Ming-3.0-asr-tiny vs Whisper large-v3-turbo: Whisper의 인코더, 또 다른 입

구성 파일을 여십시오: Ming-3.0-asr-tiny의 오디오 타워가 당신에게 다시 읽어 줍니다: 1,280개의 은닉 차원, 32개의 인코더 계층, 20개의 어텐션 헤드, 128개의 멜 빈. 이는 Whisper large-v3 인코더의 차원이며, 저장소도 이를 명시합니다 — modeling_whisper_encoder.py라는 파일을 제공하고 O​penAI의 MIT 고지를 별도의 WHISPER_LICENSE에 보관합니다. 따라서 이것은 서로 무관한 두 음성 스택에 관한 이야기가 아닙니다. Ming-3.0-asr-tiny는 Whisper의 귀는 유지하고 입은 교체한 중국어 우선 인식기입니다: safetensors 인덱스에 따르면 88억 7천만 개 매개변수를 가진 24계층 전문가 혼합 디코더이며, 핫워드와 앞선 대화를 조건으로 합니다. Whisper large-v3-turbo는 동일한 인코더를 유지하고 디코더를 32계층에서 4계층으로 줄인 8억 900만 개 매개변수의 증류 모델입니다. 이 글의 모든 Ming 수치는 한 곳에서 나오며, 바로 Hugging Face의 Ming-3.0-asr-tiny 모델 카드입니다. 여기에는 가중치, 구성, 네 개의 평가 차트, 오늘 날짜의 릴리스 영상 자산이 들어 있습니다. 809M 매개변수, 99개 언어, MIT 라이선스의 베이스라인은 Whisper large-v3-turbo 모델 카드에 문서화되어 있으며, 이 비교에서 계속 다시 언급되는 단어 타임스탬프 및 번역 동작도 함께 설명되어 있습니다. 이와 같은 릴리스의 배후에 있는 문서화된 AI 실패와 에이전트 사건은 OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 고유한 출처, 심각도, 신뢰도 등급, 분쟁 플래그가 포함되어 있습니다.

간단히 먼저 말하면, 둘은 대체재가 아니다. Whisper large-v3-turbo는 타임스탬프를 출력하고, 영어로 번역하며, 99개 언어를 지원하고, CUDA GPU가 아닌 하드웨어에서도 실행된다. Ming-3.0-asr-tiny는 일반 텍스트만 출력하고 그 외에는 아무것도 내놓지 않으며, 중국어와 영어를 지원하되 지역 방언에 상당히 공을 들이고, 원격 코드 실행이 활성화된 최신 PyTorch 및 Transformers 스택이 필요하다. 겹치는 영역은 짧은 클립의 중국어 전사이고, 그마저도 두 모델을 서로 비교 평가한 사람은 아무도 없다.

무엇이 출시되었는가, 그리고 얼마나 조용히

Ming-3.0-asr-tiny의 Hugging Face 저장소는 2026년 10월 14일에 생성되었습니다. 이 글을 작성할 당시 다운로드 수는 35회, 좋아요는 1개였습니다. 함께 제공되는 GitHub 저장소에는 커밋 20개, 스타 1개가 있으며, 포크는 없고 Releases 탭은 비어 있습니다. 공급업체 블로그 게시물도, 언론 보도도, 그 어떤 출시 발표도 없습니다 — 모델 카드가 곧 발표입니다.

카드 또한 출시일을 명시하지 않습니다. 저장소에서 날짜를 가늠할 수 있는 유일한 단서는 다음 경로에 포함된 릴리스 필름 에셋입니다: media-2026-10-19, 이는 오늘입니다. 가중치는 며칠 지난 것으로, 발표는 아직 이루어지지 않은 것으로 보세요. 놓쳐 버린 제품 출시로 여기지는 마세요.

저장소가 의심의 여지 없이 보여 주는 것은 다운로드하게 될 대상의 형태입니다. 즉, BF16으로 된 두 개의 safetensors 샤드에 걸쳐 나뉜 88억 7천만 개의 파라미터, 157,184개 토큰의 어휘, 24층 텍스트 디코더, 32층 오디오 인코더, 그리고 asr_output_format 필드가 다음으로 설정되어 있습니다: plain. 저장소 자체의 벤치마크 차트에서는 이 모델을 8.6B-A2B라고 표기하는데, 이는 토큰당 약 20억 개의 파라미터가 활성화된다는 벤더의 약칭입니다. safetensors 인덱스가 더 엄밀한 수치이며, 둘은 약 2억 7천만 개 차이가 납니다.

