Ming-3.0-asr-tiny vs Whisper large-v3-turbo: энкодер Whisper — другие уста

Откройте файл конфигурации для Ming-3.0-asr-tiny — и аудиомодуль выдаёт вам: 1 280 скрытых измерений, 32 слоя энкодера, 20 голов внимания, 128 mel-бина. Это размерности энкодера Whisper large-v3, и репозиторий прямо об этом говорит — в нём поставляется файл с названием modeling_whisper_encoder.py и хранится отдельное уведомление OpenAI об MIT в WHISPER_LICENSE. Поэтому это не история о двух несвязанных речевых стеках. Ming-3.0-asr-tiny — это распознаватель с приоритетом китайского, который сохранил «уши» Whisper и заменил «рот»: 24-слойный декодер смеси экспертов, 8,87 млрд параметров согласно его индексу safetensors, обусловленный hotwords и предшествующим диалогом. Whisper large-v3-turbo — это дистилляция с 809 миллионами параметров, которая сохранила тот же энкодер и сократила декодер с 32 слоёв до четырёх. Каждая цифра о Ming в этой статье взята из одного места, а именно из карточки модели Ming-3.0-asr-tiny на Hugging Face, где хранятся веса, конфигурация, четыре графика оценки и релизный видеоматериал, датированный сегодняшним днём. Базовая модель с 809 млн параметров, поддержкой 99 языков и лицензией MIT описана в карточке модели Whisper large-v3-turbo, вместе с поведением в отношении временных меток слов и перевода, к которому это сравнение постоянно возвращается. Задокументированные сбои ИИ и инциденты с агентами, стоящие за подобными релизами, собраны в архиве инцидентов ИИ OrcaRouter, где каждая запись имеет собственные источники, степень серьёзности, оценку уверенности и флаг спорности.

Если нужен короткий ответ до подробностей: они не взаимозаменяемы. Whisper large-v3-turbo выдаёт временные метки, переводит на английский, поддерживает 99 языков и работает на оборудовании, отличном от CUDA-графического процессора. Ming-3.0-asr-tiny выдаёт только обычный текст и ничего больше, охватывает китайский и английский, делая серьёзную ставку на региональные диалекты, и требует свежих версий PyTorch и Transformers с включённым выполнением удалённого кода. Область пересечения — транскрипция коротких китайских фрагментов, и даже там никто никогда не сравнивал их друг с другом по метрикам.

Что вышло, и как тихо

Репозиторий Hugging Face для Ming-3.0-asr-tiny был создан 14 октября 2026 года. На момент написания этого текста у него было указано 35 загрузок и один лайк. Сопутствующий репозиторий на GitHub насчитывает 20 коммитов, одну звезду, ни одного форка и пустую вкладку Releases. Нет ни сообщения в блоге вендора, ни публикаций в прессе, ни какого-либо анонса запуска — карточка модели и есть анонс.

Карточка также не указывает дату релиза. Единственный признак даты в репозитории — это ассет релизного фильма, размещённый по пути, содержащему media-2026-10-19, то есть сегодня. Считайте веса имеющими возраст в несколько дней, а анонс — ещё не сделанным, а не пропущенным вами запуском продукта.

Что репозиторий действительно устанавливает вне всяких сомнений — так это облик того, что вы будете скачивать: 8,87 млрд параметров, разделённых между двумя шардами safetensors в BF16, словарь на 157 184 токена, 24-слойный текстовый декодер, 32-слойный аудиокодировщик и asr_output_format — поле, установленное в plain. Собственные графики бенчмарков репозитория обозначают модель 8.6B-A2B, что является сокращением вендора для примерно 2 млрд параметров, активных на каждый токен; индекс safetensors — более точное число, и эти два числа различаются примерно на 270 млн.

Те же уши, другой рот

Энкодер — это часть, которую люди обычно пропускают, а здесь это самая информативная строка в конфиге. 1280-мерный, 32-слойный, 20-головый аудиоэнкодер со 128 мел-входами — это архитектура Whisper large, и имена файлов в репозитории подтверждают происхождение, а не просто намекают на него. Энкодер также является меньшей половиной Ming: 32 слоя обычного трансформера против декодера, который несёт 128 экспертов, маршрутизирует восемь из них на токен, сохраняет первый слой плотным и сжимает внимание с помощью низкоранговых проекций (q_lora_rank 256, kv_lora_rank 512). Это языковая модель с прикрученным аудиофронтендом, а не ASR-модель с присоединённой языковой моделью.

