Ming-3.0-asr-tiny vs Whisper large-v3-turbo: de encoder van Whisper, een andere mond

Open het configuratiebestand voor Ming-3.0-asr-tiny en de audiotoren leest je terug: 1.280 verborgen dimensies, 32 encoderlagen, 20 attention-heads, 128 mel-bins. Dat zijn de dimensies van de encoder van Whisper large-v3, en de repository zegt dat ronduit — er zit een bestand bij met de naam modeling_whisper_encoder.py en bewaart de MIT-vermelding van OpenAI in een apart WHISPER_LICENSE. Dit is dus geen verhaal over twee ongerelateerde spraakstacks. Ming-3.0-asr-tiny is een op het Chinees gerichte spraakherkenner die de oren van Whisper hield en de mond verving: een 24-laagse mixture-of-experts-decoder, 8,87 miljard parameters volgens de safetensors-index, geconditioneerd op hotwords en voorafgaande dialoog. Whisper large-v3-turbo is de distillatie met 809 miljoen parameters die dezelfde encoder behield en de decoder van 32 lagen naar vier terugbracht. Elk Ming-getal in dit artikel komt uit één bron, en dat is de Ming-3.0-asr-tiny-modelkaart op Hugging Face, die de gewichten, de config, de vier evaluatiegrafieken en een filmasset van de release bevat die op vandaag is gedateerd. De baseline met 809 miljoen parameters, 99 talen en MIT-licentie is gedocumenteerd op de Whisper large-v3-turbo-modelkaart, samen met het gedrag rond woordtijdstempels en vertaling waar deze vergelijking steeds op terugkomt. De gedocumenteerde AI-fouten en agent-incidenten achter releases als deze zijn verzameld in het OrcaRouter AI Incident Archive waar elke vermelding zijn eigen bronnen, ernst, betrouwbaarheidsgraad en betwistvlag heeft.

Als je het korte antwoord wilt voordat de details komen: ze zijn geen vervangers voor elkaar. Whisper large-v3-turbo levert tijdstempels, vertaalt naar het Engels, dekt 99 talen en draait op hardware die geen CUDA-GPU is. Ming-3.0-asr-tiny levert alleen platte tekst en niets anders, dekt Chinees en Engels met een serieuze inzet op regionale dialecten, en vereist een recente PyTorch- en Transformers-stack met remote code execution ingeschakeld. De overlap is Chinese transcriptie van korte clips, en zelfs daar zijn de twee nooit door iemand tegen elkaar afgezet.

Wat er werd uitgebracht, en hoe geruisloos

De Hugging Face-repository voor Ming-3.0-asr-tiny is op 14 oktober 2026 aangemaakt. Toen dit werd geschreven, toonde deze 35 downloads en één like. De bijbehorende GitHub-repository heeft 20 commits, één ster, geen forks en een leeg tabblad Releases. Er is geen blogbericht van de leverancier, geen persaandacht en geen aankondiging van welke aard dan ook — de modelkaart is de aankondiging.

De kaart vermeldt ook geen releasedatum. Het enige signaal over de datering in de repository is een filmbestand voor de release dat is opgeslagen onder een pad met media-2026-10-19, dat van vandaag is. Behandel de weights als dagen oud en de aankondiging als nog niet gedaan, in plaats van als een productlancering die je hebt gemist.

Wat de repository wel vaststelt, buiten elke twijfel, is de vorm van het ding dat je zou downloaden: 8,87 miljard parameters verdeeld over twee safetensors-shards in BF16, een vocabulaire van 157.184 tokens, een tekstdecoder met 24 lagen, een audio-encoder met 32 lagen, en een asr_output_format-veld dat ingesteld is op plain. De eigen benchmarkgrafieken van de repository labelen het model als 8.6B-A2B, wat een leveranciersafkorting is voor ruwweg 2 miljard parameters die per token actief zijn; de safetensors-index is het hardere getal, en de twee verschillen ongeveer 270 miljoen.

Zelfde oren, andere mond

De encoder is het onderdeel waar mensen overheen kijken, en hier is het de meest informatieve regel in de config. Een audio-encoder van 1.280 dimensies, 32 lagen en 20 heads met 128 mel-inputs is de Whisper large-architectuur, en de bestandsnamen in de repository bevestigen de afkomst in plaats van er alleen maar op te lijken. De encoder is ook de kleinere helft van Ming: 32 lagen van een conventionele transformer tegenover een decoder met 128 experts, die er acht per token routeert, de eerste laag dense houdt en attention comprimeert met low-rank-projecties (q_lora_rank 256, kv_lora_rank 512). Dat is een taalmodel met een audio-front-end eraan vastgeschroefd, niet een ASR-model met een taalmodel eraan gekoppeld.

