Ming-3.0-asr-tiny 대 NVIDIA Parakeet TDT 0.6B: 다운로드 35회의 도전자가 다운로드 626,000회의 기존 강자를 만나다

다운로드 카운터는 가장 먼저 봐야 할 지표입니다. 이 글의 어떤 벤치마크도 메울 수 없는 격차를 보여 주기 때문입니다. NVIDIA Parakeet TDT 0.6B v3는 Hugging Face에서 626,000회 이상의 다운로드와 1,200개의 좋아요를 기록했으며, 2025년 8월 14일에 출시되어 NeMo 툴킷, 네이티브 C++ 런타임, 그리고 사람들이 실제로 사용하는 Transformers 경로에 포함되어 제공됩니다.Ming-3.0-asr-tiny는 다운로드 35회와 약간의 좋아요에 그치며, 가중치는 2026년 10월 14일에 공개되었고 해당 공급업체의 발표는 없었습니다. 하나는 인프라입니다. 다른 하나는 이제 겨우 닷새 된 체크포인트입니다. 하지만 둘은 비교할 가치가 있습니다. 서로 다른 문제를 해결하기 때문이며, 흥미로운 점은 Ming의 문제, 즉 중국어 방언과 핫워드가 바로 Parakeet TDT 0.6B v3가 시도하지 않는 문제라는 것입니다. 여기 나오는 모든 Parakeet 수치(626,738회 다운로드 수 포함)는 NVIDIA Parakeet TDT 0.6B v3 모델 카드에서 가져왔으며, 이 카드에는 Open ASR 표와 MUSAN 노이즈 스윕도 실려 있습니다. 이와 같은 릴리스 뒤에 있는 문서화된 AI 실패와 에이전트 사고 사례는 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 고유한 출처, 심각도, 신뢰도 등급, 분쟁 플래그가 함께 제공됩니다.

NVIDIA의 카드는 이 블로그가 보통 다루는 주제들의 기준에서 볼 때 이례적으로 완성도가 높습니다. 전체 Open ASR 표, 노이즈 견고성 스윕, 25개 유럽 언어에 걸친 언어별 분석, 그리고 명시된 출시 날짜까지 갖추고 있죠. 반면 Ming의 카드는 PNG 차트 네 장이 전부이고 기술 보고서는 없습니다. 이러한 문서화 수준의 차이 자체가 하나의 발견이며, 정확도 수치와 함께 의사결정에 포함되어야 할 사항입니다.

둘 다 언어 모델이 아닌 두 디코더

Parakeet TDT 0.6B v3는 Token-and-Duration Transducer 디코더를 갖춘 FastConformer 인코더입니다. 6억 개의 파라미터, 16 kHz 모노 입력, 출력의 구두점과 대문자 표기를 지원합니다. TDT 덕분에 빠릅니다. 프레임마다 토큰 하나를 내보내는 대신, 트랜스듀서가 토큰과 지속 시간을 모두 예측하므로 모델이 프레임을 건너뛰고 한 번에 여러 프레임을 진행할 수 있습니다. IBM의 Granite Speech 라인처럼 인코더 전용 CTC 모델이 아니고, Ming처럼 오디오 프런트 엔드를 갖춘 언어 모델도 아닙니다. 이 모델은 중간 사례이며, 지루할 정도로 오랫동안 중간 사례로 남아 있었는데, 이는 칭찬입니다.

Ming-3.0-asr-tiny는 정반대의 선택이다. 디코더는 24개 층의 전문가 혼합(mixture-of-experts)으로, 128개 전문가 중 토큰당 8개가 라우팅되고 1개는 공유되며 첫 층은 dense이고, 세 개의 K​imi Delta Attention 층과 한 개의 Gated MLA 층이 교대로 구성된다. 인코더는 1,280차원의 32개 층으로 20개 헤드와 128개 mel 빈을 가지며, 이는 Whisper large-v3의 형태다. 그리고 저장소는 modeling_whisper_encoder.py를 O​penAI의 MIT 고지와 함께 제공해 계보를 분명히 밝힌다. 이 모델은 safetensors 인덱스 기준 88억 7,000만 개 파라미터이며, 그중 약 20억 개가 토큰당 활성화된다.