Whisper large-v3-turbo пошёл в противоположном направлении. Это тот же энкодер с декодером, дистиллированным с 32 слоёв до четырёх, — отсюда и 809 миллионов параметров, и ускорение примерно в восемь раз по сравнению с large-v3. Всё, что делает turbo дешёвым, находится на стороне декодирования; всё, что делает Ming дорогим, тоже находится там.

• Параметры — Ming-3.0-asr-tiny 8,87 млрд в BF16, из которых производитель называет около 2 млрд активными на токен. Whisper large-v3-turbo 809M.

• Декодер — 24 слоя, 128 экспертов, из которых 8 маршрутизируются на каждый токен, низкоранговое сжатое внимание. Whisper: 4 слоя, плотная, дистиллирована из 32 слоёв large-v3.

• Аудиофронтенд — в обоих случаях это 32-слойный кодировщик размерности 1280 в архитектуре Whisper, и это наименее очевидный факт в данном сравнении.

• Входное окно — Ming принимает 3 000 mel-кадров до 30 секунд и 6 000 сверх этого, а более длинное аудио разбивается на фрагменты с учётом контекста в 8 192 позиции. Рецептивное поле Whisper составляет 30 секунд, а разбиение на фрагменты выполняется окружающим инструментарием.

• Вывод — обычный текст транскрипции в сравнении с транскрипцией, дополненной временными метками на уровне предложений и слов, а также переводом на английский язык.

• Языки — китайский и английский, с 15 региональными тестовыми наборами китайских диалектов, против 99 языков.

• Лицензия — MIT для весов Ming и оригинального кода, при этом входящие в комплект файлы Apache-2.0 сохраняют свои собственные заголовки; MIT для Whisper large-v3-turbo. Это единственная строка, где не о чем спорить.

Что показывают диаграммы поставщика и кто на них отсутствует

Оценка Ming полностью представлена на четырёх PNG-диаграммах в карточке модели. В тексте репозитория вообще нет никаких чисел, и диаграммы стоит внимательно изучить, поскольку они неодинаково лестны.

По среднему показателю для китайского — среднему CER по AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese и WenetSpeech — Ming набирает 3,55, а лучший результат во всей этой таблице — 2,94. По среднему для английского — LibriSpeech clean and other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English и VoxPopuli — Ming набирает 3,99 против лучшего в таблице 3,69. По среднему по 15 диалектам Ming набирает 8,42 против лучшего в таблице 8,00. Иными словами, на собственных диаграммах поставщика Ming неизменно находится в числе лидеров и неизменно не на первом месте.

Наиболее сильными выглядят результаты на внутренних доменных наборах: CER составляет 1,62 на чате, 1,03 на госсекторе, 1,58 на здравоохранении, 2,49 на знаниях и 1,61 на локальной жизни. Именно к этим цифрам стоит относиться с наибольшей осторожностью, поскольку внутренние тестовые наборы имеют неизвестную степень общности происхождения с нераскрытыми обучающими данными, а карточка ничего не говорит о том, на чём обучалась модель.

Таблица context-ASR — та, что заслуживает второго взгляда. Её агрегированная оценка ставит Ming на 4,36 — позади Qwen3-Omni с 4,34 и Qwen3-ASR-1.7B с 4,23 и впереди Gemini 2.5 Pro с 6,3. Главная заявленная особенность модели — подача ей hotwords и контекста диалога — не делает её лучшим распознавателем с учётом контекста в её собственном сравнении. Но она действительно выигрывает в отдельных строках по именованным сущностям, особенно по доле ложноотрицательных результатов для сущностей — метрике, которая важна, когда вопрос стоит «правильно ли она распознала имя», а не «сколько символов было неверно».

Теперь упущение, от которого зависит, насколько всё это для вас ценно: Whisper large-v3-turbo не фигурирует ни на одном из четырёх графиков. Базовыми моделями служат модели Qwen omni, Qwen3-ASR-1.7B, Fun-ASR 1.5 и FireRedASR2-LLM-8B. В этой статье нет ни одного отчёта производителя о прямом сравнении этих двух моделей, и любая таблица, утверждающая обратное, его выдумала. Все приведённые выше цифры взяты из отчётов производителей и не были независимо воспроизведены.

Где за Whisper всё ещё нельзя следовать, и где Ming не может

Тайм-коды — это жёсткая граница. Whisper large-v3-turbo возвращает тайминги на уровне предложений и слов вместе с текстом, и именно на них строятся конвейеры генерации субтитров, принудительного выравнивания и диаризации. Ming возвращает текст транскрипции без пословных тайм-кодов и без диаризации спикеров, и в карточке это указано как ограничение, а не как упущение. Если вашему конвейеру нужно знать, когда было произнесено слово, сравнение на этом заканчивается — не потому, что Ming показал худший результат, а потому, что такого вывода не существует.

