Ming-3.0-asr-tiny vs NVIDIA Parakeet TDT 0.6B: een uitdager met 35 downloads ontmoet een gevestigde met 626.000 downloads

De downloadtellers zijn het eerste waar je naar moet kijken, want ze beschrijven een kloof die geen enkele benchmark in dit artikel kan dichten. NVIDIA Parakeet TDT 0.6B v3staat op meer dan 626.000 downloads en 1.200 likes op Hugging Face, uitgebracht op 14 augustus 2025 en meegeleverd in de NeMo-toolkit, een native C++-runtime en een Transformers-pad dat mensen daadwerkelijk gebruiken. Ming-3.0-asr-tinystaat op 35 downloads en een handvol likes, met gewichten die op 14 oktober 2026 verschenen en geen aankondiging van zijn leverancier. De ene is infrastructuur. De andere is een checkpoint van vijf dagen oud. Maar de twee zijn het vergelijken waard, want ze lossen verschillende problemen op en het interessante deel is dat Parakeet TDT 0.6B v3 het probleem van Ming — Chinese dialecten en hotwords — niet probeert aan te pakken.Elk Parakeet-getal hier, inclusief het aantal downloads van 626.738, is afkomstig uit de modelkaart van NVIDIA Parakeet TDT 0.6B v3, die ook de Open ASR-tabel en de MUSAN-ruissweep bevat.De gedocumenteerde AI-fouten en agentincidenten achter releases zoals deze zijn verzameld in het OrcaRouter AI Incident Archivewaarbij elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistingsmarkering heeft.

De kaart van NVIDIA is ongewoon compleet naar de maatstaven van de gebruikelijke onderwerpen van deze blog: een volledige Open ASR-tabel, een sweep voor ruisbestendigheid, een uitsplitsing per taal over 25 Europese talen, en een vermelde releasedatum. De kaart van Ming bestaat uit vier PNG-grafieken en geen technisch rapport. Dat verschil in documentatie is op zichzelf al een bevinding, en het hoort naast de nauwkeurigheidscijfers in de beslissing te worden meegenomen.

Twee decoders die allebei geen taalmodel zijn

Parakeet TDT 0.6B v3 is een FastConformer-encoder met een Token-and-Duration Transducer-decoder — 600 miljoen parameters, mono-invoer van 16 kHz, leestekens en hoofdlettergebruik in de uitvoer. TDT is de reden dat het snel is: in plaats van één token per frame uit te voeren, voorspelt de transducer zowel een token als een duur, waardoor het model frames kan overslaan en meerdere tegelijk kan opschuiven. Het is geen encoder-only CTC-model zoals IBM's Granite Speech-lijn, en het is geen taalmodel met een audio-frontend zoals Ming. Het is de tussenweg, en het is al lang genoeg de tussenweg om saai te zijn, en dat is een compliment.

Ming-3.0-asr-tiny is de tegenovergestelde gok. De decoder bestaat uit 24 lagen mixture-of-experts — 128 experts, acht per token gerouteerd, één gedeelde, de eerste laag dense — en wisselt drie Kimi Delta Attention-lagen af met één Gated MLA-laag. De encoder bestaat uit 32 lagen van 1.280 dimensies met 20 heads en 128 mel-bins, dezelfde vorm als Whisper large-v3, en de repository levert modeling_whisper_encoder.py mee, samen met de MIT-vermelding van OpenAI om de afstamming expliciet te maken. Het model telt volgens de safetensors-index 8,87 miljard parameters, waarvan er per token ongeveer 2 miljard actief zijn.

Dat maakt de parametervergelijking scheef op een manier die zich niet vertaalt naar nauwkeurigheid: 8,87 miljard in totaal tegenover 600 miljoen, en ruwweg 2 miljard actief tegenover een dense 600 miljoen. Ming is een taalmodel met een microfoon. Parakeet is een spraakmodel dat heeft leren lezen.

De dingen die Parakeet doet maar Ming niet

Drie capaciteiten onderscheiden hen nog voordat er over nauwkeurigheid wordt gesproken, en alle drie staan ze op de kaarten vermeld in plaats van dat ze eruit worden afgeleid.

De eerste is tijdstempels. Parakeet TDT 0.6B v3 levert timing op teken-, woord- en segmentniveau via zowel zijn NeMo- als zijn Transformers-pad, en de kaart toont de aanroep die deze oplevert. Op die ene mogelijkheid zijn ondertitelgeneratie, forced alignment, diarisatie van vergaderingen en elke interface met "spring naar het moment waarop dit werd gezegd" gebouwd. In de gebruiksnotities van Ming staat dat de uitvoer transcriptietekst is zonder tijdstempels op woordniveau of sprekerdiarisatie. Dit is geen hiaat in een benchmark; het is de afwezigheid van een uitvoerveld.

