Ming-3.0-asr-tiny против NVIDIA Parakeet TDT 0.6B: претендент с 35 загрузками встречает действующего лидера с 626 000 загрузок

На счётчики загрузок стоит смотреть в первую очередь, потому что они описывают разрыв, который не может закрыть ни один бенчмарк в этой статье. NVIDIA Parakeet TDT 0.6B v3имеет более 626 000 загрузок и 1 200 лайков на Hugging Face, выпущена 14 августа 2025 года и поставляется в составе NeMo toolkit, нативного C++ рантайма и пути через Transformers, которым люди действительно пользуются. Ming-3.0-asr-tinyимеет 35 загрузок и горстку лайков, с весами, появившимися 14 октября 2026 года, и без объявления от производителя. Один — это инфраструктура. Другой — чекпойнт пятидневной давности. Но их стоит сравнивать, потому что они решают разные задачи, и интересно то, что задача Ming — китайские диалекты и хотворды — это то, что Parakeet TDT 0.6B v3 не пытается решать. Каждая цифра по Parakeet здесь, включая число загрузок 626 738, взята из карточки модели NVIDIA Parakeet TDT 0.6B v3, в которой также есть таблица Open ASR и шумовой прогон MUSAN. Документированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, серьёзность, степень уверенности и флаг спорности.

Карточка NVIDIA на редкость полна по меркам обычных героев этого блога: полная таблица Open ASR, серия проверок на устойчивость к шуму, разбивка по 25 европейским языкам и указанная дата релиза. Карточка Ming — это четыре PNG-графика и никакого технического отчёта. Сама эта разница в документации уже является находкой, и её следует учитывать при принятии решения наряду с показателями точности.

Два декодера, которые оба не являются языковой моделью

Parakeet TDT 0.6B v3 — это энкодер FastConformer с декодером Token-and-Duration Transducer: 600 миллионов параметров, монофонический вход 16 кГц, пунктуация и заглавные буквы в выводе. TDT — причина его скорости: вместо выдачи одного токена на кадр трансдьюсер предсказывает и токен, и длительность, поэтому модель может пропускать кадры и продвигаться сразу на несколько. Это не CTC-модель, состоящая только из энкодера, как линейка Granite Speech от IBM, и не языковая модель с аудиофронтендом, как Ming. Это промежуточный случай, и он остаётся промежуточным случаем достаточно долго, чтобы стать скучным, что является комплиментом.

Ming-3.0-asr-tiny — это противоположная ставка. Её декодер состоит из 24 слоёв mixture-of-experts — 128 экспертов, восемь маршрутизируются на токен, один общий, первый слой плотный, — в которых чередуются три слоя Kimi Delta Attention с одним слоем Gated MLA. Её энкодер состоит из 32 слоёв размерностью 1 280 с 20 головами и 128 mel-бинами, что соответствует конфигурации Whisper large-v3, а репозиторий включает в себя modeling_whisper_encoder.py с уведомлением MIT от OpenAI, чтобы явно обозначить происхождение. Модель имеет 8,87 млрд параметров по её индексу safetensors, около 2 млрд из них активны на каждый токен.

Из-за этого сравнение параметров становится перекошенным — причём так, что это не отражается на точности: 8,87 млрд суммарно против 600 млн, а также примерно 2 млрд активных против 600 млн плотных. Ming — это языковая модель, надевшая микрофон. Parakeet — это речевая модель, которая научилась читать.

То, что Parakeet делает, а Ming — нет

Три возможности отличают их ещё до обсуждения точности, и все три указаны в карточках, а не подразумеваются.

Первый — временные метки. Parakeet TDT 0.6B v3 возвращает временные метки на уровне символов, слов и сегментов через оба своих пути — NeMo и Transformers, — а в карточке показан вызов, который их создаёт. Именно на этой одной возможности строятся генерация субтитров, принудительное выравнивание, диаризация встреч и любой интерфейс «перейти к моменту, когда это было сказано». В примечаниях Ming по использованию указано, что выходные данные — это текст транскрипции без временных меток на уровне слов или диаризации говорящих. Это не пробел в бенчмарке; это отсутствие выходного поля.

