Ming-3.0-asr-tiny vs NVIDIA Parakeet TDT 0.6B: En utmanare med 35 nedladdningar möter en etablerad aktör med 626 000 nedladdningar

Nedladdningsräknarna är det första man bör titta på, eftersom de beskriver en klyfta som ingen benchmark i den här artikeln kan överbrygga. NVIDIA Parakeet TDT 0.6B v3 har över 626 000 nedladdningar och 1 200 gillamarkeringar på Hugging Face, släpptes den 14 augusti 2025 och levereras inuti NeMo-verktygslådan, en inbyggd C++-runtime och en Transformers-väg som folk faktiskt använder. Ming-3.0-asr-tiny har 35 nedladdningar och en handfull gillamarkeringar, med vikter som dök upp den 14 oktober 2026 och ingen annonsering från dess leverantör. Den ena är infrastruktur. Den andra är en checkpoint som är fem dagar gammal. Men de två är värda att jämföra, eftersom de löser olika problem och det intressanta är att Mings problem – kinesiska dialekter och hotwords – är ett som Parakeet TDT 0.6B v3 inte försöker sig på. Alla Parakeet-siffror här, inklusive nedladdningsantalet 626 738, kommer från modellkortet för NVIDIA Parakeet TDT 0.6B v3, som också innehåller Open ASR-tabellen och MUSAN-brusgenomgången. De dokumenterade AI-felen och agentincidenterna bakom releaser som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, förtroendegrad och flagga för omtvistad uppgift.

NVIDIAs kort är ovanligt komplett enligt måttstocken för den här bloggens vanliga ämnen: en fullständig Open ASR-tabell, en genomgång av brusrobusthet, en uppdelning per språk över 25 europeiska språk och ett angivet releasedatum. Mings kort är fyra PNG-diagram och ingen teknisk rapport. Den skillnaden i dokumentation är i sig ett fynd, och den hör hemma i beslutet tillsammans med noggrannhetssiffrorna.

Två avkodare som båda inte är en språkmodell

Parakeet TDT 0.6B v3 är en FastConformer-encoder med en Token-and-Duration Transducer-avkodare – 600 miljoner parametrar, 16 kHz monoingång, interpunktion och versaler i utdata. TDT är anledningen till att den är snabb: i stället för att avge en token per frame förutsäger transducern både en token och en varaktighet, så modellen kan hoppa över frames och gå framåt flera åt gången. Den är inte en encoder-only CTC-modell som IBM:s Granite Speech-serie, och den är inte en språkmodell med en audio-front-end som Ming. Det är mellanalternativet, och det har varit mellanalternativet tillräckligt länge för att vara tråkigt, vilket är en komplimang.

Ming-3.0-asr-tiny är den motsatta satsningen. Dess dekoder består av 24 lager mixture-of-experts – 128 experter, åtta routade per token, en delad, det första lagret dense – som alternerar tre Kimi Delta Attention-lager med ett Gated MLA-lager. Dess kodare har 32 lager vid 1 280 dimensioner med 20 huvuden och 128 mel-bins, vilket är samma form som Whisper large-v3, och repot levererar modeling_whisper_encoder.py med OpenAI:s MIT-notis för att tydliggöra härstamningen. Modellen har 8,87 miljarder parametrar enligt dess safetensors-index, varav cirka 2 miljarder är aktiva per token.

Det gör parameterjämförelsen skev på ett sätt som inte leder till bättre noggrannhet: 8,87 miljarder totalt mot 600 miljoner, och ungefär 2 miljarder aktiva mot en tät modell på 600 miljoner. Ming är en språkmodell som bär mikrofon. Parakeet är en talmodell som har lärt sig läsa.

Det som Parakeet gör men som Ming inte gör

Tre förmågor skiljer dem åt innan träffsäkerhet diskuteras, och alla tre är dokumenterade på korten i stället för antagna.

Det första är tidsstämplar. Parakeet TDT 0.6B v3 returnerar tidsangivelser på tecken-, ord- och segmentnivå via både sina NeMo- och Transformers-vägar, och kortet visar anropet som producerar dem. Det är denna enda förmåga som undertextgenerering, forced alignment, mötesdiarisering och alla gränssnitt för att "hoppa till ögonblicket då detta sades" bygger på. Mings användningsanteckningar anger att utdata är transkriptionstext utan tidsstämplar på ordnivå eller talardiariisering. Detta är inte en lucka i ett benchmark; det är avsaknaden av ett utdatafält.

