Ming-3.0-asr-tiny vs. NVIDIA Parakeet TDT 0.6B: um desafiante com 35 downloads encontra um incumbente com 626.000 downloads

Os contadores de downloads são a primeira coisa a observar, porque descrevem uma lacuna que nenhum benchmark deste artigo consegue fechar. NVIDIA Parakeet TDT 0.6B v3 acumula mais de 626.000 downloads e 1.200 curtidas no Hugging Face, lançado em 14 de agosto de 2025 e distribuído dentro do NeMo toolkit, um runtime nativo em C++ e um caminho via Transformers que as pessoas de fato usam. Ming-3.0-asr-tiny tem 35 downloads e um punhado de curtidas, com pesos que surgiram em 14 de outubro de 2026 e nenhum anúncio do seu fornecedor. Um é infraestrutura. O outro é um checkpoint de cinco dias de idade. Mas vale a pena comparar os dois, porque eles resolvem problemas diferentes, e a parte interessante é que o problema do Ming — dialetos chineses e hotwords — é algo que o Parakeet TDT 0.6B v3 não tenta resolver. Todos os números do Parakeet aqui, incluindo a contagem de 626.738 downloads, vêm do model card do NVIDIA Parakeet TDT 0.6B v3, que também traz a tabela Open ASR e a varredura de ruído MUSAN. As falhas documentadas de IA e os incidentes com agentes por trás de lançamentos como este estão reunidos no OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e flag de contestação.

A ficha da NVIDIA é excepcionalmente completa para os padrões dos temas habituais deste blog: uma tabela completa de Open ASR, uma varredura de robustez a ruído, um detalhamento por idioma em 25 línguas europeias e uma data de lançamento declarada. A ficha da Ming são quatro gráficos PNG e nenhum relatório técnico. Essa diferença na documentação é, por si só, um achado, e deve entrar na decisão ao lado dos números de precisão.

Dois decodificadores que ambos não são um modelo de linguagem

Parakeet TDT 0.6B v3 é um codificador FastConformer com um decodificador Transducer de Token e Duração — 600 milhões de parâmetros, entrada mono de 16 kHz, pontuação e capitalização na saída. O TDT é o motivo de ele ser rápido: em vez de emitir um token por quadro, o transdutor prevê tanto um token quanto uma duração, então o modelo pode pular quadros e avançar vários de uma vez. Ele não é um modelo CTC somente de codificador como a linha Granite Speech da IBM, e não é um modelo de linguagem com front-end de áudio como o Ming. É o caso intermediário, e tem sido o caso intermediário por tempo suficiente para ser entediante, o que é um elogio.

Ming-3.0-asr-tiny é a aposta oposta. Seu decodificador tem 24 camadas de mistura de especialistas — 128 especialistas, oito roteados por token, um compartilhado, a primeira camada densa — alternando três camadas de K​imi Delta Attention com uma camada Gated MLA. Seu codificador tem 32 camadas com 1.280 dimensões, 20 cabeças e 128 bins mel, que é o formato do Whisper large-v3, e o repositório inclui modeling_whisper_encoder.py com o aviso MIT da O​penAI para tornar a linhagem explícita. O modelo tem 8,87 bilhões de parâmetros segundo seu índice safetensors, cerca de 2 bilhões deles ativos por token.

Isso torna a comparação de parâmetros desequilibrada de uma forma que não se traduz em precisão: 8,87 bilhões no total contra 600 milhões, e aproximadamente 2 bilhões ativos contra 600 milhões densos. Ming é um modelo de linguagem vestindo um microfone. Parakeet é um modelo de fala que aprendeu a ler.

As coisas que o Parakeet faz que o Ming não faz

Três capacidades distinguem-nos antes de se discutir a precisão, e todas as três estão documentadas nos cartões em vez de serem inferidas.

O primeiro são os timestamps. O Parakeet TDT 0.6B v3 retorna temporização no nível de caractere, de palavra e de segmento tanto pelo caminho NeMo quanto pelo caminho Transformers, e o card mostra a chamada que os produz. Essa única capacidade é a base sobre a qual são construídos a geração de legendas, o alinhamento forçado, a diarização de reuniões e qualquer interface do tipo "ir para o momento em que isso foi dito". As notas de uso do Ming afirmam que a saída é texto de transcrição sem timestamps no nível de palavra ou diarização de locutores. Isso não é uma lacuna em um benchmark; é a ausência de um campo de saída.

