Ming-3.0-audio-tiny vs VibeVoice-ASR-Streaming 1.5B: Fem streck mot en talarattribuerad ström

Öppna igenkänningsbilden i Ming-3.0-audio-tiny:s Hugging Face-repository och scrolla längst ner. Fem rader – talardiarsering och sammanfogat minsta-permutationsfel för AISHELL-4, AliMeeting och AMI – har ett streck i tiny-kolumnen. Inte en dålig siffra. Ett tomrum. Leverantören mätte sitt större syskon på alla fem och avstod från att mäta det lilla. Öppna nu modellkortet för VibeVoice-ASR-Streaming 1.5B och läs den första punkten: den transkriberar vem som sa vad, kontinuerligt, i takt med att talet anländer. Det är samma fem rader, inverterat. Den ena modellen publicerar nästan allt utom talartillskrivning; den andra finns främst för att publicera den. De dokumenterade AI-felen och agentincidenterna bakom släpp som detta samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensgrad och flagga för omstriddhet.

Ingen av dem har poängsatts oberoende. Det spelar mindre roll här än vanligt, eftersom den här matchen avgörs av ett designbeslut snarare än en siffra: vad som händer när ljudet aldrig slutar komma in. Ming-3.0-audio-tiny är en filmodell med ett stort fönster och en valfri talutmatning. VibeVoice-ASR-Streaming 1.5B är en strömmodell som skickar ut text ungefär var tredje sekund och märker varje segment med en talare. Om din arbetsbelastning är en inspelning tävlar de. Om din arbetsbelastning är ett rum är det bara en av dem som försöker.

Vad "streaming" kostar i konfigurationen

Microsofts repo är ovanligt genomskinligt när det gäller den egna latensbudgeten, vilket gör avvägningen kontrollerbar snarare än till marknadsföring. De akustiska och semantiska tokeniserarna är kausala och körs med 3 200× komprimering mot en 24 kHz-ingång, så tokenströmmen är cirka 7,5 tokens per sekund ljud. Streaming-omslaget batchar 22 tokenramar per chunk med 4 ramars framförhållning: 22 delat med 7,5 är ungefär 2,9 sekunder per utsändning, och 4 delat med 7,5 är ungefär en halv sekund framtida ljud som modellen får se innan den bestämmer sig.

• Emissionstakt – cirka 2,9 sekunder; lookahead är den del som ger noggrannhet på bekostnad av latens.

• Backbone – en dekoder i Qwen2-familjen, 28 lager, 1 536 dolda dimensioner, 12 huvuden med 2 nyckel-värde-huvuden, fönster på 64 000 tokens.

Storlek – tre safetensors-shards med totalt 5,63 GB. Det är inte 1,5B parametrar; 5,63 GB i bf16 motsvarar närmare 2,8 miljarder, och 1,5B i namnet bör snarare läsas som språkryggraden än hela stacken.

• Språk – tio: kinesiska, engelska, franska, tyska, italienska, japanska, koreanska, portugisiska, ryska, spanska.

• Extra – anpassade hotwords som skickas som kontext, och en talaretikett kopplad till varje genererat segment.

• Datering – repositoryt skapades den 2 september 2026 kl. 15:51 UTC och ändrades senast morgonen därpå. Det tillkännagavs endast genom en nyhetsrad i VibeVoice GitHub README, vilket vill säga knappt tillkännagivet alls.

Det där 64K-fönstret är siffran att ställa mot Mings 131 072. Det låter som halva kapaciteten, men det är inte samma sorts kapacitet. En strömmande modell behöver inte hålla en timme, eftersom den redan har skrivit ned de senaste femtio­nio minuterna. Fönstret är arbetsminne för den aktuella biten plus den dialogkontext modellen bär med sig. Mings 131K är det motsatta vadet: håll allt levande och resonera över det.

Mings satsning, och vad den ger

Den lilla modellens säljargument är inte igenkänningsnoggrannhet – enligt inclusionAI:s egna tabeller ligger den 0,34 punkter efter sin större syskonmodell för kinesiska (3,79 mot 3,45 i teckenfel) och 0,89 efter för dialekter (10,29 mot 9,40). Säljargumentet är att en enda checkpoint utför igenkänning, förståelse, resonemang och tal i samma framåtpassering, över ett fönster som är tillräckligt långt för att ”vad sa hon under de första tio minuterna” ska vara en fråga man kan ställa.