같은 귀, 다른 입

인코더는 사람들이 그냥 지나치는 부분이지만, 여기서는 구성에서 가장 많은 정보를 주는 줄입니다. 128개의 mel 입력을 받는 1,280차원, 32층, 20헤드 오디오 인코더는 Whisper large 아키텍처이며, 저장소의 파일 이름들은 단순히 비슷해 보이는 것이 아니라 그 계보를 확인시켜 줍니다. 인코더는 또한 Ming의 더 작은 절반입니다: 기존 트랜스포머의 32층인 반면, 디코더는 128개의 전문가를 갖고 토큰당 그중 8개를 라우팅하며 첫 층은 dense로 유지하고 저랭크 투영(q_lora_rank 256, kv_lora_rank 512)으로 어텐션을 압축합니다. 그것은 오디오 프런트 엔드가 덧붙여진 언어 모델이지, 언어 모델이 연결된 ASR 모델이 아닙니다.

Whisper large-v3-turbo는 반대 방향으로 설계됐다. 동일한 인코더에 32개 층에서 4개 층으로 증류된 디코더를 갖춘 것으로, 8억 900만 개 파라미터 수치와 large-v3 대비 약 8배 속도 향상이 여기서 나온다. turbo를 저렴하게 만드는 모든 요소는 디코딩 쪽에 있고, Ming을 비싸게 만드는 모든 요소도 그쪽에 있다.

• 매개변수 — Ming-3.0-asr-tiny는 BF16에서 8.87B이며, 이 중 공급업체는 약 2B를 토큰당 활성으로 내세웁니다. Whisper large-v3-turbo는 809M입니다.

• 디코더 — 24개 레이어, 토큰당 8개가 라우팅되는 128개 전문가, 로우랭크 압축 어텐션. Whisper: 4개 레이어, 덴스, large-v3의 32개 레이어에서 증류됨.

• 오디오 프런트 엔드 — 두 경우 모두 32개 레이어, 1,280차원의 Whisper 형태 인코더로, 이 비교에서 가장 덜 명백한 사실입니다.

• 입력 창 — Ming은 최대 30초까지 3,000개의 멜 프레임을, 그 이상은 6,000개를 받아들이며, 더 긴 오디오는 8,192 위치 컨텍스트에 맞춰 청크로 나뉩니다. Whisper의 수용 영역은 30초이며 청킹은 주변 툴링에서 처리됩니다.

• 출력 — 일반 전사 텍스트 대 문장 수준 및 단어 수준 타임스탬프가 포함된 전사, 그리고 영어 번역.

• 언어 — 중국어와 영어, 15개 지역 중국어 방언 테스트 세트 포함, 99개 언어 대비.

• 라이선스 — Ming의 가중치와 원본 코드에는 MIT, 번들된 Apache-2.0 파일은 자체 헤더를 유지하며, Whisper large-v3-turbo에는 MIT입니다. 이 항목만은 논쟁의 여지가 없습니다.

공급업체의 차트가 보여주는 것, 그리고 그 차트에서 누가 빠져 있는지

Ming의 평가는 전적으로 모델 카드에 있는 네 개의 PNG 차트에 담겨 있습니다. 저장소 텍스트에는 숫자가 전혀 없으며, 차트들은 일률적으로 호의적이지만은 않기 때문에 자세히 읽어볼 가치가 있습니다.

중국어 평균 — AISHELL-1, AISHELL-2, Common Voice 15 중국어, FLEURS 중국어, WenetSpeech에 대한 CER 평균 — 에서 Ming은 3.55점을 기록했으며, 해당 표 전체에서 가장 좋은 수치는 2.94입니다. 영어 평균 — LibriSpeech clean 및 other, Multilingual LibriSpeech, FLEURS 영어, Common Voice 15 영어, VoxPopuli — 에서 Ming은 3.99점을 기록한 반면, 표 내 최고치는 3.69입니다. 15개 방언 평균에서 Ming은 8.42점을 기록한 반면, 표 내 최고치는 8.00입니다. 즉, 벤더 자체 차트에서 Ming은 일관되게 선두권에 가까이 있으면서도 일관되게 1위는 아닙니다.

