Ming-3.0-asr-tiny 対 NVIDIA Parakeet TDT 0.6B：35ダウンロードの挑戦者が626,000ダウンロードの現行王者と対決

ダウンロード数は最初に見るべき指標です。なぜなら、それはこの記事のどのベンチマークでも埋められない差を物語っているからです。 NVIDIA Parakeet TDT 0.6B v3はHugging Faceで62万6,000回以上ダウンロードされ、1,200件以上のいいねを獲得しており、2025年8月14日に公開され、NeMoツールキット、ネイティブC++ランタイム、そして実際に使われているTransformers経路に組み込まれています。 Ming-3.0-asr-tinyはダウンロード数35回、いいねもわずかで、重みは2026年10月14日に登場し、ベンダーからの発表はありません。一方はインフラです。もう一方は生まれて5日のチェックポイントにすぎません。しかし両者は比較する価値があります。解決する問題が異なり、興味深いのはMingの問題——中国語の方言とホットワード——が、Parakeet TDT 0.6B v3が試みていないものだという点だからです。ここに示すParakeetの数値はすべて、626,738回というダウンロード数を含め、NVIDIA Parakeet TDT 0.6B v3のモデルカードに基づいており、そこにはOpen ASRの表とMUSANノイズスイープも掲載されています。このようなリリースの背後にある、文書化されたAI障害やエージェントインシデントはOrcaRouter AI Incident Archiveに集められており、各項目には独自の情報源、深刻度、信頼度グレード、係争中フラグが付いています。

NVIDIAのカードは、このブログで通常扱う対象の基準からすると異例なほど完全だ。完全なOpen ASR表、ノイズ耐性のスイープ、25の欧州言語にわたる言語別の内訳、そして明記されたリリース日がある。Mingのカードは4枚のPNGグラフだけで、技術レポートはない。このドキュメントの違い自体が一つの発見であり、精度の数値と並んで意思決定に含めるべきものだ。

どちらも言語モデルではない2つのデコーダ

Parakeet TDT 0.6B v3 は、Token-and-Duration Transducer デコーダーを備えた FastConformer エンコーダーです。6億パラメータ、16 kHz モノラル入力、出力には句読点と大文字表記が含まれます。TDT のおかげで高速です。フレームごとに1つのトークンを出力する代わりに、トランスデューサーがトークンと継続時間の両方を予測するため、モデルはフレームを飛ばし、一度に複数フレーム進むことができます。IBM の Granite Speech シリーズのようなエンコーダーのみの CTC モデルではなく、Ming のような音声フロントエンド付きの言語モデルでもありません。それは中間的な存在であり、退屈に感じられるほど長く中間的な存在であり続けていますが、それは褒め言葉です。

Ming-3.0-asr-tiny は逆張りの選択です。そのデコーダーは24層の mixture-of-experts で、128個のエキスパートがあり、トークンごとに8個がルーティングされ、1個が共有され、最初の層は dense です。3つの K​imi Delta Attention 層と1つの Gated MLA 層を交互に配置しています。エンコーダーは1,280次元・20ヘッド・128メルビンの32層で、これは Whisper large-v3 の形状であり、リポジトリは系譜を明示するため modeling_whisper_encoder.py を O​penAI の MIT 表示とともに同梱しています。このモデルは safetensors インデックスによれば88.7億パラメータで、そのうち約20億がトークンごとにアクティブです。

そのため、パラメータの比較は、正確さにはつながらない形で一方的になっている。合計88.7億対6億、そしてアクティブが約20億対密な6億だ。Mingはマイクを身につけた言語モデル。Parakeetは読むことを覚えた音声モデルだ。

ParakeetがするがMingがしないこと

精度を論じる前に、3つの能力がそれらを区別しており、その3つはいずれも推測ではなくカードに明記されている。

第一はタイムスタンプです。Parakeet TDT 0.6B v3 は、NeMo と Transformers の両方の経路を通じて、文字レベル、単語レベル、セグメントレベルのタイミングを返し、カードにはそれらを生成する呼び出しが示されています。この単一の機能が、字幕生成、強制アラインメント、会議の話者ダイアライゼーション、そして「これが発言された瞬間にジャンプする」あらゆるインターフェースの土台となっています。Ming の使用上の注意には、出力は単語レベルのタイムスタンプや話者ダイアライゼーションを含まない文字起こしテキストであると記載されています。これはベンチマークのギャップではなく、出力フィールドの欠如です。

