Ming-3.0-asr-tiny vs NVIDIA Parakeet TDT 0.6B: uno sfidante con 35 download incontra un incumbent con 626.000 download

I contatori dei download sono la prima cosa da guardare, perché descrivono un divario che nessun benchmark in questo articolo può colmare. NVIDIA Parakeet TDT 0.6B v3supera i 626.000 download e i 1.200 like su Hugging Face, è stato rilasciato il 14 agosto 2025 e distribuito all'interno del toolkit NeMo, un runtime nativo in C++ e un percorso Transformers che le persone usano davvero. Ming-3.0-asr-tinyha 35 download e una manciata di like, con pesi comparsi il 14 ottobre 2026 e nessun annuncio dal suo fornitore. Uno è infrastruttura. L'altro è un checkpoint vecchio di cinque giorni. Ma vale la pena confrontare i due, perché risolvono problemi diversi e la parte interessante è che il problema di Ming — dialetti cinesi e hotword — è uno che Parakeet TDT 0.6B v3 non affronta. Ogni dato di Parakeet qui, incluso il conteggio di 626.738 download, proviene da la scheda del modello NVIDIA Parakeet TDT 0.6B v3, che riporta anche la tabella Open ASR e la scansione del rumore MUSAN. I fallimenti documentati dell'IA e gli incidenti degli agenti alla base di rilasci come questo sono raccolti in l'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, la gravità, il grado di confidenza e il flag di contestazione.

La scheda di NVIDIA è insolitamente completa rispetto agli standard dei consueti argomenti di questo blog: una tabella Open ASR completa, un'analisi di robustezza al rumore, una ripartizione per lingua su 25 lingue europee e una data di rilascio dichiarata. La scheda di Ming è composta da quattro grafici PNG e nessun report tecnico. Questa differenza nella documentazione è di per sé un risultato, e va considerata nella decisione insieme ai numeri di accuratezza.

Due decoder che sono entrambi non modelli linguistici

Parakeet TDT 0.6B v3 è un encoder FastConformer con un decoder Token-and-Duration Transducer — 600 milioni di parametri, input mono a 16 kHz, punteggiatura e maiuscole nell'output. TDT è il motivo per cui è veloce: invece di emettere un token per frame, il transducer predice sia un token sia una durata, così il modello può saltare frame e avanzare di diversi alla volta. Non è un modello CTC solo encoder come la linea Granite Speech di IBM, e non è un modello linguistico con un front-end audio come Ming. È il caso intermedio, ed è stato il caso intermedio abbastanza a lungo da essere noioso, il che è un complimento.

Ming-3.0-asr-tiny è la scommessa opposta. Il suo decoder è composto da 24 strati di mixture-of-experts — 128 esperti, otto instradati per token, uno condiviso, il primo strato denso — alternando tre strati di K​imi Delta Attention con uno strato Gated MLA. Il suo encoder è composto da 32 strati a 1.280 dimensioni con 20 teste e 128 bin mel, che è la forma di Whisper large-v3, e il repository include modeling_whisper_encoder.py con l'avviso MIT di O​penAI per rendere esplicita la discendenza. Il modello è di 8,87 miliardi di parametri secondo il suo indice safetensors, circa 2 miliardi dei quali attivi per token.

Questo rende il confronto dei parametri squilibrato in un modo che non si traduce in accuratezza: 8,87 miliardi in totale contro 600 milioni, e circa 2 miliardi attivi contro un modello denso da 600 milioni. Ming è un modello linguistico che indossa un microfono. Parakeet è un modello vocale che ha imparato a leggere.

Le cose che Parakeet fa che Ming non fa

Tre capacità li distinguono prima che si parli di accuratezza, e tutte e tre sono documentate sulle schede anziché dedotte.

Il primo aspetto sono i timestamp. Parakeet TDT 0.6B v3 restituisce temporizzazioni a livello di carattere, parola e segmento sia tramite il percorso NeMo sia tramite quello Transformers, e la scheda mostra la chiamata che le produce. È su questa singola capacità che si basano la generazione di sottotitoli, l'allineamento forzato, la diarizzazione delle riunioni e qualsiasi interfaccia «salta al momento in cui è stato detto». Le note d'uso di Ming indicano che l'output è testo di trascrizione senza timestamp a livello di parola né diarizzazione degli speaker. Non si tratta di una lacuna in un benchmark; è l'assenza di un campo di output.

