Ming-3.0-asr-tiny kontra Whisper large-v3-turbo: enkoder Whispera, inne usta

Otwórz plik konfiguracyjny dla Ming-3.0-asr-tiny, a wieża audio odczyta ci z powrotem: 1280 wymiarów ukrytych, 32 warstwy enkodera, 20 głowic uwagi, 128 binów mel. To są wymiary enkodera Whisper large-v3, a repozytorium mówi to wprost — dostarcza plik o nazwie modeling_whisper_encoder.py i przechowuje notę licencyjną MIT OpenAI w osobnym pliku WHISPER_LICENSE. To zatem nie opowieść o dwóch niepowiązanych stosach technologii mowy. Ming-3.0-asr-tiny to system rozpoznawania mowy stawiający chiński na pierwszym miejscu, który zachował uszy Whispera i wymienił usta: 24-warstwowy dekoder mieszaniny ekspertów, 8,87 miliarda parametrów według jego indeksu safetensors, warunkowany hotwordami i poprzedzającym dialogiem. Whisper large-v3-turbo to destylacja z 809 milionami parametrów, która zachowała ten sam enkoder i zmniejszyła dekoder z 32 warstw do czterech. Każda liczba dotycząca Ming w tym artykule pochodzi z jednego miejsca, a jest nim karta modelu Ming-3.0-asr-tiny na Hugging Face, która zawiera wagi, konfigurację, cztery wykresy ewaluacyjne oraz materiał filmowy towarzyszący wydaniu, opatrzony dzisiejszą datą. Bazowy model z 809 mln parametrów, obsługujący 99 języków i objęty licencją MIT, jest udokumentowany w karcie modelu Whisper large-v3-turbo, wraz z zachowaniem w zakresie znaczników czasu słów i tłumaczenia, do którego to porównanie stale wraca. Udokumentowane awarie AI i incydenty związane z agentami stojące za takimi wydaniami jak to są zebrane w Archiwum Incydentów AI OrcaRouter, gdzie każdy wpis ma własne źródła, poziom ważności, stopień pewności i flagę sporną.

Jeśli chcesz krótką odpowiedź przed szczegółami: nie są zamiennikami. Whisper large-v3-turbo emituje znaczniki czasu, tłumaczy na angielski, obsługuje 99 języków i działa na sprzęcie, który nie jest GPU CUDA. Ming-3.0-asr-tiny emituje zwykły tekst i nic więcej, obsługuje chiński i angielski z poważnym ukierunkowaniem na dialekty regionalne i wymaga najnowszego stosu PyTorch i Transformers z włączonym zdalnym wykonywaniem kodu. Wspólnym obszarem jest transkrypcja krótkich klipów po chińsku, a nawet tam nikt nigdy nie porównał ich wyników ze sobą.

Co wypuszczono i jak po cichu

Repozytorium Ming-3.0-asr-tiny w Hugging Face zostało utworzone 14 października 2026 r. W chwili pisania tego tekstu odnotowywało 35 pobrań i jedno polubienie. Towarzyszące mu repozytorium GitHub ma 20 commitów, jedną gwiazdkę, brak forków i pustą zakładkę Releases. Nie ma żadnego wpisu na blogu dostawcy, żadnych publikacji prasowych ani żadnego ogłoszenia o premierze — karta modelu jest ogłoszeniem.

Karta również nie podaje daty wydania. Jedynym sygnałem datowania w repozytorium jest zasób filmu wydania zapisany pod ścieżką zawierającą media-2026-10-19, czyli dzisiejszą datę. Traktuj wagi jako mające kilka dni, a ogłoszenie jako jeszcze nieopublikowane, a nie jako premierę produktu, którą przegapiłeś.

Co jednak repozytorium faktycznie ustala ponad wszelką wątpliwość, to kształt tego, co byłoby pobierane: 8,87 mld parametrów podzielonych między dwa shardy safetensors w BF16, słownik 157 184 tokenów, 24-warstwowy dekoder tekstu, 32-warstwowy koder audio oraz pole asr_output_format ustawione na plain. Własne wykresy benchmarków repozytorium oznaczają model jako 8.6B-A2B, co jest skrótem dostawcy oznaczającym około 2 mld parametrów aktywnych na token; indeks safetensors jest bardziej konkretną liczbą, a obie różnią się o około 270 mln.

