Ming-3.0-asr-tiny vs Whisper large-v3-turbo: o Encoder do Whisper, uma Boca Diferente

Abra o arquivo de configuração do Ming-3.0-asr-tiny e a torre de áudio responde para você: 1.280 dimensões ocultas, 32 camadas de codificador, 20 cabeças de atenção, 128 bins mel. Essas são as dimensões do codificador do Whisper large-v3, e o repositório diz isso em voz alta — ele inclui um arquivo chamado modeling_whisper_encoder.py e mantém o aviso MIT da OpenAI em um arquivo WHISPER_LICENSE separado. Portanto, esta não é uma história sobre duas pilhas de fala não relacionadas. Ming-3.0-asr-tiny é um reconhecedor com foco no chinês que manteve os ouvidos do Whisper e substituiu a boca: um decodificador de mistura de especialistas com 24 camadas, 8,87 bilhões de parâmetros de acordo com seu índice de safetensors, condicionado a hotwords e ao diálogo anterior. Whisper large-v3-turbo é a destilação de 809 milhões de parâmetros que manteve o mesmo codificador e reduziu o decodificador de 32 camadas para quatro. Todos os números do Ming neste artigo vêm de um único lugar, e é o cartão do modelo Ming-3.0-asr-tiny no Hugging Face, que contém os pesos, o arquivo de configuração, os quatro gráficos de avaliação e um ativo de filme de lançamento datado de hoje. A linha de base de 809 milhões de parâmetros, 99 idiomas e licença MIT está documentada em o cartão do modelo Whisper large-v3-turbo, junto com o comportamento de marcação temporal por palavra e de tradução a que esta comparação sempre retorna. As falhas de IA e os incidentes de agentes documentados por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de disputa.

Se você quer a resposta curta antes dos detalhes: eles não são substitutos. O Whisper large-v3-turbo emite carimbos de tempo, traduz para inglês, cobre 99 idiomas e roda em hardware que não é uma GPU CUDA. O Ming-3.0-asr-tiny emite texto simples e nada mais, cobre chinês e inglês com uma aposta séria em dialetos regionais e exige uma pilha recente de PyTorch e Transformers com execução remota de código habilitada. A sobreposição é a transcrição em chinês de clipes curtos e, mesmo aí, ninguém nunca os avaliou um contra o outro.

O que foi lançado, e quão silenciosamente

O repositório do Hugging Face para o Ming-3.0-asr-tiny foi criado em 14 de outubro de 2026. Quando isto foi escrito, ele mostrava 35 downloads e uma única curtida. O repositório complementar no GitHub tem 20 commits, uma estrela, nenhum fork e uma aba Releases vazia. Não há post no blog do fornecedor, nem cobertura da imprensa, nem qualquer tipo de anúncio de lançamento — o card do modelo é o anúncio.

O cartão também se recusa a declarar uma data de lançamento. O único sinal de data no repositório é um ativo de filme de lançamento arquivado em um caminho contendo media-2026-10-19, que é hoje. Considere os pesos como tendo alguns dias e o anúncio como ainda não feito, em vez de um lançamento de produto que você perdeu.

O que o repositório estabelece, sem dúvida, é a forma daquilo que você estaria baixando: 8,87 bilhões de parâmetros divididos entre dois shards safetensors em BF16, um vocabulário de 157.184 tokens, um decodificador de texto de 24 camadas, um codificador de áudio de 32 camadas e um asr_output_format campo definido como plain. Os próprios gráficos de benchmark do repositório rotulam o modelo como 8.6B-A2B, que é uma abreviação do fornecedor para aproximadamente 2 bilhões de parâmetros ativos por token; o índice safetensors é o número mais difícil, e os dois diferem em cerca de 270 milhões.

Mesmas orelhas, boca diferente

O codificador é a parte que as pessoas pulam, e aqui ele é a linha mais informativa da configuração. Um codificador de áudio de 1.280 dimensões, 32 camadas e 20 cabeças, com 128 entradas mel, é a arquitetura Whisper large, e os nomes dos arquivos no repositório confirmam a linhagem, em vez de apenas se assemelharem a ela. O codificador também é a metade menor do Ming: 32 camadas de um transformer convencional contra um decodificador que carrega 128 especialistas, roteia oito deles por token, mantém a primeira camada densa e comprime a atenção com projeções de posto baixo (q_lora_rank 256, kv_lora_rank 512). Isso é um modelo de linguagem com um front-end de áudio acoplado, não um modelo de ASR com um modelo de linguagem anexado.

