Ming-3.0-asr-tiny กับ NVIDIA Parakeet TDT 0.6B: ผู้ท้าชิงที่มียอดดาวน์โหลด 35 ครั้ง พบกับผู้นำตลาดที่มียอดดาวน์โหลด 626,000 ครั้ง

ตัวนับดาวน์โหลดเป็นสิ่งแรกที่ควรดู เพราะมันบ่งบอกถึงช่องว่างที่ไม่มีเบนช์มาร์กใดในบทความนี้สามารถอุดได้ NVIDIA Parakeet TDT 0.6B v3มีดาวน์โหลดกว่า 626,000 ครั้งและถูกใจ 1,200 ครั้งบน Hugging Face เปิดตัวเมื่อ 14 สิงหาคม 2025 และมาพร้อมในชุดเครื่องมือ NeMo ทั้งรันไทม์ C++ แบบเนทีฟและเส้นทาง Transformers ที่ผู้คนใช้งานจริง Ming-3.0-asr-tinyมีดาวน์โหลด 35 ครั้งและถูกใจเพียงไม่กี่ครั้ง โดยมีน้ำหนักโมเดลที่เปิดตัวเมื่อ 14 ตุลาคม 2026 และไม่มีการประกาศจากผู้จำหน่าย ตัวหนึ่งเป็นโครงสร้างพื้นฐาน อีกตัวเป็นเช็กพอยต์ที่เพิ่งมีอายุห้าวัน แต่ทั้งสองก็น่าจะนำมาเปรียบเทียบกัน เพราะมันแก้ปัญหาที่แตกต่างกัน และส่วนที่น่าสนใจคือปัญหาของ Ming — ภาษาจีนถิ่นและฮอตวอร์ด — เป็นสิ่งที่ Parakeet TDT 0.6B v3 ไม่ได้พยายามจัดการตัวเลขทุกตัวของ Parakeet ที่นี่ รวมถึงจำนวนดาวน์โหลด 626,738 ครั้ง มาจากการ์ดโมเดล NVIDIA Parakeet TDT 0.6B v3 ซึ่งมีการ์ด Open ASR และการทดสอบเสียงรบกวน MUSAN ด้วยความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่มีการบันทึกไว้เบื้องหลังการเปิดตัวลักษณะนี้ ถูกรวบรวมไว้ในthe OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความมั่นใจ และสถานะถูกโต้แย้งของตัวเอง

การ์ดของ NVIDIA ครบถ้วนอย่างผิดปกติเมื่อเทียบกับมาตรฐานของหัวข้อที่บล็อกนี้มักนำเสนอ โดยมีทั้งตาราง Open ASR แบบเต็ม การทดสอบความทนทานต่อเสียงรบกวนแบบครอบคลุม การแจกแจงผลรายภาษาครอบคลุม 25 ภาษายุโรป และวันที่เปิดตัวที่ระบุไว้อย่างชัดเจน ส่วนการ์ดของ Ming มีเพียงแผนภูมิ PNG สี่ภาพและไม่มีรายงานทางเทคนิค ความแตกต่างด้านเอกสารนี้เองก็ถือเป็นข้อค้นพบ และควรนำมาพิจารณาในการตัดสินใจควบคู่ไปกับตัวเลขความแม่นยำ

ดีโคเดอร์สองตัวที่ทั้งคู่ไม่ใช่โมเดลภาษา

Parakeet TDT 0.6B v3 เป็นเอนโคเดอร์ FastConformer ที่มีตัวถอดรหัส Token-and-Duration Transducer — 600 ล้านพารามิเตอร์ อินพุตโมโน 16 kHz เอาต์พุตมีเครื่องหมายวรรคตอนและการใช้ตัวพิมพ์ใหญ่ TDT คือเหตุผลที่มันเร็ว: แทนที่จะปล่อยหนึ่งโทเคนต่อเฟรม ทรานสดิวเซอร์จะทำนายทั้งโทเคนและระยะเวลา ทำให้โมเดลข้ามเฟรมและเลื่อนไปหลายเฟรมพร้อมกันได้ มันไม่ใช่โมเดล CTC แบบ encoder-only อย่างสาย Granite Speech ของ IBM และไม่ใช่โมเดลภาษาที่มีส่วนหน้าด้านเสียงอย่าง Ming มันเป็นกรณีตรงกลาง และเป็นกรณีตรงกลางมานานพอจนน่าเบื่อ ซึ่งเป็นคำชม

