Ming-3.0-asr-tiny vs NVIDIA Parakeet TDT 0.6B: pretendent z 35 pobraniami mierzy się z dotychczasowym liderem z 626 000 pobrań

Liczniki pobrań to pierwsza rzecz, na którą warto spojrzeć, ponieważ opisują przepaść, której żaden benchmark w tym artykule nie zasypie. NVIDIA Parakeet TDT 0.6B v3 ma ponad 626 000 pobrań i 1200 polubień na Hugging Face, został wydany 14 sierpnia 2025 r. i jest dostarczany w zestawie NeMo toolkit, natywnym środowisku uruchomieniowym C++ oraz ścieżce Transformers, której ludzie faktycznie używają. Ming-3.0-asr-tiny ma 35 pobrań i garść polubień, z wagami, które pojawiły się 14 października 2026 r., i bez ogłoszenia od dostawcy. Jedno z nich to infrastruktura. Drugie to pięciodniowy checkpoint. Ale warto je porównać, ponieważ rozwiązują różne problemy, a ciekawe jest to, że problem Minga — chińskie dialekty i hotwords — jest tym, którego Parakeet TDT 0.6B v3 nawet nie próbuje rozwiązać.Każda liczba dotycząca Parakeet w tym tekście, w tym liczba 626 738 pobrań, pochodzi z karty modelu NVIDIA Parakeet TDT 0.6B v3, która zawiera również tabelę Open ASR i przegląd szumu MUSAN.Udokumentowane awarie AI i incydenty związane z agentami, które stały za premierami takimi jak ta, są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis ma własne źródła, poziom dotkliwości, ocenę pewności i flagę sporu.

Karta NVIDIA jest nietypowo kompletna jak na standardy zwykłych tematów tego bloga: pełna tabela Open ASR, przegląd odporności na szum, zestawienie według języków obejmujące 25 języków europejskich oraz podana data wydania. Karta Ming to cztery wykresy PNG i brak raportu technicznego. Sama ta różnica w dokumentacji jest ustaleniem i należy ją uwzględnić w decyzji obok liczb dotyczących dokładności.

Dwa dekodery, z których żaden nie jest modelem językowym

Parakeet TDT 0.6B v3 to enkoder FastConformer z dekoderem Token-and-Duration Transducer — 600 milionów parametrów, wejście mono 16 kHz, interpunkcja i wielkie litery na wyjściu. TDT jest powodem, dla którego jest szybki: zamiast emitować jeden token na ramkę, transducer przewiduje zarówno token, jak i czas trwania, dzięki czemu model może pomijać ramki i przesuwać się o kilka naraz. Nie jest to model CTC oparty wyłącznie na enkoderze, jak linia Granite Speech od IBM, ani model językowy z front-endem audio, jak Ming. To przypadek pośredni i pozostaje nim wystarczająco długo, by stać się nudny, co jest komplementem.

Ming-3.0-asr-tiny to zakład w drugą stronę. Jego dekoder to 24 warstwy mixture-of-experts — 128 ekspertów, ośmiu kierowanych na token, jeden współdzielony, pierwsza warstwa gęsta — ułożone naprzemiennie: trzy warstwy Kimi Delta Attention i jedna warstwa Gated MLA. Jego enkoder ma 32 warstwy o wymiarze 1 280, 20 głowic i 128 binów mel, co odpowiada architekturze Whisper large-v3, a repozytorium dostarcza modeling_whisper_encoder.py z notą licencyjną MIT OpenAI, aby jawnie wskazać pochodzenie. Model ma 8,87 miliarda parametrów według swojego indeksu safetensors, z czego około 2 miliardy są aktywne na token.

To sprawia, że porównanie parametrów jest jednostronne w sposób, który nie przekłada się na dokładność: 8,87 miliarda łącznie wobec 600 milionów i około 2 miliardy aktywnych wobec gęstych 600 milionów. Ming to model językowy noszący mikrofon. Parakeet to model mowy, który nauczył się czytać.

To, co Parakeet robi, a czego Ming nie robi

Trzy zdolności odróżniają je, zanim omówiona zostanie dokładność, i wszystkie trzy są udokumentowane na kartach, a nie wywnioskowane.

Pierwsza rzecz to znaczniki czasu. Parakeet TDT 0.6B v3 zwraca synchronizację na poziomie znaków, słów i segmentów zarówno przez ścieżki NeMo, jak i Transformers, a karta modelu pokazuje wywołanie, które je generuje. Na tej jednej możliwości opierają się generowanie napisów, wymuszone wyrównanie, diaryzacja spotkań oraz każdy interfejs typu „przejdź do momentu, w którym to powiedziano”. Notatki o użyciu Ming stwierdzają, że wynikiem jest tekst transkrypcji bez znaczników czasu na poziomie słów i bez diaryzacji mówców. To nie jest luka w benchmarku; to brak pola wyjściowego.