가장 강해 보이는 부분은 자체 도메인 세트로, CER이 채팅에서 1.62, 정부에서 1.03, 보건에서 1.58, 지식에서 2.49, 지역 생활에서 1.61을 기록합니다. 이 수치들은 가장 신중하게 다뤄야 하는데, 자체 테스트 세트는 비공개 학습 데이터와 알 수 없는 정도의 출처를 공유하며, 모델 카드에는 모델이 무엇으로 학습되었는지 전혀 언급하지 않기 때문입니다.

맥락 ASR 표는 다시 살펴볼 만하다. 이 표의 종합 점수는 Ming을 4.36으로 두어, 4.34의 Qwen3-Omni와 4.23의 Qwen3-ASR-1.7B에는 뒤지고, 6.3의 Gemini 2.5 Pro보다는 앞선다. 이 모델의 대표 기능인 핫워드와 대화 맥락 제공은 자체 비교에서 이 모델을 최고의 맥락 인식 인식기로 만들어 주지 못한다. 그래도 개별 개체명 행에서는 이기며, 특히 개체 거짓 음성률에서 그렇다. 이 지표는 질문이 "몇 글자가 틀렸는가"가 아니라 "이름을 맞혔는가"일 때 중요한 지표다.

이제 이 모든 것이 당신에게 얼마나 가치 있는지를 결정하는 누락 사항: Whisper large-v3-turbo는 네 개의 차트 중 어디에도 나타나지 않습니다. 기준 모델은 Qwen omni 모델, Qwen3-ASR-1.7B, Fun-ASR 1.5 및 FireRedASR2-LLM-8B입니다. 이 글의 두 모델 간에는 공급업체가 보고한 직접 비교가 없으며, 그런 비교가 있다고 주장하는 표는 모두 날조된 것입니다. 위의 모든 수치는 공급업체가 보고한 것이며 독립적으로 재현되지 않았습니다.

Whisper를 여전히 따라갈 수 없는 곳, 그리고 Ming을 따라갈 수 없는 곳

타임스탬프는 명확한 경계입니다. Whisper large-v3-turbo는 텍스트와 함께 문장 수준 및 단어 수준의 타이밍을 반환하며, 자막 생성, 강제 정렬, 화자 분리 파이프라인은 바로 이 출력을 기반으로 구축됩니다. Ming은 단어 수준 타임스탬프와 화자 분리 없이 전사 텍스트만 반환하는데, 카드에서는 이를 누락이 아닌 한계로 명시합니다. 파이프라인에서 특정 단어가 언제 말해졌는지 알아야 한다면, 비교는 거기서 끝입니다. Ming의 점수가 더 나쁘기 때문이 아니라, 해당 출력 자체가 존재하지 않기 때문입니다.

스트리밍은 두 번째 경계입니다. 번들로 제공되는 예제는 스트리밍 입력을 받지 않으며, 모델은 선택적 언어 힌트와 함께 전체 클립을 중심으로 설계되었습니다. Whisper의 생태계는 30초 윈도우를 중심으로 증분 및 저지연 래퍼를 구축하는 데 2년을 쏟았습니다. Ming은 며칠째 공개되어 있지만 그러한 래퍼가 없습니다.

배포가 세 번째입니다. 8억 900만 개 매개변수의 Whisper large-v3-turbo는 소비자용 GPU 한 장에 넉넉히 들어가며, 최적화된 런타임을 통한 CPU 추론 경로도 갖추고 있습니다. Ming은 자체 모델링 파일을 로드하기 위해 CUDA GPU, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, 그리고 trust_remote_code=True가 필요합니다 — 이는 엔지니어링 결정이자 공급망 결정입니다. 약 17.7GB의 BF16 가중치는 노트북으로 내려받을 분량이 아닙니다.

Ming이 앞서는 지점은 컨텍스트 모드가 존재하는 이유 전체에 있습니다. 바로 Whisper가 잘 처리하지 못하는 방언 범위를 포함한 중국어 음성, 그리고 미리 나열할 수 있는 이름, 직함, 도메인 전문용어가 빽빽하게 들어간 짧은 발화입니다. 고정된 커밋이 있는 SGLang 어댑터를 통한 별도의 서빙 경로가 존재하는데, 이는 벤더가 이것을 단지 스크립트로 실행하는 것이 아니라 서빙할 것으로 기대한다는 것을 시사합니다.