Ming-3.0-asr-tiny คือการเดิมพันในทางตรงกันข้าม ตัวถอดรหัสของมันคือ 24 เลเยอร์ของ mixture-of-experts — ผู้เชี่ยวชาญ 128 ตัว โดยมีแปดตัวที่ถูกเลือกเส้นทางต่อโทเค็น หนึ่งตัวใช้ร่วมกัน และเลเยอร์แรกเป็นแบบ dense — สลับกันระหว่างสามเลเยอร์ Kimi Delta Attention กับหนึ่งเลเยอร์ Gated MLA ตัวเข้ารหัสมี 32 เลเยอร์ที่มิติ 1,280 พร้อม 20 หัว และ 128 mel bins ซึ่งเป็นโครงสร้างแบบ Whisper large-v3 และรีพอซิทอรีมาพร้อมกับ modeling_whisper_encoder.pyพร้อมประกาศ MIT ของ OpenAI เพื่อให้เห็นสายที่มาอย่างชัดเจน โมเดลนี้มี 8.87 พันล้านพารามิเตอร์ตามดัชนี safetensors โดยมีประมาณ 2 พันล้านตัวที่ทำงานต่อโทเค็น

นั่นทำให้การเปรียบเทียบพารามิเตอร์ไม่สมดุลในลักษณะที่ไม่สะท้อนออกมาเป็นความแม่นยำ: รวม 8.87 พันล้าน เทียบกับ 600 ล้าน และแอ็กทีฟราว 2 พันล้าน เทียบกับแบบเดนส์ 600 ล้าน Ming คือโมเดลภาษาที่สวมไมโครโฟน ส่วน Parakeet คือโมเดลเสียงพูดที่เรียนรู้ที่จะอ่าน

สิ่งที่ Parakeet ทำแต่ Ming ไม่ทำ

ความสามารถสามประการเป็นสิ่งที่ทำให้พวกเขาแตกต่างกันก่อนที่จะกล่าวถึงความแม่นยำ และทั้งสามประการนี้ได้รับการบันทึกไว้บนการ์ดแทนที่จะเป็นการอนุมาน

อย่างแรกคือการประทับเวลา Parakeet TDT 0.6B v3 ให้ข้อมูลการจับเวลาระดับอักขระ ระดับคำ และระดับเซกเมนต์ ผ่านทั้งเส้นทาง NeMo และ Transformers และการ์ดโมเดลแสดงการเรียกใช้ที่สร้างข้อมูลเหล่านี้ ความสามารถเดียวนี้เองที่เป็นรากฐานของการสร้างคำบรรยาย การจัดแนวแบบบังคับ การแยกผู้พูดในที่ประชุม และอินเทอร์เฟซใด ๆ ที่ให้ "กระโดดไปยังช่วงเวลาที่คำนี้ถูกพูด" บันทึกการใช้งานของ Ming ระบุว่าเอาต์พุตเป็นข้อความถอดเสียงโดยไม่มีการประทับเวลาระดับคำหรือการแยกผู้พูด นี่ไม่ใช่ช่องว่างในเบนช์มาร์ก แต่เป็นการไม่มีฟิลด์เอาต์พุต

ตัวที่สองคือเสียงยาว Parakeet จัดการผ่าน local attention โดยสูตรเฉพาะของการ์ดเองจะสลับมาใช้ local attention แบบ relative-position โดยมีบริบท 256 เฟรมในแต่ละด้านสำหรับการถอดเสียงแบบยาว และ NVIDIA ระบุข้อจำกัดไว้ที่ประมาณ 24 นาทีเมื่อใช้ full attention บน A100 ขนาด 80 GB และสามชั่วโมงเมื่อใช้ local attention ส่วน Ming รองรับบริบท 8,192 ตำแหน่ง และแบ่งเสียงที่ยาวกว่าออกเป็นชิ้นผ่านอาร์กิวเมนต์บรรทัดคำสั่ง ซึ่งเป็นคำตอบที่ใช้งานได้แต่เป็นอีกแนวทางหนึ่ง

ข้อที่สามคือระบบนิเวศ Parakeet ทำงานใน NeMo ในเส้นทาง Transformers ด้วย AutoModelForTDT และใน GGUF แบบควอนไทซ์ผ่าน NeMo-Speech.cpp โดยไม่ต้องใช้ Python ขณะรัน Ming ต้องใช้ Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA และ trust_remote_code=True พร้อมอะแดปเตอร์ SGLang ที่ปักหมุดแยกต่างหากหากคุณต้องการให้บริการมัน บนเครื่องที่ไม่มี GPU ความแตกต่างนั้นชี้ขาดก่อนที่จะอ่านตัวเลข WER ใด ๆ

