Ming-3.0-asr-tiny 対 Whisper large-v3-turbo：Whisperのエンコーダー、異なる「口」

設定ファイルを開いて確認するのはMing-3.0-asr-tiny です。音声タワーが次のように読み返してきます。1,280 隠れ次元、32 エンコーダ層、20 アテンションヘッド、128 メルビン。これらは Whisper large-v3 のエンコーダの次元であり、リポジトリもそれを明言しています — 同梱されているファイルは modeling_whisper_encoder.py で、OpenAI の MIT 通知を別の WHISPER_LICENSE に保持しています。したがって、これは無関係な 2 つの音声スタックの話ではありません。 Ming-3.0-asr-tiny は、Whisper の耳を残して口を置き換えた中国語優先の音声認識器です。24 層の Mixture-of-Experts デコーダを備え、safetensors インデックスによれば 88.7 億パラメータで、ホットワードと先行する対話に条件付けられています。 Whisper large-v3-turbo は、同じエンコーダを維持し、デコーダを 32 層から 4 層に削減した 8.09 億パラメータの蒸留モデルです。 この記事の Ming に関する数値はすべて 1 か所から来ており、それは Hugging Face の Ming-3.0-asr-tiny モデルカード で、重み、設定、4 つの評価チャート、本日付のリリース用映像素材を保持しています。 8.09 億パラメータ、99 言語、MIT ライセンスのベースラインは、Whisper large-v3-turbo モデルカード に、この比較が繰り返し参照する単語タイムスタンプと翻訳の挙動とともに記録されています。 このようなリリースの背後にある、記録された AI 障害やエージェントのインシデントは、次に集められています — OrcaRouter AI Incident Archive では、各エントリに出典、重大度、信頼度グレード、異議ありフラグがそれぞれ付いています。

短い答えを詳細の前に知りたいなら、両者は代替品ではない。Whisper large-v3-turbo はタイムスタンプを出力し、英語への翻訳を行い、99言語をカバーし、CUDA GPU ではないハードウェアでも動作する。Ming-3.0-asr-tiny はプレーンテキストしか出力せず、中国語と英語をカバーし、地域方言に本腰を入れていて、リモートコード実行を有効にした最新の PyTorch と Transformers スタックが必要だ。重なるのは短いクリップの中国語文字起こしであり、そこですら誰も両者を相互に評価したことがない。

何が出荷されたのか、そしてどれほど静かに

Ming-3.0-asr-tiny の Hugging Face リポジトリは2026年10月14日に作成されました。これを執筆している時点では、ダウンロード数35、いいね1件と表示されていました。併設のGitHubリポジトリには20件のコミットとスター1件があり、フォークはなく、Releasesタブは空です。ベンダーのブログ記事も報道もなく、いかなる種類のローンチ告知もありません。モデルカードがその告知なのです。

カードにもリリース日は明記されていません。リポジトリ内で日付を示す唯一の手がかりは、media-2026-10-19を含むパスに置かれたリリース用映像素材で、これは今日の日付です。重みは数日前のもの、発表はまだ行われていないものとして扱い、見逃した製品ローンチとして扱わないでください。

リポジトリが疑いの余地なく明らかにしているのは、これからダウンロードするものの形です。BF16の2つのsafetensorsシャードに分割された88.7億パラメータ、157,184トークンの語彙、24層のテキストデコーダ、32層の音声エンコーダ、そしてasr_output_formatフィールドがplainに設定されていることです。リポジトリ自身のベンチマークチャートはモデルを8.6B-A2Bと表記しています。これはトークンあたり約20億パラメータがアクティブというベンダーの略記であり、safetensorsインデックスの方がより厳密な数字で、両者には約2億7000万の差があります。

同じ耳で、違う口

エンコーダーは人が読み飛ばしがちな部分だが、ここでは設定の中で最も情報量の多い行だ。1,280次元・32層・20ヘッドで128個のメル入力を備えた音声エンコーダーはWhisper largeアーキテクチャであり、リポジトリ内のファイル名は単に似ているだけでなく、その系譜を裏付けている。エンコーダーはまた、Mingの小さい方の半分でもある。従来型トランスフォーマーの32層に対し、デコーダーは128個のエキスパートを抱え、トークンごとにそのうち8個をルーティングし、最初の層はdenseのままにし、低ランク射影（q_lora_rank 256、kv_lora_rank 512）でアテンションを圧縮する。これは音声フロントエンドを後付けした言語モデルであって、言語モデルを付属させたASRモデルではない。