Второй случай — длинное аудио. Parakeet справляется с ним за счёт локального внимания: собственный рецепт карточки заменяет его на относительное позиционное локальное внимание с контекстом в 256 кадров с каждой стороны для длительной транскрипции, а NVIDIA документирует ограничения примерно в 24 минуты при полном внимании на A100 с 80 ГБ и три часа при локальном внимании. Ming принимает контекст на 8 192 позиции и разбивает более длинное аудио на фрагменты через аргумент командной строки — это работоспособный, но иной подход.

Третье — экосистема. Parakeet работает в NeMo, в рамках пути Transformers с AutoModelForTDT, а также в квантованном GGUF через NeMo-Speech.cpp без Python во время выполнения. Ming требует Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA и trust_remote_code=True, а также отдельно закреплённый адаптер SGLang, если вы хотите его обслуживать. На машине без GPU эта разница имеет решающее значение ещё до того, как будет прочитано хоть одно значение WER.

Сравните этот список с карточкой Ming — и сравнение перестанет быть вопросом точности. Каждая строка в нём — это возможность, об отсутствии которой прямо говорит репозиторий Ming: NVIDIA указывает её как функцию, а inclusionAI — как ограничение.

Что измерял каждый вендор и на чём

Показатели Parakeet для английского языка взяты из публичных наборов Open ASR leaderboard: средний WER — 6,34%, в том числе 1,93% на LibriSpeech test-clean, 3,59% на test-other, 11,31% на AMI, 11,42% на Earnings-22, 9,59% на GigaSpeech, 3,97% на SPGI Speech, 2,75% на TED-LIUM и 6,14% на VoxPopuli.

Его мультиязычная история тоньше, чем предполагает список языков, и об этом стоит сказать прямо, поскольку карточка этого не делает. 25 языков реальны, но опубликованная мультиязычная оценка — это средние значения FLEURS, MLS и CoVoST — 11,97%, 7,83% и 11,98% — а таблица Open ASR выше относится только к английскому. Команда, оценивающая это для польского или финского, получает число FLEURS по конкретному языку и вообще не получает оценки на длинных текстах или шумных данных на этом языке.

Устойчивость к шуму — именно здесь карта оправдывает себя. На фоне шума MUSAN при убывающих отношениях сигнал/шум средний WER составляет 6,34 на чистом сигнале, 7,12 при 10 дБ, 8,23 при 5 дБ, 11,66 при 0 дБ и 19,88 при −5 дБ — относительное ухудшение, которое NVIDIA указывает как −213,64% в худшей точке. Это реальная кривая на публичных данных, и она говорит то, чего не может сказать одна цифра точности: ниже примерно 5 дБ эта модель деградирует быстрее, чем линейно.

Показатели Ming, напротив, таковы: средний CER для китайского — 3,55, средний WER для английского — 3,99, среднее по пятнадцати диалектам — 8,42, внутреннее среднее по пяти доменам — 1,67 и сводный показатель context-ASR — 4,36. Все заявлены вендором, ни один не воспроизведён, и ни один не получен на общем с Parakeet тестовом наборе. По единственному набору, который указывают оба, — LibriSpeech test-clean, — Ming не публикует в тексте показатель по отдельному набору, только своё среднее по пяти наборам для английского, поэтому по карточкам сравнение вообще невозможно.

Лицензии здесь не равнозначны

Веса и оригинальный код Ming распространяются по лицензии MIT, при этом входящие в комплект файлы Apache-2.0 сохраняют собственные заголовки, а адаптированный к Whisper энкодер сохраняет уведомление MIT от OpenAI. Parakeet TDT 0.6B v3 распространяется по лицензии CC BY 4.0, которая разрешает коммерческое использование при указании авторства. Обе лицензии разрешительные; ни одна из них не является ловушкой. Практическая разница заключается в формулировке указания авторства в документации вашего продукта, а не в юридических рисках.

Стоит отметить, что лицензия в репозитории Ming более разрешительная, чем история его распространения. trust_remote_code=TrueВеса под MIT, для которых требуются {{2}}trust_remote_code=True{{/2}} и закреплённый набор зависимостей, удобны в использовании с точки зрения разрешений, но неудобны при развёртывании, и эти два факта независимы друг от друга.