Whisper large-v3-turbo ging de andere kant op. Het is dezelfde encoder met een decoder die van 32 lagen naar vier is gedistilleerd, en daar komen het aantal van 809 miljoen parameters en de ruwweg achtvoudige versnelling ten opzichte van large-v3 vandaan. Alles wat turbo goedkoop maakt, zit aan de decodeerkant; alles wat Ming duur maakt, zit daar ook.

• Parameters — Ming-3.0-asr-tiny 8,87B in BF16, waarvan de leverancier ongeveer 2B per token als actief bestempelt. Whisper large-v3-turbo 809M.

• Decoder — 24 lagen, 128 experts waarvan er 8 per token worden gerouteerd, laag-rangige gecomprimeerde attention. Whisper: 4 lagen, dense, gedistilleerd uit de 32 van large-v3.

• Audiofront-end — een 32-laags, 1.280-dimensionale encoder in Whisper-vorm in beide gevallen, wat het minst voor de hand liggende feit in deze vergelijking is.

• Invoervenster — Ming verwerkt tot 30 seconden 3.000 mel-frames en daarbuiten 6.000, waarbij langere audio wordt opgedeeld aan de hand van een context van 8.192 posities. Het receptieve veld van Whisper is 30 seconden en het opsplitsen wordt door de omringende tooling afgehandeld.

• Uitvoer — platte transcriptietekst versus transcriptie plus tijdstempels op zins- en woordniveau, plus vertaling naar het Engels.

• Talen — Chinees en Engels, met 15 regionale Chinese dialecttestsets, tegenover 99 talen.

• Licentie — MIT voor Ming's gewichten en originele code, waarbij meegeleverde Apache-2.0-bestanden hun eigen headers behouden; MIT voor Whisper large-v3-turbo. Dit is de enige rij waar niets over te twisten valt.

Wat de grafieken van de leverancier laten zien, en wie daarin ontbreken

Ming's evaluatie staat volledig in vier PNG-grafieken op de modelkaart. De repositorytekst bevat helemaal geen cijfers, en de grafieken zijn nauwkeurig lezen waard omdat ze niet onverdeeld flatteus zijn.

Op het Chinese gemiddelde — een CER-gemiddelde over AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese en WenetSpeech — scoort Ming 3,55, en het beste cijfer in die hele tabel is 2,94. Op het Engelse gemiddelde — LibriSpeech clean and other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English en VoxPopuli — scoort Ming 3,99 tegen een beste waarde in de tabel van 3,69. Op het gemiddelde over 15 dialecten scoort Ming 8,42 tegen een beste waarde in de tabel van 8,00. Met andere woorden: op de eigen grafieken van de leverancier staat Ming steeds dicht bij de kop van het veld en steeds niet op de eerste plaats.

Waar het het sterkst lijkt, zijn de interne domeinsets, waar de CER 1,62 bedraagt voor chat, 1,03 voor overheid, 1,58 voor gezondheid, 2,49 voor kennis en 1,61 voor lokaal leven. Dat zijn de cijfers die het zorgvuldigst moeten worden behandeld, omdat interne testsets een onbekende hoeveelheid herkomst gemeen hebben met niet-openbaar gemaakte trainingsdata, en de kaart niets zegt over waarop het model is getraind.

De context-ASR-tabel is degene die een tweede blik verdient. De geaggregeerde score plaatst Ming op 4,36, achter Qwen3-Omni op 4,34 en Qwen3-ASR-1.7B op 4,23, en voor Gemini 2.5 Pro op 6,3. De belangrijkste functie van het model — het voeden met hotwords en dialoogcontext — maakt het niet de beste contextbewuste recognizer in zijn eigen vergelijking. Het wint wel afzonderlijke named-entityrijen, met name op het false-negatiefpercentage voor entiteiten, de metriek die ertoe doet wanneer de vraag is "heeft het de naam goed" in plaats van "hoeveel tekens waren fout".

Nu de omissie die bepaalt hoeveel al dit alles voor jou waard is: Whisper large-v3-turbo komt in geen van de vier grafieken voor. De baselines zijn Qwen omni-modellen, Qwen3-ASR-1.7B, Fun-ASR 1.5 en FireRedASR2-LLM-8B. Er is geen door de leverancier gerapporteerde rechtstreekse vergelijking tussen de twee modellen in dit artikel, en elke tabel die er een claimt, heeft die verzonnen. Elk cijfer hierboven is door de leverancier gerapporteerd en is niet onafhankelijk gereproduceerd.

Waar Whisper nog steeds niet gevolgd kan worden, en waar Ming niet kan.

Tijdstempels zijn de harde grens. Whisper large-v3-turbo levert timing op zins- en woordniveau samen met de tekst, en daar bouwen pipelines voor ondertiteling, geforceerde alignering en diarisatie op voort. Ming levert transcriptietekst zonder tijdstempels op woordniveau en zonder sprekerdiarisatie, en de kaart vermeldt dit als een beperking in plaats van een weglating. Als je pipeline moet weten wanneer een woord is gezegd, houdt de vergelijking daar op — niet omdat Ming slechter scoorde, maar omdat de uitvoer niet bestaat.