이는 파라미터 비교를 정확도로 이어지지 않는 방식으로 한쪽에 치우치게 만듭니다: 총 88억 7천만 개 대 6억 개, 그리고 약 20억 개의 활성 파라미터 대 밀집형 6억 개. Ming은 마이크를 쓴 언어 모델입니다. Parakeet은 읽는 법을 배운 음성 모델입니다.

Parakeet가 하지만 Ming은 하지 않는 것들

정확도를 논하기에 앞서 세 가지 역량이 이들을 구분하며, 세 가지 모두 추론된 것이 아니라 카드에 문서화되어 있습니다.

첫 번째는 타임스탬프입니다. Parakeet TDT 0.6B v3는 NeMo와 Transformers 경로 모두를 통해 문자 수준, 단어 수준, 세그먼트 수준 타이밍을 반환하며, 카드에는 이를 생성하는 호출이 나와 있습니다. 바로 그 단일 기능이 자막 생성, 강제 정렬, 회의 화자 분리, 그리고 “해당 발언이 나온 순간으로 이동” 인터페이스가 구축되는 기반입니다. Ming의 사용 노트에는 출력이 단어 수준 타임스탬프나 화자 분리가 없는 전사 텍스트라고 명시되어 있습니다. 이는 벤치마크의 격차가 아니라 출력 필드의 부재입니다.

두 번째는 긴 오디오입니다. Parakeet은 로컬 어텐션을 통해 이를 처리합니다. 카드 자체의 레시피는 장형 전사를 위해 양쪽 256프레임의 문맥을 가진 상대 위치 로컬 어텐션으로 교체하며, NVIDIA는 80GB A100에서 전체 어텐션으로 약 24분, 로컬 어텐션으로 3시간의 한계를 문서화합니다. Ming은 8,192 위치 문맥을 허용하고 더 긴 오디오를 명령줄 인수를 통해 청크로 나누는데, 이는 실용적이지만 다른 종류의 답입니다.

세 번째는 생태계입니다. Parakeet은 NeMo에서, AutoModelForTDT를 사용하는 Transformers 경로에서, 그리고 런타임에 Python이 전혀 필요 없는 NeMo-Speech.cpp를 통한 양자화된 GGUF에서 실행됩니다. Ming은 Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA, 그리고 trust_remote_code=True가 필요하며, 서빙하려면 별도로 고정된 SGLang 어댑터까지 필요합니다. GPU가 없는 머신에서는 WER 수치를 읽기도 전에 그 차이가 결정적입니다.

{{1}}그 목록을 Ming의 카드와 대조해 읽으면 비교는 더 이상 정확성에 관한 것이 아니게 된다.{{/1}} 그 안의 모든 줄은 Ming의 저장소가 명시적으로 없다고 말하는 기능인데, {{2}}NVIDIA{{/2}}는 이를 기능으로, inclusionAI는 한계로 서술한다.

각 공급업체가 무엇을, 무엇을 기준으로 측정했는지

Parakeet의 영어 수치는 Open ASR 리더보드 공개 세트에서 나온 것입니다: 평균 WER 6.34%이며, LibriSpeech test-clean에서 1.93%, test-other에서 3.59%, AMI에서 11.31%, Earnings-22에서 11.42%, GigaSpeech에서 9.59%, SPGI Speech에서 3.97%, TED-LIUM에서 2.75%, VoxPopuli에서 6.14%입니다.