이를 실제 결정에 적용하기

오디오가 영어이거나, 다국어이거나, 타이밍이 포함된 자막이 필요하거나, 내일 CPU 장비에서 돌아가는 무언가를 원한다면, 답은 Whisper large-v3-turbo이며 그 격차는 크습니다. 2년간의 프로덕션 사용, 런타임 생태계, 그리고 이미 모든 것이 소비하는 출력 형식은 벤더 차트의 CER 몇 점보다 더 가치가 있습니다.

오디오가 만다린 중국어나 지역 방언이고, 클립이 짧으며, 클립에 등장할 이름들을 모두 열거할 수 있다면, Ming-3.0-asr-tiny는 한 번 비교 평가해 볼 가치가 있습니다. 하지만 그건 비교 평가일 뿐입니다. 다운로드 수는 35회입니다. 연구실 밖에서는 이 모델의 실패 모드를 발표한 사람이 아무도 없습니다. 즉, 그 실패 모드를 발견하게 될 사람은 바로 당신입니다.

매개변수 수를 어느 방향으로든 품질의 신호로 해석해서는 안 됩니다. Ming은 turbo보다 8배 더 크지만, 공유된 독립 측정 축에서는 turbo를 앞서지 못합니다. 공유된 축이 측정된 적이 없기 때문입니다. 88억 7천만 개의 매개변수는 언어 모델 하나 분량의 문맥적 사전 지식과 방언에 대한 베팅을 사는 것이지, 문서로 입증된 정확도 우위를 사는 것이 아닙니다.

본인의 오디오로 비교 실행하기

두 모델 모두 현재 OrcaRouter 카탈로그에 없으므로, 이 섹션을 솔직하게 말하자면 해당 모델은 벤더 자체 저장소에서 받아 직접 실행하게 될 것입니다. 여기서 라우팅 계층이 유용한 부분은 그다음 단계입니다. 기존 모델이 나머지 트래픽을 계속 처리하는 동안 실제 트래픽의 일부를 후보 모델로 보내고, 새 경로가 실패하면 자동으로 페일오버하며, 200개 이상의 모델에 하나의 API 키를 사용해 두 번째 의견을 추가하는 일이 두 번째 계약을 의미하지 않게 하는 것입니다. OrcaRouter는 제공업체 정가를 0% 마크업으로 그대로 전달합니다. 이는 직접 호스팅하는 오픈 가중치에는 덜 중요하고, 그와 비교해 벤치마크할 호스팅 모델에는 더 중요합니다.

실행해 볼 가치가 있는 테스트는 반나절이면 됩니다: 자체 코퍼스에서 가져온 클립 200개, 그중 절반에 고유 명사 포함, 수작업 채점. Ming에게는 hotword 목록을 주고 Whisper large-v3-turbo에는 같은 이름들을 prompt 필드에 넣으세요. 문자 오류율이 아니라 명명된 개체 재현율을 비교하세요. 그것이 바로 Ming이 실제로 겨냥해 만들어진 축이자 벤더의 컨텍스트 표가 보고하는 축이기 때문입니다. 그다음 타임스탬프 격차가 감내 가능한지 결정하세요 — 대부분의 파이프라인에서는 그렇지 않을 것입니다.

이 평결을 바꿀 수 있는 것은 무엇인가요

두 가지입니다. 공유 테스트 세트에 대한 독립적인 평가는 어느 벤더도 답하지 않은 정확도 문제를 해결해 줄 것이고, 누구나 실행할 수 있습니다. 그리고 릴리스 발표 — 학습 데이터에 대한 성명, 명시된 출시일, 타임스탬프 로드맵을 포함한 — 는 Ming을 유망한 구성의 체크포인트에서 계획을 세울 수 있는 제품으로 바꿔 놓을 것입니다. 그때까지 올바른 설명은 매력적이지 않은 것입니다: 잘 문서화된 가중치 세트가 조용히 배포되었고, 그 안에 Whisper 인코더가 있으며, 아직 연구소 밖에는 그것이 어떻게 실패하는지 알려줄 수 있는 사람이 없습니다.