Il secondo è l'audio lungo. Parakeet lo gestisce tramite attenzione locale — la ricetta della scheda stessa adotta l'attenzione locale a posizione relativa con un contesto di 256 frame su ciascun lato per la trascrizione di audio lungo, e NVIDIA documenta limiti di circa 24 minuti con attenzione completa su una A100 da 80 GB e tre ore con attenzione locale. Ming accetta un contesto di 8.192 posizioni e suddivide in blocchi l'audio più lungo tramite un argomento della riga di comando, il che è una soluzione praticabile ma di tipo diverso.

Il terzo è l'ecosistema. Parakeet funziona in NeMo, in un percorso Transformers con AutoModelForTDT, e in un GGUF quantizzato tramite NeMo-Speech.cpp senza Python a runtime. Ming richiede Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA e trust_remote_code=True, oltre a un adattatore SGLang fissato separatamente se vuoi servirlo. Su una macchina senza GPU, quella differenza è decisiva prima di leggere qualsiasi valore WER.

Leggi quella lista confrontandola con la scheda di Ming e il confronto smette di riguardare l'accuratezza. Ogni riga che contiene è una capacità che il repository di Ming dichiara esplicitamente di non avere, presentata da NVIDIA come una funzionalità e da inclusionAI come un limite.

Che cosa ha misurato ciascun fornitore, e su cosa

I numeri per l'inglese di Parakeet provengono dai set pubblici della Open ASR leaderboard: WER medio del 6,34%, con 1,93% su LibriSpeech test-clean, 3,59% su test-other, 11,31% su AMI, 11,42% su Earnings-22, 9,59% su GigaSpeech, 3,97% su SPGI Speech, 2,75% su TED-LIUM e 6,14% su VoxPopuli.

La sua storia multilingue è più debole di quanto suggerisca l'elenco delle lingue, e vale la pena dirlo chiaramente perché la scheda non lo fa. Le 25 lingue sono reali, ma la valutazione multilingue pubblicata è costituita dalle medie di FLEURS, MLS e CoVoST — 11,97%, 7,83% e 11,98% — e la tabella Open ASR sopra è solo in inglese. Un team che valuta questo modello per il polacco o il finlandese ottiene un numero FLEURS per lingua e nessuna valutazione su testi lunghi o rumorosi in quella lingua.

È nella robustezza al rumore che la scheda dimostra il suo valore. Con rumore MUSAN a rapporti segnale-rumore decrescenti, il WER medio passa da 6,34 in condizioni pulite a 7,12 a 10 dB, 8,23 a 5 dB, 11,66 a 0 dB e 19,88 a −5 dB — un degrado relativo che NVIDIA indica come −213,64% nel punto peggiore. È una curva reale, su dati pubblici, e dice qualcosa che un singolo valore di accuratezza non può: sotto circa 5 dB questo modello peggiora più che linearmente.

I numeri di Ming, al contrario, sono un CER medio cinese di 3,55, un WER medio inglese di 3,99, una media su quindici dialetti di 8,42, una media interna su cinque domini di 1,67 e un aggregato context-ASR di 4,36. Tutti dichiarati dal fornitore, tutti non riprodotti e nessuno su un set di test condiviso con Parakeet. Sull'unico set riportato da entrambi — LibriSpeech test-clean — Ming non pubblica una cifra per set nel testo, solo la sua media inglese su cinque set, quindi il confronto non può essere fatto affatto dalle schede.

Le licenze non sono equivalenti qui

I pesi e il codice originale di Ming sono MIT, con i file Apache-2.0 inclusi che mantengono le proprie intestazioni e l'encoder adattato per Whisper che conserva l'avviso MIT di OpenAI. Parakeet TDT 0.6B v3 è CC BY 4.0, che consente l'uso commerciale con attribuzione. Entrambe le licenze sono permissive; nessuna delle due è una trappola. La differenza pratica è la dicitura di attribuzione nella documentazione del prodotto, non l'esposizione legale.