이 모델의 다국어 지원 실상은 언어 목록이 시사하는 것보다 빈약하며, 모델 카드가 이 점을 말하지 않기 때문에 분명히 짚고 넘어갈 가치가 있습니다. 25개 언어가 실제인 것은 맞지만, 공개된 다국어 평가는 FLEURS, MLS, CoVoST 평균인 11.97%, 7.83%, 11.98%이며, 위의 Open ASR 표는 영어 전용입니다. 폴란드어나 핀란드어를 위해 이를 평가하는 팀은 언어별 FLEURS 수치만 얻을 뿐, 해당 언어의 장문 또는 잡음 환경 평가는 전혀 얻지 못합니다.

노이즈 견고성은 이 카드가 제값을 하는 부분이다. 내림차순 신호 대 잡음비 전반에서 MUSAN 노이즈에 대해 평균 WER은 클린 6.34, 10 dB에서 7.12, 5 dB에서 8.23, 0 dB에서 11.66, −5 dB에서 19.88이며, NVIDIA는 최악 지점에서 이를 −213.64%의 상대적 저하라고 밝힌다. 이는 공개 데이터에서 얻은 실제 곡선이며, 단일 정확도 수치로는 알 수 없는 것을 말해 준다. 약 5 dB 미만에서는 이 모델이 선형보다 빠르게 저하된다.

반면 Ming의 수치는 중국어 평균 CER 3.55, 영어 평균 WER 3.99, 15개 방언 평균 8.42, 5개 도메인 사내 평균 1.67, context-ASR 집계 4.36입니다. 모두 벤더가 보고한 수치이고 모두 재현되지 않았으며, 어느 것도 Parakeet과 공유된 테스트 세트에서 측정된 것이 아닙니다. 두 모델이 모두 보고하는 유일한 세트인 LibriSpeech test-clean에서 Ming은 세트별 수치를 본문에 공개하지 않고 5개 세트 영어 평균만 공개하므로, 모델 카드만으로는 비교가 아예 불가능합니다.

여기서는 라이선스가 동등하지 않습니다

Ming의 가중치와 원본 코드는 MIT이며, 함께 번들된 Apache-2.0 파일은 자체 헤더를 유지하고 Whisper에 맞게 조정된 인코더는 OpenAI의 MIT 고지를 유지합니다. Parakeet TDT 0.6B v3는 CC BY 4.0으로, 저작자 표시를 조건으로 상업적 사용을 허용합니다. 둘 다 퍼미시브 라이선스이며, 어느 쪽도 함정이 아닙니다. 실질적인 차이는 법적 리스크가 아니라 제품 문서에 들어가는 저작자 표시 문구입니다.

짚고 넘어갈 점은 Ming의 저장소 라이선스가 배포 방식보다 더 관대하다는 것입니다. MIT 가중치는 trust_remote_code=True와 고정된 의존성 집합을 요구하며 사용에는 관대하지만 배포에는 번거롭고, 이 두 사실은 서로 독립적입니다.

컨텍스트 기능은 유일한 명확한 차별화 요소입니다.

Parakeet TDT 0.6B v3에는 프롬프트도, 핫워드 목록도, 오디오에 등장할 이름을 제공할 방법도 없습니다. 이 모델은 25개 유럽 언어 전반에서 학습한 내용을 사용해 들리는 대로 전사하며, 도메인 어휘의 경우 문서화된 경로는 컨디셔닝이 아니라 파인튜닝입니다. NVIDIA는 또한 왼쪽 및 오른쪽 컨텍스트를 구성할 수 있는 청크 스트리밍 스크립트를 제공하는데, 이는 정확도 도구라기보다 지연 시간 도구입니다.

Ming은 핫워드나 선행 대화 턴을 전사 프롬프트의 일부로 받아들이며, 광둥어, 민난어, 상하이어를 포함한 15개 중국어 테스트 세트에서 평균 8.42를 기록하는 방언 범위는 Parakeet이 전혀 내세우지 않는 능력입니다. 오디오가 만다린이거나 그 지역 변종이거나, 제품명이 가득한 중국어 비즈니스 통화라면 Parakeet은 후보가 아니며, 둘 중 고려 대상은 Ming뿐입니다. 이는 실제적이고 구체적이며 검증 가능한 장점이며, 이 비교가 다운로드 수로 판가름나는 대신 존재하는 이유입니다.