อ่านรายการนั้นเทียบกับสเปกของ Ming แล้ว การเปรียบเทียบก็ไม่ใช่เรื่องของความแม่นยำอีกต่อไป ทุกบรรทัดในรายการนั้นคือความสามารถที่รีโพซิทอรีของ Ming ระบุไว้อย่างชัดเจนว่าไม่มี โดย NVIDIA กล่าวถึงสิ่งนั้นในฐานะฟีเจอร์ และ inclusionAI กล่าวถึงในฐานะข้อจำกัด

ผู้ขายแต่ละรายวัดอะไร และวัดจากสิ่งใด

ตัวเลขภาษาอังกฤษของ Parakeet มาจากชุดข้อมูลสาธารณะของ Open ASR leaderboard: WER เฉลี่ย 6.34% โดยมี 1.93% บน LibriSpeech test-clean, 3.59% บน test-other, 11.31% บน AMI, 11.42% บน Earnings-22, 9.59% บน GigaSpeech, 3.97% บน SPGI Speech, 2.75% บน TED-LIUM และ 6.14% บน VoxPopuli

เรื่องราวความเป็นหลายภาษาของมันนั้นบางกว่าที่รายการภาษาบ่งชี้ และนี่คือสิ่งที่ควรพูดอย่างตรงไปตรงมาเพราะการ์ดไม่ได้บอกไว้ 25 ภาษานั้นมีจริง แต่การประเมินหลายภาษาที่เผยแพร่คือค่าเฉลี่ย FLEURS, MLS และ CoVoST — 11.97%, 7.83% และ 11.98% — และตาราง Open ASR ด้านบนเป็นภาษาอังกฤษเท่านั้น ทีมที่ประเมินสิ่งนี้สำหรับภาษาโปแลนด์หรือฟินแลนด์จะได้ตัวเลข FLEURS รายภาษา และไม่มีการประเมินแบบข้อความยาวหรือแบบมีเสียงรบกวนในภาษานั้นเลย

ความทนทานต่อเสียงรบกวนคือจุดที่การ์ดนี้พิสูจน์คุณค่า เมื่อทดสอบกับเสียงรบกวน MUSAN ที่อัตราส่วนสัญญาณต่อเสียงรบกวนลดหลั่นลง WER เฉลี่ยอยู่ที่ 6.34 ในสภาวะไม่มีเสียงรบกวน 7.12 ที่ 10 dB, 8.23 ที่ 5 dB, 11.66 ที่ 0 dB และ 19.88 ที่ −5 dB — ซึ่ง NVIDIA ระบุว่าเป็นการเสื่อมถอยเชิงสัมพัทธ์ −213.64% ที่จุดแย่ที่สุด นี่คือเส้นโค้งจริงบนข้อมูลสาธารณะ และบอกสิ่งที่ตัวเลขความแม่นยำค่าเดียวบอกไม่ได้: ที่ต่ำกว่าราว 5 dB โมเดลนี้เสื่อมลงเร็วกว่าแบบเชิงเส้น

ในทางกลับกัน ตัวเลขของ Ming คือ CER เฉลี่ยภาษาจีน 3.55, WER เฉลี่ยภาษาอังกฤษ 3.99, ค่าเฉลี่ยสิบห้าภาษาถิ่น 8.42, ค่าเฉลี่ยภายในองค์กรจากห้าโดเมน 1.67 และค่าสรุปรวมของ context-ASR 4.36 ทั้งหมดเป็นตัวเลขที่ผู้ขายรายงาน ยังไม่มีใครทำซ้ำได้ และไม่มีรายการใดอยู่บนชุดทดสอบร่วมกับ Parakeet บนชุดเดียวที่ทั้งสองรายงาน คือ LibriSpeech test-clean Ming ไม่ได้เผยแพร่ตัวเลขแยกตามชุดในเนื้อความ มีเพียงค่าเฉลี่ยภาษาอังกฤษจากห้าชุดเท่านั้น ดังนั้นจึงไม่สามารถเปรียบเทียบจากการ์ดได้เลย