Vale la pena segnalare che la licenza sul repository di Ming è più permissiva della sua storia di distribuzione. I pesi MIT che richiedono trust_remote_code=True e un insieme di dipendenze bloccate sono permissivi da usare e scomodi da distribuire, e i due fatti sono indipendenti.

La funzionalità di contesto è l’unico vero elemento distintivo

Parakeet TDT 0.6B v3 non ha prompt, né un elenco di hotword, né un modo per fornire i nomi che appariranno nell'audio. Trascrive ciò che sente usando quanto appreso in 25 lingue europee e, per il vocabolario di dominio, la via documentata è il fine-tuning, non il conditioning. NVIDIA fornisce anche uno script di chunked streaming con contesto sinistro e destro configurabile, che è uno strumento di latenza più che di accuratezza.

Ming accetta hotword o il turno di dialogo precedente come parte del prompt di trascrizione, e la sua copertura dialettale — quindici set di test cinesi tra cui cantonese, minnan e shanghainese, con una media di 8,42 — è una capacità che Parakeet non rivendica affatto. Se il tuo audio è in mandarino, o in una varietà regionale dello stesso, o una chiamata aziendale in cinese piena di nomi di prodotti, Parakeet non è un candidato e Ming è l'unico dei due in gioco. Questo è un vantaggio reale, specifico e verificabile, ed è il motivo per cui questo confronto esiste invece di essere risolto dal contatore dei download.

L'avvertenza è che le hotword sono suggerimenti. La scheda di Ming lo dice chiaramente: fornire un termine aumenta la probabilità che venga prodotto e non lo garantisce. Chiunque abbia usato il bias tramite parole chiave su qualsiasi sistema ASR conosce la modalità di errore — il modello inizia a sentire la hotword in audio che non la contiene. Verificalo prima di fidarti.

Cosa fare con questo

Se ti serve una trascrizione in inglese con i timestamp, su hardware che possiedi già, con un runtime che non richiede un ambiente Python, Parakeet TDT 0.6B v3 è la risposta sicura e il conteggio dei download non è vanità: è un indicatore di quante modalità di errore sono già state scoperte e documentate da altre persone.

Se hai bisogno di cinese, dialetti o condizionamento hotword, Ming-3.0-asr-tiny è l'unico dei due in grado di svolgere il compito, è davvero innovativo in quella nicchia e ha solo cinque giorni, praticamente senza test esterni. L'approccio giusto è un bake-off sul tuo corpus, trattando il divario nei timestamp come un vincolo rigido anziché un compromesso: se il tuo sistema a valle utilizza i timing delle parole, la valutazione è già finita prima ancora di iniziare.

Per i team che eseguono quel bake-off su un intero parco di produzione, il confronto finisce di solito dentro un router anziché in un foglio di calcolo — un unico endpoint davanti ai candidati self-hosted, failover automatico così una richiesta non riuscita ricade sul sistema incumbent, e una sola chiave per oltre 200 modelli hosted invece di un secondo contratto per ogni confronto. Né Ming-3.0-asr-tiny né NVIDIA Parakeet TDT 0.6B v3 sono nel catalogo OrcaRouter, quindi nessuno dei due è qualcosa che serviamo; il livello di routing si guadagna il suo posto attorno a loro, non grazie a loro.

L'asimmetria che non se ne andrà

Un modello ha una data di rilascio, una traccia documentale in stile arXiv, una submission a una leaderboard, una sweep sul rumore e una tabella per lingua. L'altro ha quattro grafici, un file di configurazione, un log dei commit e un filmato di rilascio. Non è una critica all'ingegneria di Ming — l'architettura è più ambiziosa di quella di Parakeet e la scommessa sui dialetti è reale — ma la documentazione è ciò che trasforma un checkpoint in qualcosa che un team può adottare senza diventare il reparto QA del fornitore.

La cosa più utile che uno dei due fornitori potrebbe pubblicare in seguito è la stessa: una valutazione condivisa su audio cinese e inglese, con punteggio assegnato da una terza parte, con timestamp misurati oltre alle parole. Finché non ne esiste una, la decisione si basa su confini di capacità già documentati — temporizzazione, streaming, hardware, lingue, hotword — e tali confini sono abbastanza netti da consentire la scelta.