O segundo é áudio longo. O Parakeet lida com isso por meio de atenção local — a própria receita do model card troca para atenção local de posição relativa com um contexto de 256 quadros de cada lado para transcrição de formato longo, e a NVIDIA documenta limites de aproximadamente 24 minutos com atenção completa em uma A100 de 80 GB e três horas com atenção local. O Ming aceita um contexto de 8,192 posições e divide áudios mais longos em blocos por meio de um argumento de linha de comando, o que é uma resposta viável, mas de um tipo diferente.

O terceiro é o ecossistema. O Parakeet roda no NeMo, em um caminho de Transformers com AutoModelForTDT, e em um GGUF quantizado por meio do NeMo-Speech.cpp sem Python em tempo de execução. O Ming exige Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA e trust_remote_code=True, além de um adaptador SGLang fixado separadamente se você quiser servi-lo. Em uma máquina sem GPU, essa diferença é decisiva antes que qualquer número de WER seja lido.

Leia essa lista em comparação com o card do Ming e a comparação deixa de ser sobre precisão. Cada linha nela é uma capacidade que o repositório do Ming diz explicitamente que não possui, apresentada pela NVIDIA como um recurso e pela inclusionAI como uma limitação.

O que cada fornecedor mediu e em quê

Os números do Parakeet para inglês vêm dos conjuntos públicos do leaderboard Open ASR: WER médio de 6,34%, com 1,93% no LibriSpeech test-clean, 3,59% no test-other, 11,31% no AMI, 11,42% no Earnings-22, 9,59% no GigaSpeech, 3,97% no SPGI Speech, 2,75% no TED-LIUM e 6,14% no VoxPopuli.

A história multilíngue dele é mais frágil do que a lista de idiomas sugere, e vale dizer isso claramente porque o card não o faz. Os 25 idiomas são reais, mas a avaliação multilíngue publicada é composta por médias de FLEURS, MLS e CoVoST — 11,97%, 7,83% e 11,98% — e a tabela Open ASR acima é apenas em inglês. Uma equipe que avalie isto para polonês ou finlandês obtém um número FLEURS por idioma e nenhuma avaliação de formato longo ou com ruído nesse idioma.

A robustez a ruído é onde a placa mostra seu valor. Com ruído MUSAN em relações sinal-ruído decrescentes, o WER médio vai de 6,34 em condição limpa, 7,12 a 10 dB, 8,23 a 5 dB, 11,66 a 0 dB e 19,88 a −5 dB — uma degradação relativa que a NVIDIA declara como −213,64% no pior ponto. Essa é uma curva real, em dados públicos, e diz algo que um único número de acurácia não consegue: abaixo de cerca de 5 dB, este modelo se degrada mais rápido que linearmente.

Os números do Ming, em contrapartida, são um CER médio para chinês de 3,55, um WER médio para inglês de 3,99, uma média de quinze dialetos de 8,42, uma média interna de cinco domínios de 1,67 e um agregado de ASR com contexto de 4,36. Todos informados pelo fornecedor, todos não reproduzidos e nenhum em um conjunto de teste compartilhado com o Parakeet. No único conjunto que ambos relatam — LibriSpeech test-clean —, o Ming não publica um valor por conjunto em texto corrido, apenas sua média de inglês em cinco conjuntos, então a comparação não pode ser feita a partir dos cards de forma alguma.

Licenças não são equivalentes aqui.

Os pesos e o código original do Ming são MIT, com arquivos Apache-2.0 incluídos mantendo seus próprios cabeçalhos e o codificador adaptado do Whisper mantendo o aviso MIT da OpenAI. O Parakeet TDT 0.6B v3 é CC BY 4.0, que permite uso comercial com atribuição. Ambos são permissivos; nenhum é uma armadilha. A diferença prática está na linguagem de atribuição na documentação do seu produto, não na exposição jurídica.

