Ming-3.0-asr-tiny vs Whisper large-v3-turbo: l'Encoder di Whisper, una bocca diversa

Apri il file di configurazione di Ming-3.0-asr-tiny e la torre audio ti risponde: 1.280 dimensioni nascoste, 32 strati encoder, 20 teste di attenzione, 128 bin Mel. Queste sono le dimensioni dell'encoder di Whisper large-v3, e il repository lo dice apertamente — include un file chiamato modeling_whisper_encoder.py e conserva l'avviso MIT di OpenAI in un separato WHISPER_LICENSE. Non è quindi una storia su due stack vocali non correlati. Ming-3.0-asr-tiny è un riconoscitore pensato innanzitutto per il cinese che ha mantenuto le orecchie di Whisper e sostituito la bocca: un decoder mixture-of-experts a 24 strati, 8,87 miliardi di parametri secondo il suo indice safetensors, condizionato da hotword e dal dialogo precedente. Whisper large-v3-turbo è la distillazione da 809 milioni di parametri che ha mantenuto lo stesso encoder e ridotto il decoder da 32 strati a quattro. Ogni cifra di Ming in questo articolo proviene da un unico posto, ed è la model card di Ming-3.0-asr-tiny su Hugging Face, che contiene i pesi, la configurazione, i quattro grafici di valutazione e un asset video di presentazione datato oggi. La baseline da 809 milioni di parametri, per 99 lingue e con licenza MIT, è documentata nella model card di Whisper large-v3-turbo, insieme al comportamento di timestamp a livello di parola e di traduzione su cui questo confronto torna continuamente. I fallimenti documentati dell'IA e gli incidenti degli agenti dietro rilasci come questo sono raccolti nell'OrcaRouter AI Incident Archive, dove ogni voce riporta le proprie fonti, gravità, grado di confidenza e flag di contestazione.

Se vuoi la risposta breve prima dei dettagli: non sono sostituti. Whisper large-v3-turbo emette timestamp, traduce in inglese, copre 99 lingue e funziona su hardware che non è una GPU CUDA. Ming-3.0-asr-tiny emette testo semplice e nient'altro, copre cinese e inglese con una scommessa seria sui dialetti regionali, e richiede uno stack recente di PyTorch e Transformers con l'esecuzione remota di codice abilitata. La sovrapposizione è la trascrizione in cinese di clip brevi, e anche lì nessuno ha mai messo a confronto le due.

Cosa è stato rilasciato, e con quanta discrezione

Il repository Hugging Face per Ming-3.0-asr-tiny è stato creato il 14 ottobre 2026. Al momento della stesura mostrava 35 download e un singolo like. Il repository GitHub associato ha 20 commit, una stella, nessun fork e una scheda Releases vuota. Non esiste alcun post sul blog del fornitore, nessuna copertura mediatica e nessun annuncio di lancio di alcun tipo — la model card è l'annuncio.

La scheda inoltre non indica una data di rilascio. L'unico segnale di data nel repository è un asset filmato di rilascio archiviato in un percorso contenente media-2026-10-19, che corrisponde a oggi. Considera i pesi come risalenti a giorni fa e l'annuncio come non ancora effettuato, anziché come un lancio di prodotto che ti sei perso.

Ciò che il repository stabilisce, senza dubbio, è la forma di ciò che scaricheresti: 8,87 miliardi di parametri suddivisi tra due shard safetensors in BF16, un vocabolario di 157.184 token, un decoder di testo a 24 livelli, un encoder audio a 32 livelli e un campo asr_output_format impostato su plain. Le stesse tabelle di benchmark del repository etichettano il modello 8.6B-A2B, che è una scorciatoia del fornitore per circa 2 miliardi di parametri attivi per token; l'indice safetensors è il dato più concreto, e i due differiscono di circa 270 milioni.

Stesse orecchie, bocca diversa

L'encoder è la parte che la gente tende a saltare, e qui è la riga più informativa della configurazione. Un encoder audio da 1280 dimensioni, 32 layer e 20 teste con 128 input mel è l'architettura Whisper large, e i nomi dei file nel repository confermano la discendenza invece di limitarsi a somigliarle. L'encoder è anche la metà più piccola di Ming: 32 layer di un transformer convenzionale rispetto a un decoder che contiene 128 esperti, ne instrada otto per token, mantiene denso il primo layer e comprime l'attenzione con proiezioni a basso rango (q_lora_rank 256, kv_lora_rank 512). Questo è un modello linguistico con un front end audio imbullonato, non un modello ASR con un modello linguistico attaccato.