2点目は長尺音声です。Parakeetはローカルアテンションでこれを処理します。モデルカード自体のレシピでは、長尺文字起こし向けに前後256フレームのコンテキストを持つ相対位置ローカルアテンションに置き換えており、NVIDIAは、80 GBのA100でフルアテンションなら約24分、ローカルアテンションなら3時間という限界を文書化しています。Mingは8,192ポジションのコンテキストを受け付け、より長い音声はコマンドライン引数でチャンク分割します。これは実用的ではありますが、種類の異なる答えです。

第三はエコシステムです。Parakeet は NeMo で、Transformers のAutoModelForTDTを使う経路で、また実行時に Python を必要としない NeMo-Speech.cpp 経由の量子化された GGUF でも動作します。Ming は Python 3.12、PyTorch 2.11.0、torchaudio 2.11.0、Transformers 5.12.1、fla-core 0.5.2、CUDA、および trust_remote_code=True を必要とし、さらに提供したい場合は別途固定された SGLang アダプターも必要です。GPU のないマシンでは、WER の数値を読む前に、その違いが決定的です。

そのリストをMingのカードに照らして読むと、比較は正確さの話ではなくなる。リストの各行は、Mingのリポジトリが明示的に持たないと述べている能力であり、NVIDIAはそれを機能として、inclusionAIは制限として示している。

各ベンダーが何を、何に基づいて測定したか

Parakeet の英語の数値は、Open ASR リーダーボードの公開セットに基づいています。平均 WER は 6.34% で、LibriSpeech test-clean では 1.93%、test-other では 3.59%、AMI では 11.31%、Earnings-22 では 11.42%、GigaSpeech では 9.59%、SPGI Speech では 3.97%、TED-LIUM では 2.75%、VoxPopuli では 6.14% です。

その多言語対応の実態は、言語リストから受ける印象よりも薄い。しかもカードにはこのことが書かれていないため、はっきり述べておく価値がある。25言語というのは事実だが、公開されている多言語評価はFLEURS、MLS、CoVoSTの平均値（11.97%、7.83%、11.98%）であり、上記のOpen ASRの表は英語のみである。ポーランド語やフィンランド語について評価しようとするチームが得られるのは言語ごとのFLEURS数値だけで、その言語における長文やノイズを含む評価はまったくない。

ノイズ耐性こそ、このカードが真価を発揮する領域だ。MUSANノイズ下で信号対雑音比を下げていくと、平均WERはクリーン時6.34、10 dBで7.12、5 dBで8.23、0 dBで11.66、−5 dBで19.88となる。NVIDIAは最悪点での相対劣化を−213.64%と述べている。これは公開データに基づく実際の曲線であり、単一の精度値からは分からないことを示している。約5 dBを下回ると、このモデルの劣化は線形よりも速くなる。

対照的に、Mingの数値は、中国語の平均CERが3.55、英語の平均WERが3.99、15方言の平均が8.42、社内5ドメインの平均が1.67、コンテキストASRの総合値が4.36です。すべてベンダー報告によるもので、いずれも再現されておらず、Parakeetと共通のテストセットで評価されたものはありません。両者が報告している唯一のセットであるLibriSpeech test-cleanについて、Mingはセット別の数値を文章で公表しておらず、5セットの英語平均のみを公表しているため、モデルカードからはまったく比較できません。

ここではライセンスは同等ではありません

Mingの重みとオリジナルコードはMITライセンスで、同梱のApache-2.0ファイルは独自のヘッダーを保持し、Whisperを適用したエンコーダーはOpenAIのMIT表示を維持しています。Parakeet TDT 0.6B v3はCC BY 4.0で、帰属表示を条件に商用利用を許可しています。どちらも寛容型ライセンスであり、罠ではありません。実務上の違いは、法的リスクではなく、製品ドキュメントにおける帰属表示の文言です。

