulisan ini yang merupakan penawaran untuk menghostingnya. Posisi router dalam pipeline seperti ini adalah di hilir transkripsi dan di hulu keputusan: meringkas panggilan, mengekstrak komitmen, mengklasifikasikan apakah segmen memerlukan manusia, menerjemahkan bagian yang tidak dalam bahasa kerja. Panggilan-panggilan itu adalah teks, dan satu endpoint untuk lebih dari 200 model dengan markup 0% — harga daftar penyedia diteruskan apa adanya, sehingga perubahan harga vendor sampai ke sisi kami pada hari yang sama — menghilangkan satu kontrak per vendor dari proses build. Failover otomatis adalah fitur spesifik yang penting ketika tugas transkripsi selama dua jam harus menyerahkan outputnya ke tempat yang andal pada pukul 2 pagi.

Yang tidak akan dilakukan router adalah mendamaikan dua label pembicara yang tidak sepakat, atau memutuskan apakah baris diarisasi Ming yang hilang merupakan kelemahan nyata atau yang tidak terukur. Itu adalah tugas untuk audio Anda sendiri.

Tes yang memisahkan mereka dalam satu sore

Rekam dua puluh menit dengan tiga orang, yang salah satunya menyela dua kali dan salah satunya menggunakan mikrofon laptop. Jalankan melalui VibeVoice-ASR-Streaming 1.5B dengan daftar hotword diisi dengan ketiga nama tersebut, karena itulah mekanisme yang disediakan model untuk hal ini. Jalankan file yang sama melalui Ming-3.0-audio-tiny menggunakan prompt yang telah divalidasi yang meminta label bahasa, sebuah tab, lalu transkripsi — dan kemudian minta model itu, pada giliran kedua, untuk mengatribusikan setiap kalimat.

Nilai empat hal: berapa banyak pergantian pembicara yang berhasil diidentifikasi dengan benar oleh model pertama, apakah ada label pembicara yang berubah di tengah rekaman, apakah atribusi model kedua stabil sepanjang berkas, dan keluaran mana yang bisa Anda koreksi lebih cepat secara manual. Yang terakhir bukan benchmark dan akan memprediksi pengalaman produksi Anda lebih baik daripada angka dari vendor mana pun.

Dan ingatlah tanda pisahnya saat melakukannya. Vendor yang menerbitkan tabel dialek hingga dua tempat desimal dan membiarkan lima sel diarisasi kosong telah memberi tahu Anda sesuatu yang spesifik tentang di mana keyakinannya berakhir. Microsoft, pada bagiannya, telah menerbitkan sebuah angka alih-alih tabel dan membiarkan Anda menafsirkan gambarnya. Keduanya tidak memberi Anda angka yang diperiksa oleh orang asing.

Di mana masing-masing sebenarnya berada

Takarir langsung, pemantauan pusat panggilan, asisten rapat yang memerlukan nama di samping setiap baris: VibeVoice-ASR-Streaming 1.5B dirancang untuk bentuk itu, dan dengan ukuran 5,63 GB, model ini berjalan pada perangkat keras yang mungkin sudah Anda miliki. Peninjauan kepatuhan atas arsip, "temukan setiap penyebutan penyelesaian di sepanjang empat puluh rekaman ini", apa pun yang pertanyaannya muncul setelah audio, bukan selama audio: jendela besar tunggal Ming-3.0-audio-tiny dan skor pemahamannya lebih cocok, dan baris diarisasi yang hilang tidak lagi menjadi masalah jika tidak ada yang menanyakan siapa yang berbicara.

Kesalahannya adalah memilih Ming untuk pekerjaan streaming karena 131.072 dua kali 64.000, atau memilih VibeVoice untuk pekerjaan penalaran karena 1,5B terdengar lebih murah daripada 9,3B. Kedua angka itu menggambarkan sesuatu yang berbeda dari yang diasumsikan kalimat tersebut, dan itulah hal paling andal yang telah ditetapkan oleh perbandingan ini.