Функция контекста — единственное явное отличие.

У Parakeet TDT 0.6B v3 нет промпта, нет списка горячих слов и нет способа задать имена, которые появятся в аудио. Она транскрибирует то, что слышит, используя знания, полученные в ходе обучения на 25 европейских языках, а для предметной лексики документированный путь — дообучение, а не кондиционирование. NVIDIA также поставляет скрипт блочной потоковой обработки с настраиваемым левым и правым контекстом; это инструмент для работы с задержкой, а не для повышения точности.

Ming принимает ключевые слова или предыдущую реплику диалога как часть промпта для транскрипции, а его охват диалектов — пятнадцать китайских тестовых наборов, включая кантонский, миньнань и шанхайский, со средним баллом 8,42 — это возможность, которую Parakeet вообще не заявляет. Если ваша аудиозапись на мандаринском, или на его региональной разновидности, или это китайский деловой звонок, полный названий продуктов, Parakeet не подходит, и Ming — единственный из двух, кого стоит рассматривать. Это реальное, конкретное, проверяемое преимущество, и именно поэтому это сравнение существует, а не решается счётчиком скачиваний.

Оговорка в том, что hotwords — это лишь подсказки. В карточке Ming это сказано прямо: добавление термина повышает вероятность его выдачи, но не гарантирует её. Любой, кто использовал биасинг по ключевым словам в любой ASR-системе, знает этот режим отказа — модель начинает слышать hotword в аудио, где его нет. Проверьте это, прежде чем доверять.

Что с этим делать

Если вам нужна транскрипция английской речи с временными метками, на оборудовании, которое у вас уже есть, и со средой выполнения, не требующей окружения Python, то Parakeet TDT 0.6B v3 — это безопасный выбор, а количество загрузок — вовсе не тщеславие, а косвенный показатель того, сколько режимов отказа уже обнаружено и описано другими людьми.

Если вам нужны китайский язык, диалекты или настройка на горячие слова, Ming-3.0-asr-tiny — единственная из двух, кто справится с этой задачей; в этой нише она действительно нова, а ей всего пять дней, и внешнего тестирования по сути не было. Правильный подход — провести сравнительное тестирование на собственном корпусе, причём разрыв в метках времени следует рассматривать как жёсткое ограничение, а не как компромисс: если ваша нижестоящая система использует временные метки слов, оценка заканчивается, не успев начаться.

Для команд, которые проводят такой сравнительный тест в производственной среде, само сравнение обычно в итоге оказывается внутри маршрутизатора, а не в электронной таблице — один эндпоинт перед кандидатами, размещёнными на собственной инфраструктуре, автоматическое переключение при сбое, так что запрос с ошибкой переключается на действующее решение, и один ключ для более чем 200 размещённых моделей вместо второго контракта для каждого сравнения. Ни Ming-3.0-asr-tiny, ни NVIDIA Parakeet TDT 0.6B v3 нет в каталоге OrcaRouter, поэтому ни одну из них мы не предоставляем; слой маршрутизации оправдывает своё место как обвязка вокруг них, а не за счёт их обслуживания.

Асимметрия, которая никак не исчезнет

У одной модели есть дата релиза, документация в стиле arXiv, заявка в лидерборд, прогон по шуму и таблица по языкам. У другой — четыре графика, файл конфигурации, журнал коммитов и релизный ролик. Это не критика инженерной работы Ming — архитектура амбициознее, чем у Parakeet, а ставка на диалекты реальна — но именно документация превращает чекпойнт в то, что команда может внедрить, не становясь отделом QA поставщика.

Самое полезное, что любой из поставщиков мог бы опубликовать следующим, — это одно и то же: общая оценка на китайском и английском аудио, проведённая третьей стороной, с измерением как временных меток, так и слов. Пока такой оценки не существует, решение опирается на границы возможностей, которые уже задокументированы — тайминг, потоковая передача, оборудование, языки, ключевые слова — и эти границы достаточно чёткие, чтобы на них можно было выбрать.