Den andra är långt ljud. Parakeet hanterar det genom lokal attention – kortets egen metod byter in relativt positionerad lokal attention med en kontext på 256 bildrutor på vardera sidan för transkribering av långt ljud, och NVIDIA dokumenterar gränser på ungefär 24 minuter med full attention på ett 80 GB A100 och tre timmar med lokal attention. Ming accepterar en kontext på 8 192 positioner och delar upp längre ljud via ett kommandoradsargument, vilket är ett fungerande men annat slags svar.

Den tredje är ekosystemet. Parakeet körs i NeMo, i en Transformers-väg med AutoModelForTDT, och i en kvantiserad GGUF via NeMo-Speech.cpp utan Python vid körning. Ming kräver Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA och trust_remote_code=True, plus en separat låst SGLang-adapter om du vill servera den. På en maskin utan GPU är den skillnaden avgörande innan något WER-värde läses.

Jämför den listan med Mings kort, så handlar jämförelsen inte längre om noggrannhet. Varje rad i den är en förmåga som Mings repo uttryckligen säger att det inte har, angiven av NVIDIA som en funktion och av inclusionAI som en begränsning.

Vad varje leverantör mätte, och vad de mätte på

Parakeets engelska siffror kommer från Open ASR-leaderboardens offentliga set: 6,34 % genomsnittlig WER, med 1,93 % på LibriSpeech test-clean, 3,59 % på test-other, 11,31 % på AMI, 11,42 % på Earnings-22, 9,59 % på GigaSpeech, 3,97 % på SPGI Speech, 2,75 % på TED-LIUM och 6,14 % på VoxPopuli.

Dess flerspråkiga berättelse är tunnare än språklistan antyder, och det är värt att säga rakt ut eftersom kortet inte gör det. De 25 språken är verkliga, men den publicerade flerspråkiga utvärderingen är genomsnitt för FLEURS, MLS och CoVoST – 11,97 %, 7,83 % och 11,98 % – och Open ASR-tabellen ovan gäller endast engelska. Ett team som utvärderar detta för polska eller finska får ett FLEURS-tal per språk och ingen utvärdering av långa eller brusiga inspelningar på det språket över huvud taget.

Brusrobusthet är där kortet förtjänar sin plats. Med MUSAN-brus vid fallande signal-till-brusförhållanden går det genomsnittliga WER-värdet från 6,34 utan brus till 7,12 vid 10 dB, 8,23 vid 5 dB, 11,66 vid 0 dB och 19,88 vid −5 dB – en relativ försämring som NVIDIA anger till −213,64 % vid den sämsta punkten. Det är en verklig kurva, på offentliga data, och den säger något som en enda noggrannhetssiffra inte kan: under cirka 5 dB försämras den här modellen snabbare än linjärt.

Mings siffror är däremot ett kinesiskt genomsnittligt CER på 3,55, ett engelskt genomsnittligt WER på 3,99, ett genomsnitt på 8,42 över femton dialekter, ett internt genomsnitt på 1,67 över fem domäner och ett aggregerat context-ASR-värde på 4,36. Alla är leverantörsrapporterade, samtliga saknar reproduktion, och ingen av dem gäller en gemensam testmängd med Parakeet. För den enda mängd som båda rapporterar – LibriSpeech test-clean – publicerar Ming ingen siffra per mängd i löptext, endast sitt engelska genomsnitt för fem mängder, så jämförelsen kan inte göras utifrån korten över huvud taget.

Licenser är inte likvärdiga här

Mings vikter och ursprungliga kod är MIT, med medföljande Apache-2.0-filer som behåller sina egna rubriker och den Whisper-anpassade encodern som behåller OpenAIs MIT-meddelande. Parakeet TDT 0.6B v3 är CC BY 4.0, vilket tillåter kommersiell användning med attribution. Båda är tillåtande; ingen av dem är en fälla. Den praktiska skillnaden är attributionsformulering i din produktdokumentation, inte juridisk exponering.

