Ming-3.0-asr-tiny vs Whisper large-v3-turbo: Whispers encoder, en annan mun

Öppna konfigurationsfilen för Ming-3.0-asr-tiny och ljudtornet läser tillbaka till dig: 1 280 dolda dimensioner, 32 kodarlager, 20 uppmärksamhetshuvuden, 128 mel-bins. Det är dimensionerna för Whisper large-v3:s kodare, och repot säger det rakt ut – det innehåller en fil som heter modeling_whisper_encoder.py och behåller OpenAIs MIT-notis i en separat WHISPER_LICENSE. Det här är alltså inte en historia om två orelaterade talstackar. Ming-3.0-asr-tiny är en igenkännare med kinesiska i första hand som behöll Whispers öron och ersatte munnen: en 24-lagers mixture-of-experts-dekoder, 8,87 miljarder parametrar enligt dess safetensors-index, betingad på hotwords och föregående dialog. Whisper large-v3-turbo är destillationen med 809 miljoner parametrar som behöll samma kodare och skar ned dekodern från 32 lager till fyra. Varje Ming-siffra i den här artikeln kommer från ett enda ställe, och det är modellkortet för Ming-3.0-asr-tiny på Hugging Face, som innehåller vikterna, konfigurationen, de fyra utvärderingsdiagrammen och en filmtillgång för lanseringen daterad i dag. Baslinjen med 809M parametrar, 99 språk och MIT-licens dokumenteras i modellkortet för Whisper large-v3-turbo, tillsammans med beteendet kring ordtidsstämplar och översättning som den här jämförelsen ständigt återkommer till. De dokumenterade AI-misslyckandena och agentincidenterna bakom releaser som den här samlas i OrcaRouter AI Incident Archive, där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och omstridd-flagga.

Om du vill ha det korta svaret innan detaljerna: de är inte utbytbara. Whisper large-v3-turbo ger tidsstämplar, översätter till engelska, täcker 99 språk och körs på hårdvara som inte är en CUDA-GPU. Ming-3.0-asr-tiny ger endast vanlig text och inget annat, täcker kinesiska och engelska med en seriös satsning på regionala dialekter, och kräver en ny PyTorch- och Transformers-stack med fjärrkodskörning aktiverad. Överlappningen är transkription av korta klipp på kinesiska, och inte ens där har de två någonsin utvärderats mot varandra av någon.

Vad som släpptes, och hur tyst

Hugging Face-repositoriet för Ming-3.0-asr-tiny skapades den 14 oktober 2026. När detta skrevs visade det 35 nedladdningar och en enda gilla-markering. Det medföljande GitHub-repositoriet har 20 commits, en stjärna, inga forks och en tom Releases-flik. Det finns inget leverantörsblogginlägg, ingen pressbevakning och inget lanseringstillkännagivande av något slag – modellkortet är tillkännagivandet.

Kortet avstår också från att ange ett releasedatum. Den enda dateringssignalen i repot är en releasefilmstillgång som ligger under en sökväg som innehåller media-2026-10-19, vilket är i dag. Behandla vikterna som ett antal dagar gamla och tillkännagivandet som ännu inte gjort, snarare än som en produktlansering som du har missat.

Det som repositoriet faktiskt fastställer, bortom allt tvivel, är formen på det du skulle ladda ner: 8,87 miljarder parametrar uppdelade på två safetensors-shardar i BF16, en vokabulär på 157 184 token, en textavkodare med 24 lager, en ljudkodare med 32 lager och ett asr_output_format-fält inställt på plain. Repositoriets egna benchmarkdiagram betecknar modellen 8.6B-A2B, vilket är en leverantörsförkortning för ungefär 2 miljarder parametrar aktiva per token; safetensors-indexet är den mer exakta siffran, och de två skiljer sig med ungefär 270 miljoner.

Samma öron, olika mun

Encodern är den del som folk hoppar förbi, och här är den den mest informativa raden i konfigurationen. En ljudencoder med 1 280 dimensioner, 32 lager och 20 huvuden, med 128 mel-ingångar, är Whisper large-arkitekturen, och filnamnen i repot bekräftar härstamningen snarare än att bara påminna om den. Encodern är också den mindre halvan av Ming: 32 lager i en konventionell transformer mot en dekoder som rymmer 128 experter, dirigerar åtta av dem per token, behåller det första lagret som dense och komprimerar attention med lågrangsprojektioner (q_lora_rank 256, kv_lora_rank 512). Det är en språkmodell med en påmonterad ljudfront-end, inte en ASR-modell med en påhängd språkmodell.