O que vale a pena destacar é que a licença no repositório do Ming é mais permissiva do que a sua história de distribuição. Pesos MIT que exigem trust_remote_code=True e um conjunto de dependências fixadas são permissivos para uso e incômodos de implantar, e os dois fatos são independentes.

O recurso de contexto é o único diferencial claro

O Parakeet TDT 0.6B v3 não tem prompt, nem lista de hotwords, nem forma de fornecer os nomes que aparecerão no áudio. Transcreve o que ouve usando o que aprendeu em 25 línguas europeias e, para vocabulário de domínio, a via documentada é o fine-tuning, não o condicionamento. A NVIDIA também disponibiliza um script de streaming em blocos com contexto esquerdo e direito configurável, que é uma ferramenta de latência e não de precisão.

O Ming aceita hotwords ou o turno de diálogo anterior como parte do prompt de transcrição, e sua cobertura de dialetos — quinze conjuntos de testes chineses, incluindo cantonês, minnan e xangainês, com média de 8,42 — é uma capacidade que o Parakeet não reivindica de modo algum. Se o seu áudio for em mandarim, ou em uma variedade regional dele, ou uma ligação comercial chinesa repleta de nomes de produtos, o Parakeet não é candidato e o Ming é o único dos dois em questão. Essa é uma vantagem real, específica e verificável, e é o motivo pelo qual esta comparação existe, em vez de ser resolvida pelo contador de downloads.

A ressalva é que hotwords são apenas dicas. O cartão de Ming diz isso diretamente: fornecer um termo aumenta a chance de ele ser produzido e não o garante. Qualquer pessoa que já tenha usado viés de palavras-chave em qualquer sistema ASR conhece o modo de falha — o modelo começa a ouvir a hotword em áudios que não a contêm. Teste isso antes de confiar.

O que fazer com isto

Se você precisa de transcrição em inglês com marcação de tempo, em hardware que você já possui, com um runtime que não exige um ambiente Python, o Parakeet TDT 0.6B v3 é a resposta segura, e a contagem de downloads não é vaidade — é um indicativo de quantos modos de falha já foram encontrados e documentados por outras pessoas.

Se você precisa de chinês, dialetos ou condicionamento por hotwords, o Ming-3.0-asr-tiny é o único dos dois que consegue dar conta do recado, é genuinamente inovador nesse nicho e tem apenas cinco dias de vida, praticamente sem testes externos. A postura correta é fazer um comparativo direto no seu próprio corpus, tratando a lacuna de timestamps como uma restrição rígida, e não como um trade-off: se o seu sistema downstream consome os tempos das palavras, a avaliação termina antes de começar.

Para equipes que fazem essa avaliação comparativa em um parque de produção, a comparação geralmente acaba dentro de um roteador, e não em uma planilha — um único endpoint diante dos candidatos auto-hospedados, failover automático para que uma solicitação com falha recorra à solução atual, e uma única chave para mais de 200 modelos hospedados, em vez de um segundo contrato para cada comparação. Nem Ming-3.0-asr-tiny nem NVIDIA Parakeet TDT 0.6B v3 estão no catálogo do OrcaRouter, portanto nenhum dos dois é algo que oferecemos; a camada de roteamento conquista seu lugar ao redor deles, não por meio deles.

A assimetria que não desaparece

Um modelo tem data de lançamento, um histórico de documentação no estilo arXiv, uma submissão ao leaderboard, uma varredura de ruído e uma tabela por idioma. O outro tem quatro gráficos, um arquivo de configuração, um log de commits e um filme de lançamento. Isso não é uma crítica à engenharia do Ming — a arquitetura é mais ambiciosa que a do Parakeet e a aposta no dialeto é real —, mas a documentação é o que transforma um checkpoint em algo que uma equipe pode adotar sem se tornar o departamento de QA do fornecedor.

A coisa mais útil que qualquer um dos fornecedores poderia publicar em seguida é a mesma: uma avaliação compartilhada de áudio em chinês e inglês, pontuada por um terceiro, com marcações de tempo medidas, assim como as palavras. Até que uma exista, a decisão se baseia em limites de capacidade já documentados — temporização, streaming, hardware, idiomas, palavras-chave — e esses limites são nítidos o suficiente para se decidir com base neles.