Det som är värt att påpeka är att licensen för Mings arkiv är mer tillåtande än dess distributionsberättelse. MIT-vikter som kräver trust_remote_code=True och en fastlåst uppsättning beroenden är tillåtande att använda men besvärliga att distribuera, och de två sakförhållandena är oberoende av varandra.

Kontextfunktionen är den enda tydliga differentieraren

Parakeet TDT 0.6B v3 har ingen prompt, ingen hotword-lista och inget sätt att ange de namn som kommer att förekomma i ljudet. Den transkriberar det den hör med hjälp av det den har lärt sig över 25 europeiska språk, och för domänordförråd är den dokumenterade vägen finjustering, inte betingning. NVIDIA tillhandahåller också ett chunkat streaming-skript med konfigurerbart vänster- och högerkontext, vilket är ett latensverktyg snarare än ett träffsäkerhetsverktyg.

Ming accepterar hotwords eller föregående dialogvända som en del av transkriptionsprompten, och dess dialekttäckning – femton kinesiska testset inklusive kantonesiska, minnan och shanghainesiska, med ett genomsnitt på 8,42 – är en förmåga som Parakeet inte alls gör anspråk på. Om ditt ljud är mandarin, eller en regional variant av det, eller ett kinesiskt affärssamtal fullt av produktnamn, är Parakeet inte en kandidat och Ming är den enda av de två som är aktuell. Det är en verklig, specifik och kontrollerbar fördel, och det är anledningen till att den här jämförelsen finns i stället för att avgöras av nedladdningsräknaren.

Förbehållet är att hotwords bara är ledtrådar. Mings kort säger det rakt ut: att ange en term ökar chansen att den produceras och garanterar inte att den gör det. Den som har använt nyckelordsbias i något ASR-system känner till felsättet – modellen börjar höra hotordet i ljud som inte innehåller det. Testa det innan du litar på det.

Vad ska man göra med detta

Om du behöver engelsk transkribering med tidsangivelser, på hårdvara du redan äger, med en runtime som inte kräver en Python-miljö, är Parakeet TDT 0.6B v3 det säkra svaret, och antalet nedladdningar är inte fåfänga – det är en indikator på hur många felmoder som redan har hittats och dokumenterats av andra.

Om du behöver kinesiska, dialekter eller hotword-betingning är Ming-3.0-asr-tiny den enda av de två som klarar jobbet, den är genuint nyskapande inom den nischen, och den är fem dagar gammal med i princip ingen extern testning. Rätt hållning är ett bake-off på din egen korpus, där tidsstämpelgapet behandlas som en hård begränsning snarare än en avvägning: om ditt nedströmsystem använder ordtidsstämplar är utvärderingen över innan den ens har börjat.

För team som kör det jämförelsetestet i en produktionsmiljö hamnar jämförelsen vanligtvis i en router snarare än i ett kalkylblad – en slutpunkt framför självhostade kandidater, automatisk failover så att en misslyckad begäran faller tillbaka på den befintliga lösningen, och en nyckel för över 200 hostade modeller i stället för ett andra avtal för varje jämförelse. Varken Ming-3.0-asr-tiny eller NVIDIA Parakeet TDT 0.6B v3 finns i OrcaRouter-katalogen, så ingen av dem är något vi tillhandahåller; routningslagret förtjänar sin plats runt dem, inte genom dem.

Asymmetrin som inte vill försvinna

En modell har ett releasedatum, ett dokumentationsspår i arXiv-stil, en inlämning till resultattavlan, en brusgenomsökning och en tabell per språk. Den andra har fyra diagram, en konfigurationsfil, en commit-logg och en lanseringsfilm. Det är inte en kritik av Mings ingenjörskonst — arkitekturen är mer ambitiös än Parakeets och dialektsatsningen är verklig — men dokumentation är det som gör en checkpoint till något som ett team kan införa utan att bli leverantörens QA-avdelning.

Det mest användbara som endera leverantören skulle kunna publicera härnäst är samma sak: en gemensam utvärdering på kinesiskt och engelskt ljud, bedömd av en tredje part, där såväl tidsstämplar som ord mäts. Tills en sådan finns vilar beslutet på kapacitetsgränser som redan är dokumenterade – timing, streaming, hårdvara, språk, hotwords – och dessa gränser är tillräckligt skarpa att välja utifrån.