Whisper large-v3-turbo gick i motsatt riktning. Det är samma encoder med en dekoder destillerad från 32 lager till fyra, vilket är där parametrantalet på 809 miljoner och den ungefär åtta gånger snabbare prestandan jämfört med large-v3 kommer ifrån. Allt som gör turbo billigt ligger på avkodningssidan; allt som gör Ming dyrt ligger också där.

• Parametrar — Ming-3.0-asr-tiny 8,87B i BF16, varav leverantören betecknar cirka 2B som aktiva per token. Whisper large-v3-turbo 809M.

• Avkodare — 24 lager, 128 experter med 8 routade per token, lågrankkomprimerad uppmärksamhet. Whisper: 4 lager, täta, destillerade från large-v3:s 32.

• Ljudfront-end — en 32-lagrig, 1 280-dimensionell Whisper-formad encoder i båda fallen, vilket är det minst uppenbara faktumet i den här jämförelsen.

• Inmatningsfönster — Ming tar 3 000 mel-ramar upp till 30 sekunder och 6 000 därutöver, där längre ljud delas upp mot en kontext på 8 192 positioner. Whispers receptionsfält är 30 sekunder och uppdelningen hanteras av den omgivande verktygsuppsättningen.

• Utdata — vanlig transkriptionstext kontra transkription plus tidsstämplar på menings- och ordnivå, plus översättning till engelska.

• Språk — kinesiska och engelska, med 15 regionala kinesiska dialekttestset, jämfört med 99 språk.

• Licens — MIT för Mings vikter och originalkod, med medföljande Apache-2.0-filer som behåller sina egna rubriker; MIT för Whisper large-v3-turbo. Det här är den enda raden där det inte finns något att diskutera.

Vad leverantörens diagram visar, och vilka som saknas i dem

Mings utvärdering återfinns helt och hållet i fyra PNG-diagram på modellkortet. Texten i repositoryt innehåller inga siffror alls, och diagrammen är värda att läsas noggrant eftersom de inte är genomgående smickrande.

På det kinesiska genomsnittet – ett CER-medelvärde över AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese och WenetSpeech – får Ming 3,55, och den bästa siffran någonstans i den tabellen är 2,94. På det engelska genomsnittet – LibriSpeech clean och other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English och VoxPopuli – får Ming 3,99 mot ett bästa värde i tabellen på 3,69. På 15-dialektgenomsnittet får Ming 8,42 mot ett bästa värde i tabellen på 8,00. Med andra ord ligger Ming på leverantörens egna diagram konsekvent nära täten och konsekvent inte först.

Det är inom de interna domänuppsättningarna som det ser starkast ut, där CER ligger på 1,62 för chatt, 1,03 för offentlig sektor, 1,58 för hälsa, 2,49 för kunskap och 1,61 för lokalt liv. Det är de siffrorna som bör behandlas mest försiktigt, eftersom interna testset har ett okänt mått av gemensamt ursprung med icke redovisade träningsdata, och modellkortet säger ingenting om vad modellen har tränats på.

Tabellen för kontext-ASR är den som förtjänar en andra titt. Dess aggregerade värde placerar Ming på 4,36, efter Qwen3-Omni på 4,34 och Qwen3-ASR-1.7B på 4,23, och före Gemini 2.5 Pro på 6,3. Modellens huvudfunktion – att mata den med hotwords och dialogkontext – gör den inte till den bästa kontextmedvetna igenkännaren i dess egen jämförelse. Den vinner dock enskilda rader för namngivna entiteter, särskilt när det gäller andelen falska negativa svar för entiteter, vilket är måttet som spelar roll när frågan är "fick den namnet rätt" snarare än "hur många tecken var fel".

Nu den utelämning som avgör hur mycket något av detta är värt för dig: Whisper large-v3-turbo förekommer inte i något av de fyra diagrammen. Baslinjerna är Q​wen omni-modeller, Qwen3-ASR-1.7B, Fun-ASR 1.5 och FireRedASR2-LLM-8B. Det finns ingen leverantörsrapporterad direkt jämförelse mellan de två modellerna i den här artikeln, och varje tabell som påstår det har hittat på den. Varje siffra ovan är leverantörsrapporterad och har inte oberoende reproducerats.

Där Whisper fortfarande inte kan följas, och där Ming inte kan

Tidsstämplar är den hårda gränsen. Whisper large-v3-turbo returnerar tidsangivelser på menings- och ordnivå tillsammans med texten, vilket är det som pipeline för undertextgenerering, forced alignment och diarisering bygger på. Ming returnerar transkriberad text utan tidsstämplar på ordnivå och utan talardiarisering, och kortet anger detta som en begränsning snarare än en utelämning. Om din pipeline behöver veta när ett ord sades, slutar jämförelsen där – inte för att Ming fick sämre resultat, utan för att utdata inte finns.