Drugi przypadek to długie audio. Parakeet radzi sobie z nim dzięki lokalnej uwadze — własny przepis karty modelu zastępuje ją lokalną uwagą z pozycjami względnymi i kontekstem 256 ramek po każdej ze stron na potrzeby transkrypcji długich nagrań, a NVIDIA podaje limity wynoszące około 24 minuty przy pełnej uwadze na A100 80 GB i trzy godziny przy lokalnej uwadze. Ming akceptuje kontekst 8,192 pozycji i dzieli dłuższe audio na fragmenty za pomocą argumentu wiersza poleceń, co jest wykonalnym, ale innym rodzajem odpowiedzi.

Trzeci to ekosystem. Parakeet działa w NeMo, w ścieżce Transformers z AutoModelForTDT, a także w skwantyzowanym GGUF przez NeMo-Speech.cpp bez Pythona w czasie działania. Ming wymaga Pythona 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA oraz trust_remote_code=True, a do tego osobno przypiętego adaptera SGLang, jeśli chcesz go udostępniać. Na maszynie bez GPU ta różnica jest rozstrzygająca, zanim w ogóle odczyta się jakąkolwiek wartość WER.

Skonfrontuj tę listę z kartą Minga, a porównanie przestaje być kwestią dokładności. Każda pozycja na niej to zdolność, o której repozytorium Minga wyraźnie mówi, że jej nie ma — określona przez NVIDIA jako funkcja, a przez inclusionAI jako ograniczenie.

Co każdy dostawca zmierzył i na czym

Wyniki Parakeeta dla języka angielskiego pochodzą z publicznych zestawów rankingowych Open ASR: średnio 6,34% WER, w tym 1,93% na LibriSpeech test-clean, 3,59% na test-other, 11,31% na AMI, 11,42% na Earnings-22, 9,59% na GigaSpeech, 3,97% na SPGI Speech, 2,75% na TED-LIUM i 6,14% na VoxPopuli.

Jego historia wielojęzyczności jest uboższa, niż sugeruje lista języków, i warto to powiedzieć wprost, bo karta tego nie robi. 25 języków jest prawdziwych, ale opublikowana ocena wielojęzyczna to średnie FLEURS, MLS i CoVoST — 11,97%, 7,83% i 11,98% — a powyższa tabela Open ASR dotyczy tylko angielskiego. Zespół oceniający to pod kątem polskiego lub fińskiego dostaje liczbę FLEURS dla danego języka i w ogóle nie ma oceny długich wypowiedzi ani oceny w warunkach szumowych w tym języku.

Odporność na szum to obszar, w którym ta karta potwierdza swoją wartość. W szumie MUSAN przy malejących stosunkach sygnału do szumu średni WER wynosi 6,34 w warunkach bez szumu, 7,12 przy 10 dB, 8,23 przy 5 dB, 11,66 przy 0 dB i 19,88 przy −5 dB — względne pogorszenie, które NVIDIA podaje jako −213,64% w najgorszym punkcie. To rzeczywista krzywa na publicznych danych i mówi coś, czego pojedyncza wartość dokładności nie potrafi: poniżej około 5 dB ten model pogarsza się szybciej niż liniowo.

W przeciwieństwie do tego wyniki Minga to: średni CER dla języka chińskiego 3,55, średni WER dla języka angielskiego 3,99, średnia dla piętnastu dialektów 8,42, wewnętrzna średnia dla pięciu domen 1,67 oraz zagregowany wynik context-ASR 4,36. Wszystkie podane przez dostawcę, żadnego nie odtworzono i żaden nie został uzyskany na wspólnym zestawie testowym z Parakeet. W przypadku jedynego zestawu raportowanego przez oba — LibriSpeech test-clean — Ming nie publikuje w tekście wyniku dla tego zestawu, a jedynie swoją średnią angielską z pięciu zestawów, więc na podstawie kart nie da się w ogóle przeprowadzić porównania.

Licencje nie są tutaj równoważne

Wagi i oryginalny kod Minga są na licencji MIT, a dołączone pliki Apache-2.0 zachowują własne nagłówki, natomiast enkoder zaadaptowany z Whisper zachowuje notę MIT OpenAI. Parakeet TDT 0.6B v3 jest na licencji CC BY 4.0, która zezwala na użycie komercyjne pod warunkiem podania atrybucji. Obie są permisywne; żadna nie jest pułapką. Praktyczna różnica to język atrybucji w dokumentacji produktu, a nie ekspozycja prawna.

Warto zaznaczyć, że licencja w repozytorium Minga jest bardziej permisywna, niż sugeruje sposób dystrybucji. Wagi na licencji MIT, które wymagają trust_remote_code=True i przypiętego zestawu zależności, są permisywne w użyciu, ale niewygodne we wdrożeniu, a te dwa fakty są od siebie niezależne.

Funkcja kontekstu to jedyny wyraźny wyróżnik.