注目すべきは、Mingのリポジトリのライセンスが、その配布の実情よりも寛容だという点である。次を必要とするMITの重み、すなわち trust_remote_code=Trueと固定された依存関係のセットは、使う分には寛容だが配備は厄介であり、この二つの事実は互いに独立している。

コンテキスト機能だけが唯一の明確な差別化要素です

Parakeet TDT 0.6B v3 にはプロンプトもホットワードリストもなく、音声に登場する名前を指定する方法もありません。25 のヨーロッパ言語で学習した知識を用いて、聞こえたとおりに文字起こしし、ドメイン語彙については、文書化されている手段は条件付けではなくファインチューニングです。NVIDIA は、左および右コンテキストを設定可能なチャンクストリーミング用スクリプトも提供していますが、これは精度ではなくレイテンシのためのツールです。

Mingはホットワードや直前の会話ターンを文字起こしプロンプトの一部として受け入れ、その方言カバレッジ——広東語、閩南語、上海語を含む15の中国語テストセットで平均8.42——は、Parakeetが一切謳っていない能力です。音声が標準中国語（マンダリン）の場合、その地域変種の場合、あるいは商品名が満載の中国語ビジネス通話の場合、Parakeetは候補にならず、二者のうちテーブルに載るのはMingだけです。これは現実的で具体的かつ検証可能な利点であり、この比較がダウンロード数で決着するのではなく存在する理由です。

注意点は、ホットワードはヒントにすぎないということだ。Mingのカードにはそう直接書かれている。用語を指定すると、それが生成される確率は上がるが、保証されるわけではない。いずれかのASRシステムでキーワードバイアスを使ったことがある人なら、その失敗モードを知っているだろう——モデルは、その音声に含まれていないホットワードを聞き始めるのだ。信頼する前に、それをテストすること。

これをどうすればいいですか

タイミング付きの英語文字起こしを、すでに手持ちのハードウェアで、Python環境を必要としないランタイムで行う必要があるなら、Parakeet TDT 0.6B v3 が安全な答えです。そしてダウンロード数は見栄ではなく、他の人々によってすでに発見され書き留められた失敗モードがどれだけあるかの代理指標です。

中国語、方言、またはホットワード条件付けが必要なら、Ming-3.0-asr-tiny は2つのうちその役割を果たせる唯一のものであり、そのニッチでは真に新規であり、登場から5日で外部テストが事実上ほとんどありません。適切なアプローチは自分のコーパスでの比較評価であり、タイムスタンプのギャップはトレードオフではなく厳格な制約として扱うべきです。下流システムが単語のタイミングを消費するなら、評価は始まる前に終わっています。

本番環境全体でそうした比較評価を行うチームにとって、その比較は通常、スプレッドシートではなくルーターの中で行われることになります — セルフホストの候補の前に置く単一のエンドポイント、自動フェイルオーバーにより、失敗したリクエストは既存のものにフォールバックし、比較のたびに別契約を結ぶ代わりに200以上のホスト型モデルへ1つのキーでアクセスできます。Ming-3.0-asr-tinyもNVIDIA Parakeet TDT 0.6B v3もOrcaRouterのカタログにはないため、どちらも当社が提供するものではありません。ルーティング層は、それらを介してではなく、それらの周辺でその価値を発揮します。

消えない非対称性

一方のモデルにはリリース日、arXiv形式のドキュメントの流れ、リーダーボードへの提出、ノイズスイープ、言語別の表がある。もう一方には4つのチャート、設定ファイル、コミットログ、リリース映像がある。これはMingのエンジニアリングへの批判ではない——アーキテクチャはParakeetのものより野心的で、方言への賭けも本物だ——しかしドキュメントこそが、チェックポイントを、チームがベンダーのQA部門にならずに採用できるものに変える。

次にどちらのベンダーが公開できれば最も有用となるものは同じだ。中国語と英語の音声に関する共通評価を第三者が採点し、単語だけでなくタイムスタンプも測定するものだ。それが存在するまでは、判断はすでに文書化されている能力の境界、つまりタイミング、ストリーミング、ハードウェア、言語、ホットワードに基づくことになり、それらの境界は選択するのに十分明確だ。