Streaming är den andra gränsen. Det medföljande exemplet tar inte emot strömmande indata, och modellen är utformad kring hela klipp med en valfri språkangivelse. Whisper-ekosystemet har ägnat två år åt att bygga inkrementella och låglatenswrapper runt ett 30-sekundersfönster; Ming har varit offentligt i några dagar och saknar sådana.

Driftsättning är den tredje. Whisper large-v3-turbo med 809 miljoner parametrar får plats utan problem på ett enda konsumentgrafikkort och har CPU-inferensvägar via optimerade körtider. Ming behöver ett CUDA-grafikkort, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2 och trust_remote_code=True för att läsa in sin egen modelleringsfil – vilket är ett beslut om leveranskedjan lika mycket som ett ingenjörsbeslut. Runt 17,7 GB BF16-vikter är inte en nedladdning för en bärbar dator.

Där Ming drar ifrån är allt som kontextläget finns till för: kinesiskt tal med dialekttäckning som Whisper hanterar dåligt, och korta yttranden täta på namn, titlar och domänjargong som du kan lista i förväg. En separat serveringsväg finns via en SGLang-adapter med en låst commit, vilket tyder på att leverantören förväntar sig att detta ska serveras snarare än bara köras som ett skript.

Att tillämpa detta på ett verkligt beslut

Om ditt ljud är på engelska, eller flerspråkigt, eller om du behöver undertexter med tidskodning, eller vill ha något som körs på en CPU-maskin imorgon, är svaret Whisper large-v3-turbo och det är inte ens nära. Två års produktionsanvändning, ett ekosystem av körtider och ett utdataformat som allting redan använder är värda mer än några CER-poäng på ett leverantörsdiagram.

Om ditt ljud är mandarin eller en regional dialekt, om dina klipp är korta och om du kan räkna upp namnen som kommer att förekomma i dem, är Ming-3.0-asr-tiny värt ett jämförande test – men bara ett jämförande test. Den har 35 nedladdningar. Ingen utanför labbet har publicerat något felsätt för den, vilket innebär att det är du som skulle upptäcka dem.

Läs inte parameterantalet som en kvalitetssignal i någon riktning. Ming är åtta gånger större än turbo och överträffar den inte på någon gemensam, oberoende uppmätt axel, eftersom ingen gemensam axel har uppmätts. De 8,87 miljarder parametrarna köper kontextuell prior i en språkmodells omfattning och en satsning på dialekt, inte en dokumenterad noggrannhetsvinst.

Kör jämförelsen på din egen ljudfil

Ingen av modellerna finns i OrcaRouters katalog i dag, så den ärliga versionen av det här avsnittet är att du skulle hämta dem från leverantörens eget repo och köra dem själv. Det ett routningslager är bra för här är delen som kommer efter: att låta en del av din verkliga trafik gå genom en kandidatmodell medan den nuvarande modellen fortsätter betjäna resten, med automatisk failover om den nya vägen fallerar, och en enda API-nyckel för över 200 modeller så att lägga till en andra åsikt inte innebär ett andra avtal. OrcaRouter förmedlar leverantörernas listpriser vidare med 0 % påslag, vilket spelar mindre roll för öppna vikter som du hostar själv och mer för de hostade modeller som du skulle jämföra dem mot.

Testet som är värt att köra tar en eftermiddag: 200 klipp från din egen korpus, hälften av dem med ett egennamn, bedömda för hand. Ge Ming listan med heta ord och ge Whisper large-v3-turbo samma namn i dess promptfält. Jämför återkallelse för namngivna entiteter snarare än teckenfelkvot, eftersom det är den axel som Ming faktiskt byggdes för och den som leverantörens kontexttabell rapporterar. Bestäm sedan om tidsstämpelgapet är överlevbart – vilket det, för de flesta pipelines, inte kommer att vara.

Vad skulle ändra denna dom?

Två saker. En oberoende utvärdering på en delad testmängd skulle avgöra noggrannhetsfrågan som ingen av leverantörerna har besvarat, och vem som helst kan köra den. Och ett lanseringsmeddelande – med en redogörelse för träningsdata, ett angivet releasedatum och en tidsatt färdplan – skulle förvandla Ming från en checkpoint med en lovande konfiguration till en produkt som man kan planera kring. Fram till dess är den korrekta beskrivningen den oglamorösa: en väl dokumenterad uppsättning vikter, utgiven i tysthet, med en Whisper-encoder inuti och ännu ingen utanför labbet som kan säga hur den misslyckas.