Whisper large-v3-turbo è andato nella direzione opposta. È lo stesso encoder con un decoder distillato da 32 layer a quattro, ed è da lì che derivano il conteggio di 809 milioni di parametri e la velocità circa otto volte superiore rispetto a large-v3. Tutto ciò che rende turbo economico risiede sul lato della decodifica; tutto ciò che rende Ming costoso risiede anch'esso lì.

• Parametri — Ming-3.0-asr-tiny 8,87B in BF16, di cui il fornitore dichiara circa 2B come attivi per token. Whisper large-v3-turbo 809M.

• Decoder — 24 strati, 128 esperti con 8 instradati per token, attenzione compressa a basso rango. Whisper: 4 strati, denso, distillato dai 32 di large-v3.

• Front end audio — un encoder in stile Whisper a 32 livelli e 1.280 dimensioni in entrambi i casi, che è il fatto meno ovvio di questo confronto.

• Finestra di input — Ming accetta 3.000 frame mel fino a 30 secondi e 6.000 oltre tale soglia, con l'audio più lungo suddiviso in blocchi su un contesto di 8.192 posizioni. Il campo recettivo di Whisper è di 30 secondi e la suddivisione in blocchi è gestita dagli strumenti circostanti.

• Output — testo di trascrizione semplice rispetto a trascrizione con timestamp a livello di frase e di parola, più traduzione in inglese.

• Lingue — cinese e inglese, con 15 set di test per i dialetti cinesi regionali, rispetto a 99 lingue.

• Licenza — MIT per i pesi e il codice originale di Ming, con i file Apache-2.0 inclusi che mantengono le proprie intestazioni; MIT per Whisper large-v3-turbo. Questa è l'unica riga su cui non c'è nulla da discutere.

Cosa mostrano i grafici del fornitore e chi ne è assente

La valutazione di Ming è interamente contenuta in quattro grafici PNG sulla model card. Il testo del repository non contiene alcun numero, e i grafici meritano una lettura attenta perché non sono uniformemente lusinghieri.

Sulla media cinese — una media CER su AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese e WenetSpeech — Ming ottiene 3,55, e il valore migliore in assoluto in quella tabella è 2,94. Sulla media inglese — LibriSpeech clean and other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English e VoxPopuli — Ming ottiene 3,99 rispetto a un miglior valore in tabella di 3,69. Sulla media dei 15 dialetti Ming ottiene 8,42 rispetto a un miglior valore in tabella di 8,00. In altre parole, nelle tabelle dello stesso fornitore, Ming è costantemente vicino ai primi posti del settore e costantemente non primo.

Dove appare più forte è sui set di domini interni, dove il CER è pari a 1,62 su chat, 1,03 su governo, 1,58 su salute, 2,49 su conoscenza e 1,61 su vita locale. Sono i numeri da trattare con maggiore cautela, perché i set di test interni condividono una quantità non nota di provenienza con dati di addestramento non divulgati, e la scheda non dice nulla su ciò su cui il modello è stato addestrato.

La tabella context-ASR è quella che merita un secondo sguardo. Il suo aggregato colloca Ming a 4,36, dietro Qwen3-Omni a 4,34 e Qwen3-ASR-1.7B a 4,23, e davanti a Gemini 2.5 Pro a 6,3. La funzionalità di punta del modello — fornirgli hotword e contesto di dialogo — non lo rende il miglior riconoscitore context-aware nel suo stesso confronto. Vince però su singole righe relative alle entità nominate, in particolare sul tasso di falsi negativi delle entità, che è la metrica che conta quando la domanda è «ha azzeccato il nome?» piuttosto che «quanti caratteri erano sbagliati».

Ora, l'omissione che decide quanto tutto questo valga per te: Whisper large-v3-turbo non compare in nessuno dei quattro grafici. Le baseline sono i modelli Qwen omni, Qwen3-ASR-1.7B, Fun-ASR 1.5 e FireRedASR2-LLM-8B. Non esiste alcun confronto diretto riportato dal fornitore tra i due modelli in questo articolo, e qualsiasi tabella che ne rivendichi uno se lo è inventato. Ogni cifra sopra è riportata dal fornitore e non è stata riprodotta in modo indipendente.

Dove Whisper non può ancora essere seguito, e dove Ming non può

I timestamp sono il confine invalicabile. Whisper large-v3-turbo restituisce temporizzazioni a livello di frase e di parola insieme al testo, ed è su questo che si basano le pipeline di generazione di sottotitoli, allineamento forzato e diarizzazione. Ming restituisce testo di trascrizione senza timestamp a livello di parola e senza diarizzazione dei parlanti, e la scheda lo indica come un limite anziché un'omissione. Se la tua pipeline deve sapere quando è stata detta una parola, il confronto finisce lì — non perché Ming abbia ottenuto un punteggio peggiore, ma perché l'output non esiste.