O Whisper large-v3-turbo foi na direção oposta. Ele tem o mesmo encoder, com um decoder destilado de 32 camadas para quatro, e é daí que vêm a contagem de 809 milhões de parâmetros e o ganho de velocidade de cerca de oito vezes em relação ao large-v3. Tudo o que torna o turbo barato está no lado da decodificação; tudo o que torna o Ming caro também está lá.

• Parâmetros — Ming-3.0-asr-tiny 8,87B em BF16, dos quais o fornecedor rotula cerca de 2B como ativos por token. Whisper large-v3-turbo 809M.

• Decodificador — 24 camadas, 128 especialistas com 8 roteados por token, atenção comprimida de baixo posto. Whisper: 4 camadas, densas, destilado das 32 do large-v3.

• Front-end de áudio — um encoder em formato Whisper de 32 camadas e 1.280 dimensões em ambos os casos, que é o fato menos óbvio nesta comparação.

• Janela de entrada — Ming aceita 3.000 quadros mel até 30 segundos e 6.000 além disso, com áudios mais longos divididos em blocos com base em um contexto de 8.192 posições. O campo receptivo do Whisper é de 30 segundos, e a divisão em blocos é tratada pelas ferramentas ao redor.

• Saída — texto de transcrição simples versus transcrição com marcações de tempo em nível de frase e de palavra, além de tradução para o inglês.

• Idiomas — chinês e inglês, com 15 conjuntos de testes de dialetos regionais chineses, versus 99 idiomas.

• Licença — MIT para os pesos e o código original do Ming, com os arquivos Apache-2.0 incluídos mantendo seus próprios cabeçalhos; MIT para o Whisper large-v3-turbo. Esta é a única linha sobre a qual não há nada a discutir.

O que os gráficos do fornecedor mostram, e quem está ausente deles

A avaliação de Ming está inteiramente em quatro gráficos PNG no cartão do modelo. O texto do repositório não contém nenhum número, e os gráficos merecem uma leitura atenta porque não são uniformemente lisonjeiros.

Na média do chinês — uma média de CER sobre AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese e WenetSpeech — Ming obtém 3,55, e o melhor valor em toda essa tabela é 2,94. Na média do inglês — LibriSpeech clean and other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English e VoxPopuli — Ming obtém 3,99 contra um melhor da tabela de 3,69. Na média dos 15 dialetos, Ming obtém 8,42 contra um melhor da tabela de 8,00. Em outras palavras, nos próprios gráficos do fornecedor, Ming está consistentemente perto da frente do grupo e consistentemente não em primeiro.

Onde parece mais forte é nos conjuntos de domínios internos, em que o CER é de 1,62 em chat, 1,03 em governo, 1,58 em saúde, 2,49 em conhecimento e 1,61 em vida local. Esses são os números que devem ser tratados com mais cuidado, porque os conjuntos de teste internos compartilham uma quantidade desconhecida de proveniência com dados de treinamento não divulgados, e o cartão não diz nada sobre com o que o modelo foi treinado.

A tabela de ASR com contexto é a que merece uma segunda olhada. Seu agregado coloca Ming em 4,36, atrás de Qwen3-Omni, com 4,34, e de Qwen3-ASR-1.7B, com 4,23, e à frente de Gemini 2.5 Pro, com 6,3. O recurso de destaque do modelo — fornecer a ele palavras-chave e contexto de diálogo — não o torna o melhor reconhecedor contextual da própria comparação. Ele vence em linhas individuais de entidades nomeadas, especialmente na taxa de falsos negativos de entidades, que é a métrica que importa quando a pergunta é "acertou o nome?" e não "quantos caracteres estavam errados?".

Agora, a omissão que decide o quanto qualquer parte disso vale para você: O Whisper large-v3-turbo não aparece em nenhum dos quatro gráficos. As linhas de base são modelos Qwen omni, Qwen3-ASR-1.7B, Fun-ASR 1.5 e FireRedASR2-LLM-8B. Não há nenhuma comparação direta relatada pelo fornecedor entre os dois modelos neste artigo, e qualquer tabela que alegue existir uma a inventou. Todos os números acima são relatados pelo fornecedor e não foram reproduzidos de forma independente.

Onde Whisper ainda não pode ser seguido, e onde Ming não pode

As marcas temporais são o limite rígido. O Whisper large-v3-turbo devolve temporização ao nível da frase e da palavra juntamente com o texto, que é a base sobre a qual são construídos os pipelines de geração de legendas, alinhamento forçado e diarização. O Ming devolve texto de transcrição sem marcas temporais ao nível da palavra e sem diarização de falantes, e o cartão indica isto como uma limitação e não como uma omissão. Se o seu pipeline precisa de saber quando uma palavra foi dita, a comparação termina aí — não porque o Ming teve uma pontuação pior, mas porque a saída não existe.