ใบอนุญาตไม่เทียบเท่ากันในที่นี้

weights และโค้ดต้นฉบับของ Ming อยู่ภายใต้สัญญาอนุญาต MIT โดยไฟล์ Apache-2.0 ที่รวมมาด้วยยังคงมีส่วนหัวของตัวเอง และเอนโคเดอร์ที่ดัดแปลงจาก Whisper ยังคงประกาศ MIT ของ OpenAI ไว้ Parakeet TDT 0.6B v3 อยู่ภายใต้ CC BY 4.0 ซึ่งอนุญาตให้ใช้เชิงพาณิชย์ได้โดยต้องระบุเครดิต ทั้งสองเป็นสัญญาอนุญาตแบบเปิดกว้าง ไม่มีตัวไหนเป็นกับดัก ความแตกต่างในทางปฏิบัติคือถ้อยคำการระบุเครดิตในเอกสารผลิตภัณฑ์ของคุณ ไม่ใช่ความเสี่ยงทางกฎหมาย

สิ่งที่ควรตั้งข้อสังเกตคือสัญญาอนุญาตของรีโพซิทอรีของ Ming นั้นเปิดกว้างกว่าวิธีการเผยแพร่ของมัน เวตโมเดลภายใต้ MIT ที่ต้องใช้ trust_remote_code=Trueและชุดดีเพนเดนซีที่ปักหมุดเวอร์ชันไว้นั้นใช้งานได้อย่างเปิดกว้างแต่ดีพลอยได้ลำบาก และข้อเท็จจริงสองข้อนี้เป็นอิสระต่อกัน

ฟีเจอร์ด้านบริบทเป็นสิ่งเดียวที่สร้างความแตกต่างได้อย่างชัดเจน

Parakeet TDT 0.6B v3 ไม่มีพรอมป์ต ไม่มีรายการฮอตวอร์ด และไม่มีวิธีระบุชื่อที่จะปรากฏในเสียง มันถอดเสียงสิ่งที่ได้ยินโดยใช้สิ่งที่เรียนรู้มาจาก 25 ภาษายุโรป และสำหรับคำศัพท์เฉพาะโดเมน แนวทางที่เอกสารระบุคือการ fine-tuning ไม่ใช่การ conditioning NVIDIA ยังมีสคริปต์ chunked-streaming ที่กำหนดบริบทซ้ายและขวาได้ ซึ่งเป็นเครื่องมือด้านความหน่วงมากกว่าด้านความแม่นยำ

Ming รองรับ hotwords หรือบทสนทนาก่อนหน้าเป็นส่วนหนึ่งของพรอมต์ถอดเสียง และความครอบคลุมภาษาถิ่นของมัน — ชุดทดสอบภาษาจีน 15 ชุด รวมถึงกวางตุ้ง หมิ่นหนาน และเซี่ยงไฮ้ ด้วยคะแนนเฉลี่ย 8.42 — เป็นความสามารถที่ Parakeet ไม่ได้อ้างว่ามีเลย หากเสียงของคุณเป็นภาษาจีนกลาง หรือเป็นภาษาถิ่นย่อยของภาษาจีนกลาง หรือเป็นสายธุรกิจภาษาจีนที่เต็มไปด้วยชื่อผลิตภัณฑ์ Parakeet ก็ไม่ใช่ตัวเลือก และ Ming เป็นตัวเดียวจากสองตัวที่ยังนำมาพิจารณา นั่นคือข้อได้เปรียบที่จริงจัง เฉพาะเจาะจง และตรวจสอบได้ และเป็นเหตุผลที่การเปรียบเทียบนี้มีอยู่ แทนที่จะถูกตัดสินด้วยตัวนับยอดดาวน์โหลด

ข้อแม้คือฮอตเวิร์ดเป็นเพียงคำใบ้ การ์ดของ Ming ระบุไว้ตรง ๆ ว่า การใส่คำใดคำหนึ่งจะเพิ่มโอกาสที่คำนั้นจะถูกสร้างขึ้น และไม่ได้เป็นการรับประกัน ใครก็ตามที่เคยใช้การให้น้ำหนักกับคำสำคัญบนระบบ ASR ใด ๆ ย่อมรู้โหมดความล้มเหลวนี้ นั่นคือโมเดลเริ่มได้ยินฮอตเวิร์ดในเสียงที่ไม่มีคำนั้น ทดสอบเรื่องนี้ก่อนที่จะเชื่อถือมัน