Streaming is de tweede grens. Het meegeleverde voorbeeld accepteert geen streaming-invoer, en het model is ontworpen rond volledige clips met een optionele taalaanwijzing. Het ecosysteem van Whisper heeft twee jaar besteed aan het bouwen van incrementele en low-latency wrappers rond een venster van 30 seconden; Ming is al dagen openbaar en heeft die niet.

Deployment is de derde. Whisper large-v3-turbo met 809 miljoen parameters past comfortabel op één consumenten-GPU en heeft CPU-inferentiepaden via geoptimaliseerde runtimes. Ming heeft een CUDA-GPU nodig, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, en trust_remote_code=True om het eigen modelbestand te laden — wat net zozeer een beslissing over de toeleveringsketen is als een technische. Ongeveer 17,7 GB aan BF16-gewichten is geen download voor een laptop.

Waar Ming voorloopt, is alles waarvoor de contextmodus bestaat: Chinese spraak met dialectdekking die Whisper slecht verwerkt, en korte uitingen vol namen, titels en domeinjargon die je vooraf kunt opgeven. Er bestaat een afzonderlijk serverpad via een SGLang-adapter met een vastgepinde commit, wat erop wijst dat de leverancier verwacht dat dit geserveerd wordt in plaats van alleen als script te worden uitgevoerd.

Dit toepassen op een echte beslissing

Als je audio Engels is, of meertalig, of je hebt ondertitels met timing nodig, of je wilt morgen iets op een CPU-box laten draaien, dan is het antwoord Whisper large-v3-turbo, en geen enkele andere komt in de buurt. Twee jaar productiegebruik, een ecosysteem van runtimes en een uitvoerformaat dat alles al gebruikt, zijn meer waard dan een paar CER-punten op een leveranciersgrafiek.

Als je audio Mandarijn of een regionaal dialect is, als je clips kort zijn en als je de namen kunt opsommen die erin voorkomen, dan is Ming-3.0-asr-tiny een bake-off waard — maar alleen een bake-off. Het heeft 35 downloads. Niemand buiten het lab heeft een faalmodus ervoor gepubliceerd, wat betekent dat jij degene zou zijn die ze ontdekt.

Lees het aantal parameters niet als een kwaliteitssignaal, in geen van beide richtingen. Ming is acht keer groter dan turbo en verslaat het op geen enkele gedeelde, onafhankelijk gemeten as, omdat er geen gedeelde as is gemeten. De 8,87 miljard parameters leveren een contextuele prior op ter grootte van een taalmodel en een dialectweddenschap, geen gedocumenteerde nauwkeurigheidswinst.

De vergelijking uitvoeren met je eigen audio

Geen van beide modellen staat vandaag in de OrcaRouter-catalogus, dus de eerlijke versie van dit onderdeel is dat je ze uit de eigen repository van de leverancier zou halen en zelf zou draaien. Waar een routeringslaag hier goed voor is, is het deel daarna: een deel van je echte verkeer door een kandidaatmodel laten lopen terwijl het huidige model de rest blijft bedienen, met automatische failover als het nieuwe pad faalt, en één API-sleutel voor meer dan 200 modellen, zodat een tweede mening toevoegen niet een tweede contract betekent. OrcaRouter geeft de lijstprijzen van providers door met 0% opslag, wat minder uitmaakt voor open-weightmodellen die je zelf host en meer voor de gehoste modellen waarmee je ze zou benchmarken.

De test die de moeite waard is om uit te voeren, kost een middag: 200 clips uit je eigen corpus, waarvan de helft een eigennaam bevat, met de hand gescoord. Geef Ming de hotwordlijst en geef Whisper large-v3-turbo dezelfde namen in het promptveld. Vergelijk de recall van benoemde entiteiten in plaats van het karakterfoutpercentage, want dat is de as waarvoor Ming eigenlijk is gebouwd en degene die de contexttabel van de leverancier rapporteert. Beslis dan of de tijdstempelkloof te overleven is — wat voor de meeste pipelines niet zo zal zijn.

Wat zou deze uitspraak veranderen?

Twee dingen. Een onafhankelijke evaluatie op een gedeelde testset zou de nauwkeurigheidsvraag beslechten die geen van beide leveranciers heeft beantwoord, en iedereen kan die uitvoeren. En een releaseaankondiging — met een verklaring over de trainingsgegevens, een vastgelegde releasedatum en een roadmap met tijdstippen — zou van Ming een checkpoint met een veelbelovende configuratie omvormen tot een product waarop je kunt plannen. Tot dan is de juiste beschrijving de weinig glamoureuze: een goed gedocumenteerde set gewichten, stilletjes uitgebracht, met een Whisper-encoder erin en nog niemand buiten het lab die je kan vertellen hoe het faalt.