Te same uszy, inne usta

Enkoder to część, którą ludzie pomijają, a tutaj jest najbardziej informatywną linią w konfiguracji. Enkoder audio o wymiarze 1280, 32 warstwach i 20 głowicach, z 128 wejściami mel, to architektura Whisper large, a nazwy plików w repozytorium potwierdzają ten rodowód, a nie tylko go przypominają. Enkoder jest też mniejszą połową Ming: 32 warstwy konwencjonalnego transformera w zestawieniu z dekoderem, który zawiera 128 ekspertów, wybiera ośmiu z nich dla każdego tokenu, zachowuje pierwszą warstwę jako gęstą i kompresuje uwagę za pomocą projekcji niskiego rzędu (q_lora_rank 256, kv_lora_rank 512). To model językowy z doczepionym frontem audio, a nie model ASR z dołączonym modelem językowym.

Whisper large-v3-turbo poszedł w przeciwnym kierunku. Ma ten sam enkoder, a jego dekoder zdystylowano z 32 warstw do czterech — stąd 809 milionów parametrów i około ośmiokrotne przyspieszenie względem large-v3. Wszystko, co sprawia, że turbo jest tanie, leży po stronie dekodowania; wszystko, co sprawia, że Ming jest drogi, również tam się znajduje.

• Parametry — Ming-3.0-asr-tiny 8,87 mld w BF16, z czego producent określa około 2 mld jako aktywne na token. Whisper large-v3-turbo 809 mln.

• Dekoder — 24 warstwy, 128 ekspertów z 8 kierowanymi na token, skompresowana uwaga niskiego rzędu. Whisper: 4 warstwy, gęsty, destylowany z 32 warstw large-v3.

• Część wejściowa audio — w obu przypadkach 32-warstwowy, 1280-wymiarowy enkoder w stylu Whispera, co jest najmniej oczywistym faktem w tym porównaniu.

• Okno wejściowe — Ming przyjmuje 3000 klatek mel do 30 sekund i 6000 powyżej tej wartości, a dłuższe audio jest dzielone na fragmenty względem kontekstu o 8192 pozycjach. Pole recepcyjne Whispera wynosi 30 sekund, a podział na fragmenty obsługują otaczające narzędzia.

• Dane wyjściowe — zwykły tekst transkrypcji kontra transkrypcja z sygnaturami czasowymi na poziomie zdań i słów oraz tłumaczeniem na język angielski.

• Języki — chiński i angielski, z 15 regionalnymi zestawami testowymi dialektów chińskich, w porównaniu z 99 językami.

• Licencja — MIT dla wag i oryginalnego kodu Minga, a dołączone pliki Apache-2.0 zachowują własne nagłówki; MIT dla Whisper large-v3-turbo. To jedyny wiersz, co do którego nie ma o czym dyskutować.

Co pokazują wykresy dostawcy i kogo na nich brakuje

Ewaluacja Minga opiera się wyłącznie na czterech wykresach PNG na karcie modelu. Tekst repozytorium nie zawiera żadnych liczb, a wykresy zasługują na uważną lekturę, ponieważ nie są jednolicie pochlebne.

W średniej dla języka chińskiego — średnia CER na zbiorach AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese i WenetSpeech — Ming uzyskuje wynik 3,55, a najlepsza wartość w całej tej tabeli to 2,94. W średniej dla języka angielskiego — LibriSpeech clean i other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English i VoxPopuli — Ming uzyskuje 3,99 wobec najlepszego w tabeli wyniku 3,69. W średniej dla 15 dialektów Ming uzyskuje 8,42 wobec najlepszego w tabeli wyniku 8,00. Innymi słowy, na własnych wykresach dostawcy Ming konsekwentnie plasuje się w czołówce stawki i konsekwentnie nie jest pierwszy.