주의할 점은 핫워드가 힌트에 불과하다는 것입니다. Ming의 카드에도 이렇게 분명히 적혀 있습니다. 용어를 제공하면 그 용어가 출력될 확률이 높아질 뿐 보장되지는 않는다는 것입니다. 어떤 ASR 시스템이든 키워드 바이어싱을 사용해 본 사람이라면 그 실패 양상을 잘 압니다. 모델이 해당 핫워드가 들어 있지 않은 오디오에서도 그 핫워드를 듣기 시작하는 것이죠. 믿기 전에 먼저 그것을 테스트해 보십시오.

이걸 어떻게 해야 할까요?

이미 보유한 하드웨어에서 Python 환경이 필요 없는 런타임으로 타임스탬프가 포함된 영어 전사가 필요하다면, Parakeet TDT 0.6B v3가 안전한 선택이며 다운로드 수는 허세가 아니라 다른 사람들이 이미 얼마나 많은 실패 모드를 발견해 기록해 두었는지를 보여주는 대리 지표입니다.

중국어, 방언, 핫워드 컨디셔닝이 필요하다면 Ming-3.0-asr-tiny는 둘 중 그 작업을 할 수 있는 유일한 모델이고, 그 틈새에서는 정말로 참신하며, 출시된 지 5일밖에 되지 않아 외부 테스트가 사실상 전무합니다. 올바른 자세는 자체 코퍼스에서 맞대결 평가를 하는 것이며, 타임스탬프 격차는 트레이드오프가 아니라 하드 제약으로 다뤄야 합니다: 다운스트림 시스템이 단어 타이밍을 소비한다면 평가는 시작하기도 전에 끝난 것입니다.

프로덕션 환경 전반에서 그 비교 평가를 진행하는 팀에게는, 비교가 보통 스프레드시트가 아니라 라우터 안에서 이루어집니다 — 자체 호스팅 후보들 앞에 놓인 하나의 엔드포인트, 자동 장애 조치 덕분에 실패한 요청은 기존 시스템으로 폴백되고, 비교할 때마다 두 번째 계약을 맺는 대신 200개 이상의 호스팅 모델 전반에 하나의 키를 사용합니다. Ming-3.0-asr-tiny도 NVIDIA Parakeet TDT 0.6B v3도 OrcaRouter 카탈로그에 없으므로, 둘 다 우리가 제공하는 모델이 아닙니다. 라우팅 계층은 그 모델들을 통해서가 아니라 그 모델들 주변에서 제 역할을 합니다.

사라지지 않을 비대칭성

한 모델에는 출시일, arXiv 스타일의 문서 기록, 리더보드 제출, 노이즈 스윕, 언어별 표가 있습니다. 다른 모델에는 차트 네 개, 구성 파일, 커밋 로그, 공개 영상이 있습니다. 이는 Ming의 엔지니어링에 대한 비판이 아닙니다 — 아키텍처는 Parakeet의 것보다 더 야심적이고 방언에 건 승부수도 실재합니다 — 다만 문서화가 있어야 체크포인트가 팀이 벤더의 QA 부서가 되지 않고도 도입할 수 있는 무언가로 바뀝니다.

두 공급업체 중 어느 쪽이 다음에 공개할 수 있는 가장 유용한 것은 동일합니다: 중국어와 영어 오디오에 대한 공동 평가로, 제3자가 점수를 매기고, 단어뿐 아니라 타임스탬프도 측정하는 것입니다. 그러한 평가가 나오기 전까지는 결정이 이미 문서화된 기능 경계—타이밍, 스트리밍, 하드웨어, 언어, 핫워드—에 달려 있으며, 그 경계는 선택을 내리기에 충분히 명확합니다.