Потоковая передача — вторая граница. Прилагаемый пример не принимает потоковый ввод, а модель рассчитана на целые клипы с необязательной языковой подсказкой. Экосистема Whisper потратила два года на создание инкрементальных обёрток с низкой задержкой вокруг 30-секундного окна; Ming публично доступен всего несколько дней, и у него таких обёрток нет.

Развёртывание — третье. Whisper large-v3-turbo с 809 миллионами параметров легко помещается на одной потребительской GPU и имеет пути вывода на CPU через оптимизированные среды выполнения. Ming требует CUDA GPU, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2 и trust_remote_code=True, чтобы загрузить собственный файл моделирования — что является решением о цепочке поставок в не меньшей степени, чем инженерным. Примерно 17,7 ГБ весов BF16 — это не загрузка для ноутбука.

То, в чём Ming вырывается вперёд, — это всё, для чего существует режим контекста: китайская речь с покрытием диалектов, с которыми Whisper справляется плохо, и короткие реплики, насыщенные именами, названиями и отраслевым жаргоном, которые можно перечислить заранее. Существует отдельный путь обслуживания через адаптер SGLang с закреплённым коммитом, что говорит о том, что поставщик ожидает, что это будет обслуживаться, а не только запускаться как скрипт.

Применяя это к реальному решению

Если ваше аудио на английском, или многоязычное, или вам нужны субтитры с таймингом, или вы хотите, чтобы что-то уже завтра работало на машине с CPU, ответ — Whisper large-v3-turbo, и никакой другой вариант близко не стоит. Два года в продакшене, экосистема рантаймов и формат вывода, который уже используют все, стоят больше, чем несколько пунктов CER на графике вендора.

Если ваше аудио — на мандаринском или региональном диалекте, если клипы короткие и если вы можете перечислить имена, которые в них появятся, Ming-3.0-asr-tiny стоит сравнительного тестирования — но только его. У него 35 скачиваний. Никто за пределами лаборатории не публиковал сценарии его отказов, а значит, именно вам придётся их обнаруживать.

Не считайте количество параметров сигналом качества — ни в положительном, ни в отрицательном смысле. Ming в восемь раз больше turbo и не превосходит его ни по одной общей независимо измеренной оси, поскольку ни одна общая ось не измерялась. 8,87 млрд параметров дают объём контекстного априорного знания, сопоставимый с языковой моделью, и ставку на диалект, а не документально подтверждённый выигрыш в точности.

Запуск сравнения на вашем собственном аудио

Ни одной из этих моделей сегодня нет в каталоге OrcaRouter, так что честная версия этого раздела такова: вы получите их из собственного репозитория поставщика и запустите самостоятельно. Чем здесь полезна маршрутизирующая прослойка — это то, что идёт после: пропустить часть вашего реального трафика через модель-кандидата, пока текущая модель продолжает обслуживать остальное, с автоматическим переключением при сбое нового пути и одним API-ключом для более чем 200 моделей, чтобы добавление второго мнения не означало второй контракт. OrcaRouter передаёт цены из прайс-листов провайдеров с наценкой 0%, что имеет меньшее значение для открытых весов, которые вы размещаете сами, и большее — для моделей, доступных через хостинг, с которыми вы будете их сравнивать.

Тест, который стоит провести, займёт полдня: 200 клипов из вашего собственного корпуса, половина из которых содержит имя собственное, оценённых вручную. Передайте Ming список горячих слов, а Whisper large-v3-turbo — те же имена в его поле prompt. Сравнивайте полноту распознавания именованных сущностей, а не частоту ошибок на уровне символов, потому что именно эта ось — то, для чего Ming на самом деле создавался, и то, что отражает таблица контекста поставщика. Затем решите, можно ли пережить разрыв в метках времени — а для большинства пайплайнов ответ будет отрицательным.

Что могло бы изменить этот вердикт?

Две вещи. Независимая оценка на общем тестовом наборе решила бы вопрос точности, на который не ответил ни один из поставщиков, а провести её может любой. А анонс релиза — с заявлением об обучающих данных, указанной датой релиза и дорожной картой с временными метками — превратил бы Ming из чекпойнта с многообещающей конфигурацией в продукт, с которым можно строить планы. До тех пор правильное описание — неприукрашенное: хорошо документированный набор весов, выпущенный без шума, с кодировщиком Whisper внутри и пока что без кого-либо за пределами лаборатории, кто мог бы сказать, как именно он ошибается.