Whisper large-v3-turboは逆方向に進んだ。同じエンコーダーを持ち、デコーダーは32層から4層に蒸留されている。8億900万というパラメータ数と、large-v3に対する約8倍の高速化はそこから来ている。turboを低コストにしている要素はすべてデコード側にあり、Mingを高コストにしている要素もすべてそこにある。

• パラメータ — Ming-3.0-asr-tiny は BF16 で 8.87B、うちベンダーは約 2B をトークンあたりのアクティブとして標榜。Whisper large-v3-turbo は 809M。

• デコーダー — 24層、128エキスパート（トークンごとに8個をルーティング）、低ランク圧縮アテンション。Whisper: 4層、稠密、large-v3の32層から蒸留。

• オーディオフロントエンド — どちらの場合も32層・1,280次元のWhisper型エンコーダーであり、これがこの比較で最も気づきにくい事実です。

• 入力ウィンドウ — Mingは最大30秒まで3,000メルフレーム、それを超える場合は6,000メルフレームを処理し、長い音声は8,192ポジションのコンテキストに対してチャンク分割されます。Whisperの受容野は30秒で、チャンク分割は周辺のツール側で処理されます。

• 出力 — プレーンな文字起こしテキストと、文レベルおよび単語レベルのタイムスタンプ付き文字起こし、さらに英語への翻訳の対比。

• 言語 — 中国語と英語（15の地域別中国語方言テストセット付き）に対し、99言語。

• ライセンス — Mingの重みとオリジナルコードはMIT、同梱のApache-2.0ファイルはそれぞれのヘッダーを維持。Whisper large-v3-turboはMIT。議論の余地がない唯一の項目です。

ベンダーのチャートが示すもの、そしてそこから抜け落ちているのは誰か

Mingの評価は、モデルカード上の4枚のPNGチャートにすべて収められている。リポジトリのテキストには数値が一切含まれておらず、またチャートは一様に好意的とは言えないため、じっくり読み解く価値がある。

中国語平均——AISHELL-1、AISHELL-2、Common Voice 15 Chinese、FLEURS Chinese、WenetSpeechにおけるCER平均——では、Mingは3.55を記録し、その表全体で最良の数値は2.94です。英語平均——LibriSpeech cleanおよびother、Multilingual LibriSpeech、FLEURS English、Common Voice 15 English、VoxPopuli——では、Mingは3.99を記録し、表内最良は3.69です。15方言平均では、Mingは8.42を記録し、表内最良は8.00です。言い換えれば、ベンダー自身のチャート上で、Mingは一貫してこの分野の先頭付近にあり、かつ一貫して1位ではありません。

最も強く見えるのは社内ドメインセットで、CERはチャットで1.62、政府で1.03、医療で1.58、知識で2.49、地域生活で1.61となっている。これらの数値は最も慎重に扱うべきだ。なぜなら、社内テストセットは非公開の学習データとどの程度来歴を共有しているかが不明であり、カードにはモデルが何で学習されたかについて何も書かれていないからだ。

コンテキストASRの表は、もう一度見る価値がある。その集計値ではMingは4.36で、Qwen3-Omniの4.34とQwen3-ASR-1.7Bの4.23に後れを取る一方、Gemini 2.5 Proの6.3を上回っている。このモデルの目玉機能——ホットワードと対話コンテキストを入力できること——は、それ自身の比較において、最も優れたコンテキスト対応認識器にするものではない。ただし、個々の固有表現の行では勝っており、特に固有表現の偽陰性率で勝っている。これは「何文字間違えたか」ではなく「名前を正しく取れたか」が問われる場合に重要な指標である。

さて、これがあなたにとってどれほどの価値を持つかを左右する、省略された点：Whisper large-v3-turbo は4つのグラフのどれにも登場しません。 ベースラインは Qwen omni モデル、Qwen3-ASR-1.7B、Fun-ASR 1.5、FireRedASR2-LLM-8B です。この記事で扱う2モデル間について、ベンダーが報告した直接比較は存在せず、それを主張する表は捏造です。上記の数値はすべてベンダー報告によるもので、独立に再現されていません。

Whisperにはまだ及べないところ、そしてMingには及べないところ

タイムスタンプが決定的な境界です。Whisper large-v3-turboは、テキストとともに文レベルおよび単語レベルのタイミングを返します。これは字幕生成、強制アラインメント、話者分離の各パイプラインの基盤となっています。Mingは単語レベルのタイムスタンプも話者分離もない文字起こしテキストを返し、カードではこれを省略ではなく制限として明記しています。パイプラインで単語がいつ発話されたかを知る必要があるなら、比較はそこで終わります。Mingのスコアが悪かったからではなく、出力が存在しないからです。