Dess ljudintelligenssiffror är respektabla med tanke på storleken och är anledningen att föredra den framför en ren transkriberare: MMAU 75.90, MMAR 67.70, MMSU 73.06, BigBenchAudio 99.20, MuchoMusic 58.07 för musik. Alla är körda av leverantören, med asterisker på de självutvärderade raderna, och kortet uppger att jämförelsemodellerna återgavs med inclusionAI:s egna prompter och avkodning. Läs dem som en designbrief.

Det tabellerna inte berättar är vem som talade. Det är gapet som de fem strecken markerar, och det är strukturellt snarare än oavsiktligt. En modell som svarar på frågor om en inspelning behöver inte segmentering per talare för att kunna svara på dem; en modell som producerar en transkription för ett möte gör det. Ming kan förmodligen promptas till något som liknar talarmärkning, och kortets framhävning av "inspelningar med flera talare" tyder på att det tränades nära problemet. Men "förmodligen" gör jobbet som fem opublicerade rader.

Två pipelines, ärligt ritade

Tänk dig samma nittio minuter långa inspelning köras genom var och en.

Med VibeVoice-ASR-Streaming 1.5B kommer ljudet in i chunkar på ungefär tre sekunder och texten ut i samma takt, där varje segment har en talare. Du kan visa det live. Kostnaden är att varje beslut är mer eller mindre lokalt: modellen såg en halv sekund framåt och vilken kontext den än behåller, så en talare som pausar i fyra sekunder kan komma tillbaka med en annan etikett, och ett namn som introduceras vid minut två går bara att återfå via hotwords-mekanismen, som du själv tillhandahåller. Konsistens mellan chunkar är det man bör testa och det som modellkortet inte kvantifierar.

Med Ming-3.0-audio-tiny landar filen, allt finns i kontexten och svaret kommer när det kommer. Konsistens mellan chunkar är ingen risk eftersom det inte finns några chunkar – upp till fönstret. Kostnaden är att inget är tillgängligt förrän modellen har kört klart, och minnesreservationen dimensioneras för hela fönstret: referens-ASR-profilen tar 0,92 av ett kort med en batch på 32 768 tokens. Du kan sänka max_model_len; du kan inte få den att streama, eftersom det inte finns någon streamingväg i kodförrådet.

• Latensprofil – VibeVoice: kontinuerlig, ~3 s efter. Ming: ett svar i slutet.

• Tillskrivning — VibeVoice: per segment, avsiktligt. Ming: opublicerad.

• Kontext – VibeVoice: 64K arbetsfönster plus dess egen transkription. Ming: 131,072 positioner, ungefär tre timmars ljud enligt beräkningar på encodern, om processorn matar in en enda kontinuerlig ström.

• Utdata — VibeVoice: text. Ming: text, eller text plus syntetiserat tal via en valfri Talker på en andra GPU.

• Hårdvara – VibeVoice: en kontrollpunkt på 5,63 GB, alltså ett enda vanligt grafikkort. Ming: 17,74 GB för Thinker, ett kort för text, två för tal.

Licensen och pappersarbetet är desamma, och det är ovanligt.

Båda är MIT-licensierade. Båda är diskreta lanseringar. Båda lade upp vikterna innan dokumentationen hann ikapp, och båda förlitar sig på ett GitHub-repositorium som inte är namngivet efter checkpointen: Mings driftsättningsprofiler finns i inclusionAI/Ming-3.0-audio-flash, och användningsinstruktionerna för VibeVoice finns i microsoft/VibeVoice tillsammans med 7B-syskonet.

Skillnaderna ligger i vad varje repository berättar för dig. Microsoft levererar en teknisk rapport – arXiv 2609.02812 – och en resultatfigur i kortet, som är en bild snarare än en tabell, så siffrorna går inte att extrahera och ingen felkvot per språk anges i texten. inclusionAI levererar tre benchmarkbilder, också bilder, plus ett kort som bara implicit anger sina egna svagheter, genom att lämna celler tomma. Ingen av leverantörerna ger dig en siffra som du kan klistra in i ett kalkylblad utan att skriva av den för hand.