Het tweede is lange audio. Parakeet handelt dat af via local attention: het eigen recept van de kaart vervangt dit door local attention met relatieve posities, met een context van 256 frames aan weerszijden voor transcriptie van lange audio, en NVIDIA documenteert limieten van ongeveer 24 minuten met full attention op een A100 van 80 GB en drie uur met local attention. Ming accepteert een context van 8.192 posities en splitst langere audio in chunks via een commandoregelargument, wat een werkbare maar andere soort oplossing is.

Het derde is het ecosysteem. Parakeet draait in NeMo, in een Transformers-pad met AutoModelForTDT, en in een gequantiseerde GGUF via NeMo-Speech.cpp zonder Python tijdens runtime. Ming vereist Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA en trust_remote_code=True, plus een apart vastgezette SGLang-adapter als je het wilt serveren. Op een machine zonder GPU is dat verschil beslissend nog voordat er ook maar één WER-getal wordt gelezen.

Lees die lijst naast Ming's card, en de vergelijking gaat niet meer over nauwkeurigheid. Elke regel erin is een capaciteit waarvan Ming's repository expliciet zegt dat die er niet is, door NVIDIA als een functie genoemd en door inclusionAI als een beperking.

Wat elke leverancier heeft gemeten, en op basis waarvan

De Engelse cijfers van Parakeet zijn afkomstig van de openbare sets van het Open ASR-leaderboard: 6,34% gemiddelde WER, met 1,93% op LibriSpeech test-clean, 3,59% op test-other, 11,31% op AMI, 11,42% op Earnings-22, 9,59% op GigaSpeech, 3,97% op SPGI Speech, 2,75% op TED-LIUM en 6,14% op VoxPopuli.

Het meertalige verhaal is dunner dan de talenlijst doet vermoeden, en dit is het waard om ronduit te zeggen omdat de kaart dat niet doet. De 25 talen zijn echt, maar de gepubliceerde meertalige evaluatie bestaat uit FLEURS-, MLS- en CoVoST-gemiddelden — 11,97%, 7,83% en 11,98% — en de Open ASR-tabel hierboven is alleen Engels. Een team dat dit voor Pools of Fins evalueert, krijgt een FLEURS-getal per taal en helemaal geen evaluatie op lange uitingen of met ruis in die taal.

Ruisbestendigheid is waar deze kaart zijn nut bewijst. Over MUSAN-ruis bij aflopende signaal-ruisverhoudingen loopt de gemiddelde WER van 6,34 onder schone omstandigheden naar 7,12 bij 10 dB, 8,23 bij 5 dB, 11,66 bij 0 dB en 19,88 bij −5 dB — een relatieve verslechtering die NVIDIA op het slechtste punt als −213,64% opgeeft. Dat is een echte curve, op openbare data, en die vertelt je iets wat één enkel nauwkeurigheidscijfer niet kan: onder ongeveer 5 dB verslechtert dit model sneller dan lineair.

De cijfers van Ming zijn daarentegen een Chinese gemiddelde CER van 3,55, een Engelse gemiddelde WER van 3,99, een gemiddelde over vijftien dialecten van 8,42, een intern gemiddelde over vijf domeinen van 1,67 en een geaggregeerde context-ASR-score van 4,36. Allemaal door de leverancier gerapporteerd, allemaal niet gereproduceerd, en geen ervan op een gedeelde testset met Parakeet. Op de enige set die beide rapporteren — LibriSpeech test-clean — publiceert Ming geen cijfer per set in proza, alleen het Engelse gemiddelde over vijf sets, dus de vergelijking kan helemaal niet worden gemaakt op basis van de kaarten.

Licenties zijn hier niet gelijkwaardig

De gewichten en de originele code van Ming vallen onder MIT, waarbij meegeleverde Apache-2.0-bestanden hun eigen headers behouden en de op Whisper gebaseerde encoder OpenAI's MIT-vermelding behoudt. Parakeet TDT 0.6B v3 valt onder CC BY 4.0, wat commercieel gebruik met naamsvermelding toestaat. Beide zijn permissief; geen van beide is een valstrik. Het praktische verschil zit in de naamsvermeldingsformulering in je productdocumentatie, niet in juridisch risico.