จะทำอะไรกับสิ่งนี้ดี

หากคุณต้องการถอดเสียงภาษาอังกฤษพร้อมการกำหนดเวลา บนฮาร์ดแวร์ที่คุณมีอยู่แล้ว และใช้รันไทม์ที่ไม่ต้องพึ่งพาสภาพแวดล้อม Python Parakeet TDT 0.6B v3 คือคำตอบที่ปลอดภัย และจำนวนการดาวน์โหลดก็ไม่ใช่เรื่องของความโอ้อวด —但它เป็นตัวชี้วัดว่ามีรูปแบบความล้มเหลวกี่แบบที่คนอื่นๆ ค้นพบและบันทึกไว้แล้ว

หากคุณต้องการภาษาจีน ภาษาถิ่น หรือการปรับให้เข้ากับคำเฉพาะ (hotword conditioning) Ming-3.0-asr-tiny คือหนึ่งในสองตัวเดียวที่ทำงานนี้ได้ มันใหม่จริงในกลุ่มเฉพาะนั้น และเพิ่งมีอายุเพียงห้าวันโดยแทบไม่มีการทดสอบจากภายนอกเลย ท่าทีที่เหมาะสมคือการทดสอบเปรียบเทียบ (bake-off) บนคลังข้อมูลของคุณเอง โดยถือช่องว่างเรื่องการประทับเวลาเป็นข้อจำกัดที่เข้มงวด ไม่ใช่เรื่องที่ต้องแลกเปลี่ยน: หากระบบปลายทางของคุณใช้เวลาของคำ การประเมินก็จบตั้งแต่ยังไม่เริ่มเสียอีก

สำหรับทีมที่ทำการทดสอบเปรียบเทียบนั้นครอบคลุมระบบการผลิตทั้งหมด การเปรียบเทียบมักลงเอยที่เราเตอร์มากกว่าที่สเปรดชีต — ปลายทางเดียวที่วางอยู่หน้าโมเดลที่โฮสต์เองซึ่งเป็นตัวเลือก การสลับไปใช้ระบบสำรองอัตโนมัติ ดังนั้นคำขอที่ล้มเหลวจะถอยกลับไปยังระบบเดิมที่ใช้งานอยู่ และใช้คีย์เดียวกับโมเดลที่โฮสต์มากกว่า 200 โมเดล แทนที่จะต้องมีสัญญาที่สองสำหรับทุกการเปรียบเทียบ ทั้ง Ming-3.0-asr-tiny และ NVIDIA Parakeet TDT 0.6B v3 ต่างไม่มีอยู่ในแคตตาล็อกของ OrcaRouter ดังนั้นทั้งสองจึงไม่ใช่สิ่งที่เราให้บริการ ชั้นการจัดเส้นทางมีคุณค่าเพราะทำงานอยู่รอบๆ โมเดลเหล่านี้ ไม่ใช่เพราะตัวโมเดลเหล่านี้

ความไม่สมมาตรที่ไม่ยอมหายไป

โมเดลหนึ่งมีวันที่เผยแพร่ มีเอกสารประกอบแบบ arXiv มีการส่งผลขึ้นลีดเดอร์บอร์ด มีการทดสอบเสียงรบกวนแบบกวาดค่า และมีตารางแยกตามภาษา ส่วนอีกโมเดลมีกราฟสี่กราฟ มีไฟล์คอนฟิก มีบันทึกคอมมิต และมีวิดีโอเปิดตัว นั่นไม่ใช่การวิจารณ์งานวิศวกรรมของ Ming — สถาปัตยกรรมมีความทะเยอทะยานกว่า Parakeet และการเดิมพันเรื่องภาษาถิ่นนั้นมีอยู่จริง — แต่เอกสารคือสิ่งที่เปลี่ยนเช็กพอยต์ให้กลายเป็นสิ่งที่ทีมสามารถนำไปใช้ได้โดยไม่ต้องกลายเป็นแผนก QA ของผู้ขาย

สิ่งที่มีประโยชน์ที่สุดที่ผู้จำหน่ายรายใดรายหนึ่งอาจเผยแพร่เป็นลำดับถัดไปคือสิ่งเดียวกัน: การประเมินร่วมกันบนเสียงภาษาจีนและภาษาอังกฤษ ซึ่งให้คะแนนโดยบุคคลที่สาม โดยวัดทั้งการประทับเวลาและคำ จนกว่าจะมีสิ่งดังกล่าว การตัดสินใจจึงขึ้นอยู่กับขอบเขตความสามารถที่ได้รับการบันทึกไว้แล้ว — การจับเวลา การสตรีม ฮาร์ดแวร์ ภาษา คำฮอตเวิร์ด — และขอบเขตเหล่านั้นคมชัดพอที่จะใช้ตัดสินใจได้