ストリーミングは第二の境界です。同梱の例はストリーミング入力を受け付けず、モデルはオプションの言語ヒントを伴うクリップ全体を前提に設計されています。Whisperのエコシステムは30秒のウィンドウを中心に、インクリメンタルで低遅延なラッパーの構築に2年を費やしてきました。一方、Mingは公開されてまだ数日で、そうしたものは何もありません。

デプロイが3つ目です。8億900万パラメータのWhisper large-v3-turboは、一般的なコンシューマー向けGPU 1枚に余裕で収まり、最適化されたランタイムを通じたCPU推論経路も備えています。MingにはCUDA GPU、PyTorch 2.11.0、torchaudio 2.11.0、Transformers 5.12.1、fla-core 0.5.2、そしてtrust_remote_code=Trueで独自のモデリングファイルを読み込む必要があります。これはエンジニアリング上の判断であると同時に、サプライチェーン上の判断でもあります。BF16の重みは約17.7 GBあり、ラップトップでダウンロードするものではありません。

Mingが優位に立つのは、まさにコンテキストモードが存在する理由となるすべての場面です。Whisperがうまく扱えない方言を含む中国語音声や、事前に列挙できる人名・肩書き・専門用語が密集した短い発話です。固定されたコミットを伴うSGLangアダプター経由の別のサービング経路が存在しており、これはベンダーがこれを単にスクリプトとして実行するだけでなく、提供することを想定していることを示唆しています。

これを実際の意思決定に当てはめる

音声が英語の場合、多言語の場合、タイミング付き字幕が必要な場合、あるいは明日CPUマシンで動かしたい場合、答えはWhisper large-v3-turboで、他は遠く及びません。2年間の本番運用、ランタイムのエコシステム、あらゆるものがすでに消費できる出力形式は、ベンダーのグラフ上の数ポイントのCERより価値があります。

音声がマンダリン（標準中国語）または地域方言で、クリップが短く、そこに登場する名前を列挙できるなら、Ming-3.0-asr-tiny は比較評価する価値があります——ただし、あくまで比較評価だけです。ダウンロード数は35回。ラボの外でその失敗モードを公表した人は誰もいません。つまり、それらを発見することになるのはあなた自身です。

パラメータ数を品質の指標として、どちら向きにも読んではならない。Ming は turbo より8倍大きいが、共通して独立に測定された軸では turbo を上回っていない。なぜなら、共通の軸は測定されていないからだ。88.7億パラメータが買うのは、言語モデル相当の文脈事前情報と方言への賭けであり、文書化された精度向上ではない。

ご自身の音声で比較を実行する

現時点ではどちらのモデルもOrcaRouterのカタログにはないため、このセクションを正直に言えば、ベンダー自身のリポジトリから取得して自分で実行することになります。ここでルーティング層が役立つのはその後の部分です。既存モデルが残りを処理し続ける間に実トラフィックの一部を候補モデルに通すこと、新しい経路が失敗した場合の自動フェイルオーバー、そして200以上のモデルにまたがる単一のAPIキーにより、セカンドオピニオンを追加しても2つ目の契約を結ばずに済むことです。OrcaRouterはプロバイダーの定価を0%のマークアップでそのまま通します。これは、自分でホストするオープンウェイトにはあまり重要ではなく、それらと比較ベンチマークするホスト型モデルにとってより重要です。

実行する価値のあるテストは午後ひとつで終わる。自分のコーパスから200本のクリップを選び、その半数に固有名詞を含め、手作業で採点する。Mingにはホットワードリストを渡し、Whisper large-v3-turboには同じ名前をプロンプト欄に入れる。文字誤り率ではなく、固有表現の再現率を比較せよ。なぜなら、それがMingの実際の設計対象であり、ベンダーのコンテキスト表が報告している軸でもあるからだ。その後、タイムスタンプのギャップが許容できるかどうかを判断せよ。ほとんどのパイプラインでは、許容できないだろう。

何がこの評決を変えるでしょうか

2つのことだ。共有テストセットでの独立評価は、どちらのベンダーも答えてこなかった精度の疑問に決着をつけ、しかも誰でも実行できる。そしてリリース発表——学習データに関する声明、明示されたリリース日、タイムスタンプ付きロードマップを伴うもの——は、Mingを、有望な設定を持つチェックポイントから、計画を立てる土台となる製品へと変えるだろう。それまでは、正しい説明は地味なものだ。十分に文書化された重みのセットが静かに出荷され、その中にはWhisperエンコーダーが入っており、ラボの外でそれがどのように失敗するかを教えてくれる人はまだいない。