Lo streaming è il secondo limite. L'esempio incluso non accetta input in streaming e il modello è progettato per clip intere con un suggerimento linguistico opzionale. L'ecosistema di Whisper ha trascorso due anni a costruire wrapper incrementali e a bassa latenza attorno a una finestra di 30 secondi; Ming è pubblico da pochi giorni e non ne ha nessuno.

Il deployment è il terzo. Whisper large-v3-turbo, con 809 milioni di parametri, sta comodamente su una singola GPU consumer e dispone di percorsi di inferenza su CPU tramite runtime ottimizzati. Ming richiede una GPU CUDA, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2 e trust_remote_code=True per caricare il proprio file di modellazione — una decisione che riguarda la supply chain tanto quanto l'ingegneria. Circa 17,7 GB di pesi BF16 non sono certo un download da laptop.

Dove Ming prende il vantaggio è in tutto ciò per cui esiste la modalità contesto: parlato cinese con una copertura dei dialetti che Whisper gestisce male, e brevi enunciati densi di nomi, titoli e gergo di dominio che puoi elencare in anticipo. Esiste un percorso di serving separato tramite un adattatore SGLang con un commit fissato, il che suggerisce che il fornitore si aspetti che venga servito anziché solo eseguito come script.

Applicando questo a una decisione reale

Se il tuo audio è in inglese, o multilingue, o hai bisogno di sottotitoli con la sincronizzazione temporale, o vuoi qualcosa che funzioni su una macchina CPU domani, la risposta è Whisper large-v3-turbo e non c'è partita. Due anni di utilizzo in produzione, un ecosistema di runtime e un formato di output che tutto il resto già utilizza valgono più di qualche punto CER su un grafico di un fornitore.

Se il tuo audio è in mandarino o in un dialetto regionale, se le tue clip sono brevi e se riesci a elencare i nomi che compariranno in esse, Ming-3.0-asr-tiny merita una valutazione comparativa — ma solo una valutazione comparativa. Ha 35 download. Nessuno al di fuori del laboratorio ha pubblicato una modalità di errore per esso, il che significa che saresti tu a scoprirle.

Non leggere il numero di parametri come un segnale di qualità in nessuna delle due direzioni. Ming è otto volte più grande di turbo e non lo batte su alcun asse condiviso e misurato in modo indipendente, perché nessun asse condiviso è stato misurato. Gli 8,87 miliardi di parametri comprano un prior contestuale pari a quello di un modello linguistico e una scommessa sul dialetto, non una vittoria documentata sull'accuratezza.

Esecuzione del confronto sul tuo audio

Nessuno dei due modelli è oggi nel catalogo OrcaRouter, quindi la versione onesta di questa sezione è che li prenderesti dal repository del fornitore e li eseguiresti da solo. Ciò a cui serve qui un livello di routing è la parte che viene dopo: far passare una fetta del tuo traffico reale attraverso un modello candidato mentre quello in uso continua a servire il resto, con failover automatico se il nuovo percorso fallisce, e un'unica chiave API per oltre 200 modelli, così aggiungere un secondo parere non significa un secondo contratto. OrcaRouter trasferisce i prezzi di listino dei provider con ricarico 0%, il che conta meno per i pesi aperti che ospiti tu stesso e più per i modelli ospitati con cui li metteresti a confronto tramite benchmark.

Il test che vale la pena eseguire richiede un pomeriggio: 200 clip dal tuo corpus, metà delle quali contengono un nome proprio, valutate a mano. Fornisci a Ming la lista di hotword e fornisci a Whisper large-v3-turbo gli stessi nomi nel suo campo prompt. Confronta il recall delle entità nominate anziché il tasso di errore sui caratteri, perché è l'asse per cui Ming è stato effettivamente costruito e quello riportato dalla tabella di contesto del fornitore. Poi decidi se il divario nei timestamp è sopravvivibile, cosa che, per la maggior parte delle pipeline, non sarà.

Che cosa cambierebbe questo verdetto?

Due cose. Una valutazione indipendente su un set di test condiviso risolverebbe la questione dell'accuratezza a cui nessuno dei due fornitori ha risposto, e chiunque potrebbe eseguirla. E un annuncio di rilascio — con una dichiarazione sui dati di addestramento, una data di rilascio dichiarata e una roadmap temporale — trasformerebbe Ming da un checkpoint con una configurazione promettente in un prodotto su cui poter pianificare. Fino ad allora la descrizione corretta è quella poco glamour: un set di pesi ben documentato, distribuito in sordina, con un encoder Whisper al suo interno e nessuno ancora fuori dal laboratorio in grado di dirti come fallisce.