Najmocniej wypada w wewnętrznych zestawach dziedzinowych, gdzie CER wynosi 1,62 dla czatu, 1,03 dla rządu, 1,58 dla zdrowia, 2,49 dla wiedzy i 1,61 dla życia lokalnego. To liczby, które należy traktować najostrożniej, ponieważ wewnętrzne zestawy testowe mają nieznany zakres wspólnego pochodzenia z nieujawnionymi danymi treningowymi, a karta nie mówi nic o tym, na czym model był trenowany.

Tabela context-ASR zasługuje na drugie spojrzenie. Jej wynik zbiorczy plasuje Ming na 4,36 — za Qwen3-Omni z 4,34 i Qwen3-ASR-1.7B z 4,23, a przed Gemini 2.5 Pro z 6,3. Flagowa funkcja modelu — podawanie mu hotwordów i kontekstu dialogu — nie czyni go najlepszym rozpoznawaczem kontekstowym w jego własnym porównaniu. Wygrywa jednak w pojedynczych wierszach dotyczących jednostek nazwanych, szczególnie pod względem współczynnika fałszywie negatywnych rozpoznań jednostek, czyli metryki, która ma znaczenie, gdy pytanie brzmi „czy rozpoznał nazwę poprawnie”, a nie „ile znaków było błędnych”.

Teraz pominięcie, które decyduje o tym, ile z tego wszystkiego jest dla ciebie warte: Whisper large-v3-turbo nie pojawia się na żadnym z czterech wykresów. Modelami bazowymi są modele Qwen omni, Qwen3-ASR-1.7B, Fun-ASR 1.5 i FireRedASR2-LLM-8B. W tym artykule nie ma zgłoszonego przez producenta bezpośredniego porównania tych dwóch modeli, a każda tabela, która twierdzi, że takie porównanie istnieje, została wymyślona. Każda z powyższych liczb pochodzi od producenta i nie została niezależnie odtworzona.

Gdzie wciąż nie można podążać za Whisper, a gdzie nie można za Ming

Znaczniki czasu są twardą granicą. Whisper large-v3-turbo zwraca synchronizację na poziomie zdań i słów wraz z tekstem, na której opierają się potoki generowania napisów, wymuszonego wyrównywania i diaryzacji. Ming zwraca tekst transkrypcji bez znaczników czasu na poziomie słów i bez diaryzacji mówców, a karta podaje to jako ograniczenie, a nie pominięcie. Jeśli Twój potok musi wiedzieć, kiedy dane słowo zostało wypowiedziane, porównanie kończy się w tym miejscu — nie dlatego, że Ming wypadł gorzej, lecz dlatego, że taki wynik nie istnieje.

Strumieniowanie to druga bariera. Dołączony przykład nie przyjmuje danych wejściowych w trybie strumieniowym, a model jest zaprojektowany wokół całych klipów z opcjonalną podpowiedzią językową. Ekosystem Whispera od dwóch lat tworzy przyrostowe i niskolatencyjne nakładki wokół 30-sekundowego okna; Ming jest publicznie dostępny od kilku dni i nie ma żadnych.

Wdrożenie jest trzecie. Whisper large-v3-turbo z 809 milionami parametrów bez problemu mieści się na pojedynczej konsumenckiej karcie GPU i ma ścieżki wnioskowania na CPU poprzez zoptymalizowane środowiska uruchomieniowe. Ming wymaga karty GPU CUDA, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2 oraz trust_remote_code=True do wczytania własnego pliku modelu — co jest decyzją dotyczącą łańcucha dostaw w równym stopniu, co decyzją inżynierską. Około 17,7 GB wag BF16 to nie jest coś, co pobiera się na laptopa.

To, gdzie Ming wyprzedza innych, to dokładnie to, do czego istnieje tryb kontekstu: mowa chińska z obsługą dialektów, z którą Whisper radzi sobie słabo, oraz krótkie wypowiedzi pełne nazw, tytułów i żargonu dziedzinowego, które można wylistować z wyprzedzeniem. Istnieje osobna ścieżka serwowania przez adapter SGLang z przypiętym commitem, co sugeruje, że dostawca oczekuje serwowania tego, a nie tylko uruchamiania jako skrypt.