Wat het vermelden waard is, is dat de licentie op de repository van Ming ruimer is dan het distributieverhaal ervan. MIT-gewichten waarvoor trust_remote_code=True en een vastgepinde set afhankelijkheden nodig zijn, zijn permissief om te gebruiken en onhandig om uit te rollen, en de twee feiten staan los van elkaar.

De contextfunctie is het enige echte onderscheidende kenmerk

Parakeet TDT 0.6B v3 heeft geen prompt, geen hotwordlijst en geen manier om de namen aan te leveren die in de audio voorkomen. Het transcribeert wat het hoort met behulp van wat het heeft geleerd in 25 Europese talen, en voor domeinwoordenschat is de gedocumenteerde route fine-tuning, niet conditionering. NVIDIA levert ook een chunked-streaming-script met configureerbare linker- en rechtercontext, wat een hulpmiddel voor latentie is en niet voor nauwkeurigheid.

Ming accepteert hotwords of de voorafgaande dialoogbeurt als onderdeel van de transcriptieprompt, en de dialectdekking — vijftien Chinese testsets, waaronder Kantonees, Minnan en Shanghainees, met een gemiddelde van 8,42 — is een capaciteit die Parakeet helemaal niet claimt. Als je audio Mandarijn is, of een regionale variant daarvan, of een Chinese zakelijk telefoongesprek vol productnamen, dan is Parakeet geen kandidaat en is Ming de enige van de twee die nog op tafel ligt. Dat is een echt, specifiek, controleerbaar voordeel, en het is de reden dat deze vergelijking bestaat in plaats van te worden beslecht door de downloadteller.

De kanttekening is dat hotwords hints zijn. Mings kaart zegt dat direct: het opgeven van een term vergroot de kans dat die wordt geproduceerd en garandeert het niet. Iedereen die keyword biasing op een ASR-systeem heeft gebruikt, kent de faalmodus — het model begint het hotword te horen in audio die het niet bevat. Test dat voordat je erop vertrouwt.

Wat te doen met dit

Als je Engelse transcriptie met tijdsaanduiding nodig hebt, op hardware die je al bezit, met een runtime die geen Python-omgeving vereist, dan is Parakeet TDT 0.6B v3 het veilige antwoord, en het aantal downloads is geen ijdelheid — het is een maatstaf voor hoeveel faalmodi andere mensen al hebben gevonden en opgeschreven.

Als je Chinees, dialecten of hotword-conditionering nodig hebt, is Ming-3.0-asr-tiny de enige van de twee die het werk kan doen; het is oprecht vernieuwend in die niche, en het is vijf dagen oud met vrijwel geen externe tests. De juiste houding is een bake-off op je eigen corpus, waarbij de tijdstempelkloof als een harde beperking wordt behandeld in plaats van als een afweging: als je downstreamsysteem woordtimings gebruikt, is de evaluatie voorbij voordat ze begint.

Voor teams die die bake-off in een productieomgeving uitvoeren, belandt de vergelijking meestal in een router in plaats van in een spreadsheet — één endpoint vóór zelfgehoste kandidaten, automatische failover zodat een mislukte aanvraag terugvalt op de huidige aanbieder, en één sleutel voor meer dan 200 gehoste modellen in plaats van een tweede contract voor elke vergelijking. Noch Ming-3.0-asr-tiny noch NVIDIA Parakeet TDT 0.6B v3 staat in de catalogus van OrcaRouter, dus geen van beide is iets wat wij aanbieden; de routeringslaag verdient haar plek rondom hen, niet via hen.

De asymmetrie die maar niet verdwijnt

Het ene model heeft een releasedatum, een arXiv-achtig documentatiespoor, een leaderboardinzending, een ruis-sweep en een tabel per taal. Het andere heeft vier grafieken, een configuratiebestand, een commitlog en een releasefilm. Dat is geen kritiek op Ming's engineering — de architectuur is ambitieuzer dan die van Parakeet en de dialectweddenschap is reëel — maar documentatie is wat van een checkpoint iets maakt dat een team kan adopteren zonder de QA-afdeling van de leverancier te worden.

Het nuttigste dat elk van beide leveranciers hierna zou kunnen publiceren, is hetzelfde: een gedeelde evaluatie op Chinese en Engelse audio, beoordeeld door een derde partij, waarbij zowel tijdstempels als woorden worden gemeten. Zolang die niet bestaat, berust de beslissing op capaciteitsgrenzen die al gedocumenteerd zijn — timing, streaming, hardware, talen, hotwords — en die grenzen zijn scherp genoeg om een keuze op te baseren.