Parakeet TDT 0.6B v3 nie ma promptu, listy słów kluczowych ani żadnego sposobu na podanie nazw, które pojawią się w dźwięku. Transkrybuje to, co słyszy, korzystając z wiedzy zdobytej w 25 językach europejskich, a w przypadku słownictwa dziedzinowego udokumentowaną drogą jest dostrajanie, a nie warunkowanie. NVIDIA dostarcza również skrypt do strumieniowania w fragmentach z konfigurowalnym kontekstem lewym i prawym, który jest narzędziem służącym do zmniejszania opóźnień, a nie zwiększania dokładności.

Ming przyjmuje słowa kluczowe lub poprzednią turę dialogu jako część podpowiedzi do transkrypcji, a jego pokrycie dialektów — piętnaście chińskich zestawów testowych, w tym kantoński, minnański i szanghajski, ze średnią 8,42 — jest zdolnością, której Parakeet w ogóle nie deklaruje. Jeśli Twoje nagranie jest w mandaryńskim, w jego odmianie regionalnej albo stanowi chińską rozmowę biznesową pełną nazw produktów, Parakeet nie jest kandydatem, a Ming jest jedynym z tej dwójki, który wchodzi w grę. To realna, konkretna, weryfikowalna przewaga i właśnie dlatego to porównanie istnieje, zamiast być rozstrzygane przez licznik pobrań.

Zastrzeżenie jest takie, że słowa kluczowe to tylko podpowiedzi. Karta Minga mówi to wprost: podanie terminu zwiększa szansę, że zostanie wygenerowany, ale go nie gwarantuje. Każdy, kto korzystał z faworyzowania słów kluczowych w dowolnym systemie ASR, zna ten tryb awarii — model zaczyna słyszeć słowo kluczowe w dźwięku, który go nie zawiera. Przetestuj to, zanim zaufasz.

Co zrobić z tym

Jeśli potrzebujesz transkrypcji w języku angielskim z oznaczeniem czasu, na sprzęcie, który już posiadasz, ze środowiskiem uruchomieniowym, które nie wymaga środowiska Python, Parakeet TDT 0.6B v3 jest bezpieczną odpowiedzią, a liczba pobrań nie jest próżnością — jest wskaźnikiem tego, ile trybów awarii zostało już odkrytych i opisanych przez innych.

Jeśli potrzebujesz języka chińskiego, dialektów lub warunkowania na słowa kluczowe, Ming-3.0-asr-tiny jest jedynym z tych dwóch, który podoła temu zadaniu; jest naprawdę nowatorski w tej niszy i ma zaledwie pięć dni, praktycznie bez zewnętrznych testów. Właściwą postawą jest test porównawczy na własnym korpusie, przy czym lukę w znacznikach czasu należy traktować jako twarde ograniczenie, a nie kompromis: jeśli Twój system downstream korzysta z timingów słów, ocena kończy się, zanim się zacznie.

Dla zespołów przeprowadzających takie testy porównawcze w całej infrastrukturze produkcyjnej porównanie zwykle trafia do routera, a nie do arkusza kalkulacyjnego — jednego punktu końcowego umieszczonego przed samodzielnie hostowanymi kandydatami, automatycznego przełączania awaryjnego, dzięki któremu nieudane żądanie przechodzi na dotychczasowe rozwiązanie, oraz jednego klucza dla ponad 200 hostowanych modeli zamiast drugiej umowy dla każdego porównania. Ani Ming-3.0-asr-tiny, ani NVIDIA Parakeet TDT 0.6B v3 nie znajdują się w katalogu OrcaRouter, więc nie udostępniamy żadnego z nich; warstwa routingu zasługuje na swoje miejsce wokół nich, a nie za ich pośrednictwem.

Asymetria, która nie zniknie

Jeden model ma datę wydania, ścieżkę dokumentacji w stylu arXiv, zgłoszenie do rankingu, przegląd szumów i tabelę według języków. Drugi ma cztery wykresy, plik konfiguracyjny, dziennik commitów i film wydawniczy. To nie jest krytyka inżynierii Minga — architektura jest bardziej ambitna niż Parakeet, a zakład o dialekt jest prawdziwy — ale to dokumentacja sprawia, że checkpoint staje się czymś, co zespół może wdrożyć, nie stając się działem QA dostawcy.

Najbardziej użyteczną rzeczą, jaką którykolwiek z dostawców mógłby jako następną opublikować, jest to samo: wspólna ewaluacja na materiale audio w języku chińskim i angielskim, oceniana przez stronę trzecią, z pomiarem dokładności zarówno znaczników czasu, jak i słów. Dopóki taka ewaluacja nie istnieje, decyzja opiera się na już udokumentowanych granicach możliwości — pomiarze czasu, strumieniowaniu, sprzęcie, językach, hotwords — a te granice są wystarczająco ostre, by na ich podstawie dokonać wyboru.