En asymmetri är värd att flagga för alla som sysslar med upphandling: Mings Hugging Face-repository innehåller ingen LICENSE-fil, bara en länk i kortets metadata till en licens i det andra repot. VibeVoice-kortet anger MIT i metadata och repot innehåller licensfilen. Båda påståendena är sanna; bara ett av dem finns inuti artefakten.

Vad en router är och inte är till för här

OrcaRouter tillhandahåller ingen av modellerna. Ming-3.0-audio-tiny är en checkpoint och VibeVoice-ASR-Streaming 1.5B är en checkpoint; ingen av dem finns i vår katalog, och inget i den här artikeln är ett erbjudande om att vara värd för dem. Routerns plats i en pipeline som den här är nedströms transkriberingen och uppströms beslutet: sammanfatta samtalet, extrahera åtagandena, klassificera om segmentet behöver en människa, översätta de delar som inte var på arbetsspråket. Dessa anrop är text, och en enda slutpunkt för mer än 200 modeller med 0 % påslag — leverantörens listpris förs vidare, så en leverantörsprisändring landar på vår sida samma dag — tar bort ett avtal per leverantör från bygget. Automatisk failover är den specifika funktion som spelar roll när ett två timmar långt transkriberingsjobb måste lämna ifrån sig sin utdata till en pålitlig mottagare klockan 2 på natten.

Det en router inte gör är att jämka två talaretiketter som inte stämmer överens, eller avgöra om Mings saknade diariseringsrader är en verklig svaghet eller en omätt sådan. Det är en uppgift för din egen ljudinspelning.

Testet som skiljer dem åt på en eftermiddag

Spela in tjugo minuter med tre personer, varav en talar i munnen på de andra två gånger och en använder en laptopmikrofon. Kör den genom VibeVoice-ASR-Streaming 1.5B med hotword-listan fylld med de tre namnen, eftersom det är mekanismen som modellen tillhandahåller för just detta. Kör samma fil genom Ming-3.0-audio-tiny med den validerade prompten som ber om språketiketten, en tabb, sedan transkriberingen — och be den sedan, i en andra tur, att tillskriva varje mening.

Poängsätt fyra saker: hur många talarbyten den första modellen fick rätt på, om någon talaretikett växlade mitt i inspelningen, om den andra modellens tillskrivning var stabil genom hela filen, och vilken utdata du snabbast skulle kunna rätta för hand. Den sista är inte ett benchmark och kommer att förutsäga din produktionserfarenhet bättre än någon av leverantörernas siffror.

Och ha tankstrecken i åtanke medan du gör det. En leverantör som publicerar en dialekttabell med två decimaler och lämnar fem diariseringsceller tomma har sagt dig något specifikt om var dess säkerhet upphör. Microsoft har i sin tur publicerat en figur i stället för en tabell och lämnat åt dig att läsa bilden. Ingen av dem har gett dig en siffra som någon utomstående har kontrollerat.

Där var och en faktiskt hör hemma

Liveundertexter, callcenterövervakning, mötesassistenter som behöver ett namn bredvid varje rad: VibeVoice-ASR-Streaming 1.5B är byggd för den formen, och med 5,63 GB körs den på hårdvara du förmodligen redan har. Efterlevnadsgranskning av ett arkiv, "hitta varje omnämnande av förlikningen i dessa fyrtio inspelningar", allt där frågan kommer efter ljudet i stället för under det: Ming-3.0-audio-tinys enda stora fönster och dess förståelsepoäng passar bättre, och de saknade diariseringsraderna spelar ingen roll om ingen frågade vem som talade.

Misstaget vore att välja Ming för ett streamingjobb eftersom 131,072 är dubbelt så mycket som 64,000, eller att välja VibeVoice för ett resonemangsjobb eftersom 1.5B låter billigare än 9.3B. Båda siffrorna beskriver något annat än vad meningen förutsätter, vilket är det mest tillförlitliga som den här jämförelsen har fastställt.