Przenosząc to na rzeczywistą decyzję

Jeśli Twoje audio jest po angielsku, jest wielojęzyczne albo potrzebujesz napisów z timingiem, albo chcesz coś uruchomić na maszynie CPU już jutro, odpowiedzią jest Whisper large-v3-turbo i nie ma nawet bliskiej konkurencji. Dwa lata produkcyjnego użycia, ekosystem środowisk uruchomieniowych i format wyjściowy, który wszystko już obsługuje, są warte więcej niż kilka punktów CER na wykresie dostawcy.

Jeśli Twoje nagranie jest w języku mandaryńskim lub w dialekcie regionalnym, jeśli Twoje klipy są krótkie i jeśli potrafisz wymienić nazwy, które się w nich pojawią, Ming-3.0-asr-tiny jest wart testu porównawczego — ale tylko testu porównawczego. Ma 35 pobrań. Nikt spoza laboratorium nie opublikował żadnych trybów awarii, co oznacza, że to Ty odkrywałbyś je jako pierwszy.

Nie odczytuj liczby parametrów jako sygnału jakości w żadnym kierunku. Ming jest osiem razy większy niż turbo i nie przewyższa go w żadnej wspólnej, niezależnie zmierzonej osi, ponieważ nie zmierzono żadnej wspólnej osi. 8,87 miliarda parametrów daje tyle kontekstowego prioru, ile ma model językowy, oraz zakład na dialekt — a nie udokumentowaną przewagę w dokładności.

Przeprowadzanie porównania na własnym audio

Obecnie żaden z tych modeli nie znajduje się w katalogu OrcaRouter, więc uczciwa wersja tej sekcji jest taka, że pobrałbyś je z własnego repozytorium dostawcy i uruchomił samodzielnie. Warstwa routingu przydaje się tutaj do tego, co następuje później: przepuszczenie części rzeczywistego ruchu przez model kandydujący, podczas gdy obecny model obsługuje resztę, z automatycznym przełączaniem awaryjnym, jeśli nowa ścieżka zawiedzie, oraz jeden klucz API obejmujący ponad 200 modeli, dzięki czemu dodanie drugiej opinii nie oznacza drugiej umowy. OrcaRouter przekazuje ceny z cenników dostawców z marżą 0%, co ma mniejsze znaczenie w przypadku otwartych wag hostowanych samodzielnie, a większe w przypadku modeli hostowanych, które chciałbyś z nimi porównywać.

Test, który warto przeprowadzić, zajmuje jedno popołudnie: 200 klipów z własnego korpusu, z których połowa zawiera nazwę własną, ocenianych ręcznie. Daj Mingowi listę hotwordów, a modelowi Whisper large-v3-turbo te same nazwy w polu promptu. Porównuj recall nazwanych encji, a nie współczynnik błędów znakowych, ponieważ to jest wymiar, dla którego Ming został faktycznie stworzony i który podaje tabela kontekstu dostawcy. Następnie zdecyduj, czy luka w znacznikach czasu jest do zaakceptowania — a w przypadku większości pipeline’ów nie będzie.

Co zmieniłoby ten werdykt?

Dwie rzeczy. Niezależna ewaluacja na wspólnym zbiorze testowym rozstrzygnęłaby kwestię dokładności, na którą nie odpowiedział żaden z dostawców, i każdy mógłby ją przeprowadzić. A ogłoszenie wydania — z oświadczeniem o danych treningowych, podaną datą wydania i roadmapą znaczników czasu — zamieniłoby Ming z checkpointu z obiecującą konfiguracją w produkt, wokół którego można planować. Do tego czasu właściwy opis jest ten mało efektowny: dobrze udokumentowany zestaw wag, dostarczony po cichu, z enkoderem Whisper w środku i nikim jeszcze spoza laboratorium, kto mógłby powiedzieć, jak on zawodzi.