O streaming é a segunda fronteira. O exemplo incluído não aceita entrada em streaming, e o modelo foi projetado em torno de clipes inteiros com uma dica de idioma opcional. O ecossistema do Whisper passou dois anos criando wrappers incrementais e de baixa latência em torno de uma janela de 30 segundos; o Ming é público há poucos dias e não tem nenhum.

A implantação é a terceira. O Whisper large-v3-turbo, com 809 milhões de parâmetros, cabe tranquilamente em uma única GPU de consumidor e tem caminhos de inferência em CPU por meio de runtimes otimizados. O Ming precisa de uma GPU CUDA, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2 e trust_remote_code=True para carregar seu próprio arquivo de modelagem — o que é uma decisão de cadeia de suprimentos tanto quanto de engenharia. Cerca de 17,7 GB de pesos BF16 não é um download para laptop.

Onde o Ming sai na frente é exatamente em tudo para o que o modo de contexto existe: fala em chinês com cobertura de dialetos que o Whisper trata mal, e enunciados curtos repletos de nomes, títulos e jargões de domínio que você pode listar antecipadamente. Existe um caminho de serving separado por meio de um adaptador SGLang com um commit fixado, o que sugere que o fornecedor espera que isso seja servido, e não apenas executado como um script.

Aplicando isto a uma decisão real

Se o seu áudio for em inglês, ou multilíngue, ou você precisar de legendas com sincronização, ou quiser algo rodando em uma máquina com CPU amanhã, a resposta é Whisper large-v3-turbo e não há comparação. Dois anos de uso em produção, um ecossistema de runtimes e um formato de saída que tudo já consome valem mais do que alguns pontos de CER em um gráfico de fornecedor.

Se o seu áudio for mandarim ou um dialeto regional, se os seus clipes forem curtos e se você conseguir enumerar os nomes que aparecerão neles, o Ming-3.0-asr-tiny vale um teste comparativo — mas apenas um teste comparativo. Ele tem 35 downloads. Ninguém fora do laboratório publicou um modo de falha para ele, o que significa que você seria quem os descobriria.

Não leia a contagem de parâmetros como um sinal de qualidade em nenhuma das direções. O Ming é oito vezes maior que o turbo e não o supera em nenhum eixo compartilhado e medido de forma independente, porque nenhum eixo compartilhado foi medido. Os 8,87 bilhões de parâmetros compram um prior contextual equivalente ao de um modelo de linguagem e uma aposta dialetal, não um ganho de precisão documentado.

Executando a comparação com o seu próprio áudio

Nenhum dos dois modelos está no catálogo do OrcaRouter hoje, então a versão honesta desta seção é que você os obteria do repositório do próprio fornecedor e os executaria por conta própria. O que uma camada de roteamento tem de útil aqui é a parte que vem depois: colocar uma fração do seu tráfego real por um modelo candidato enquanto o modelo atual continua atendendo o restante, com failover automático se o novo caminho falhar, e uma única chave de API para mais de 200 modelos, de modo que adicionar uma segunda opinião não signifique um segundo contrato. O OrcaRouter repassa os preços de tabela dos provedores com 0% de margem, o que importa menos para pesos abertos que você mesmo hospeda e mais para os modelos hospedados com os quais você os compararia.

O teste que vale a pena executar leva uma tarde: 200 clipes do seu próprio corpus, metade deles contendo um nome próprio, pontuados manualmente. Dê ao Ming a lista de hotwords e dê ao Whisper large-v3-turbo os mesmos nomes em seu campo de prompt. Compare o recall de entidades nomeadas em vez da taxa de erro de caracteres, porque esse é o eixo para o qual o Ming foi realmente construído e o que a tabela de contexto do fornecedor reporta. Depois decida se a lacuna de timestamp é sobrevivível — o que, para a maioria dos pipelines, não será.

O que mudaria este veredito?

Duas coisas. Uma avaliação independente em um conjunto de testes compartilhado resolveria a questão da precisão que nenhum dos fornecedores respondeu, e qualquer pessoa pode executá-la. E um anúncio de lançamento — com uma declaração sobre os dados de treinamento, uma data de lançamento definida e um roteiro de marcos temporais — transformaria o Ming de um checkpoint com uma configuração promissora em um produto com o qual você poderia planejar. Até lá, a descrição correta é a sem glamour: um conjunto de pesos bem documentado, lançado discretamente, com um codificador Whisper dentro e ninguém ainda fora do laboratório capaz de lhe dizer como ele falha.