Ming-3.0-asr-tiny กับ Whisper large-v3-turbo: Encoder ของ Whisper ปากที่แตกต่างออกไป

เปิดไฟล์คอนฟิกของ Ming-3.0-asr-tiny และ audio tower จะอ่านค่ากลับมาบอกคุณว่า: มิติที่ซ่อนอยู่ 1,280 มิติ, เอนโคเดอร์ 32 เลเยอร์, หัวความสนใจ 20 หัว, mel bins 128 ช่อง นั่นคือขนาดต่าง ๆ ของเอนโคเดอร์ Whisper large-v3 และรีโพซิทอรีก็บอกเช่นนั้นอย่างชัดเจน — มันมีไฟล์ชื่อ modeling_whisper_encoder.py และเก็บประกาศ MIT ของ OpenAI ไว้ในไฟล์แยกต่างหากชื่อ WHISPER_LICENSE ดังนั้นนี่จึงไม่ใช่เรื่องราวของสแต็กเสียงพูดสองอันที่ไม่เกี่ยวข้องกัน Ming-3.0-asr-tiny เป็นระบบรู้จำเสียงที่เน้นภาษาจีนเป็นหลัก ซึ่งคงหูของ Whisper ไว้และเปลี่ยนปาก: ดีโคเดอร์แบบ mixture-of-experts 24 ชั้น พารามิเตอร์ 8.87 พันล้านตัวตามดัชนี safetensors ของมัน โดยถูกปรับเงื่อนไขด้วย hotwords และบทสนทนาก่อนหน้า Whisper large-v3-turbo คือโมเดลกลั่นกรองขนาด 809 ล้านพารามิเตอร์ที่คงเอนโคเดอร์เดิมไว้และลดดีโคเดอร์จาก 32 ชั้นเหลือสี่ชั้น ตัวเลขทุกตัวของ Ming ในบทความนี้มาจากแหล่งเดียว และนั่นคือ การ์ดโมเดล Ming-3.0-asr-tiny บน Hugging Face ซึ่งเก็บน้ำหนัก คอนฟิก แผนภูมิการประเมินทั้งสี่ และอัสเซ็ตภาพยนตร์เปิดตัวที่ลงวันที่วันนี้ เบสไลน์ขนาด 809M พารามิเตอร์ รองรับ 99 ภาษา และได้รับอนุญาตแบบ MIT มีเอกสารระบุไว้ที่ การ์ดโมเดล Whisper large-v3-turbo พร้อมกับพฤติกรรมการประทับเวลาแบบคำและการแปลที่การเปรียบเทียบนี้กลับมาพูดถึงบ่อยครั้ง ความล้มเหลวของ AI และเหตุการณ์ของเอเจนต์ที่ได้รับการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ ถูกรวบรวมไว้ใน OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งที่มา ระดับความรุนแรง เกรดความเชื่อมั่น และธงข้อโต้แย้งของตัวเอง

ถ้าอยากได้คำตอบสั้น ๆ ก่อนลงรายละเอียด: ทั้งสองไม่ได้ใช้แทนกันได้ Whisper large-v3-turbo ให้ timestamp แปลเป็นภาษาอังกฤษ รองรับ 99 ภาษา และทำงานบนฮาร์ดแวร์ที่ไม่ใช่ GPU CUDA ส่วน Ming-3.0-asr-tiny ให้เฉพาะข้อความธรรมดาเท่านั้น รองรับภาษาจีนและอังกฤษโดยเดิมพันหนักกับภาษาถิ่น และต้องใช้สแตก PyTorch และ Transformers เวอร์ชันใหม่ ๆ ที่เปิดใช้ remote code execution จุดที่ทับซ้อนกันคือการถอดเสียงภาษาจีนของคลิปสั้น และแม้แต่ในจุดนั้น ก็ยังไม่เคยมีใครนำทั้งสองมาให้คะแนนเปรียบเทียบกันเลย

สิ่งที่ปล่อยออกมา และเงียบแค่ไหน

ที่เก็บ Hugging Face สำหรับ Ming-3.0-asr-tiny ถูกสร้างขึ้นเมื่อวันที่ 14 ตุลาคม 2026 ณ เวลาที่เขียนนี้มันแสดง 35 การดาวน์โหลดและหนึ่งไลก์ ที่เก็บ GitHub ที่เกี่ยวข้องมี 20 คอมมิต หนึ่งดาว ไม่มีฟอร์ก และแท็บ Releases ว่างเปล่า ไม่มีโพสต์บล็อกของผู้จำหน่าย ไม่มีข่าวสารจากสื่อ และไม่มีการประกาศเปิดตัวใด ๆ — การ์ดโมเดลคือการประกาศ

การ์ดนี้ยังไม่ระบุวันที่เผยแพร่ด้วย สัญญาณการระบุวันที่เดียวในรีโพซิทอรีคือแอสเซ็ตฟิล์มสำหรับเผยแพร่ที่จัดเก็บไว้ในพาธซึ่งมี media-2026-10-19 ซึ่งเป็นวันนี้ ให้ถือว่าน้ำหนักมีอายุเพียงไม่กี่วันและการประกาศยังไม่ได้เกิดขึ้น แทนที่จะเป็นงานเปิดตัวผลิตภัณฑ์ที่คุณพลาดไป

สิ่งที่รีโพซิทอรีนี้ยืนยันได้อย่างไม่ต้องสงสัย คือรูปร่างของสิ่งที่คุณกำลังจะดาวน์โหลด: พารามิเตอร์ 8.87 พันล้านตัวแบ่งออกเป็นสองชาร์ด safetensors ใน BF16, คำศัพท์ 157,184 โทเค็น, ตัวถอดรหัสข้อความ 24 ชั้น, ตัวเข้ารหัสเสียง 32 ชั้น และasr_output_formatฟิลด์ที่ตั้งค่าเป็นplain แผนภูมิการทดสอบประสิทธิภาพของรีโพซิทอรีเองระบุโมเดลว่า8.6B-A2B ซึ่งเป็นคำย่อของผู้ขายสำหรับพารามิเตอร์ประมาณ 2 พันล้านตัวที่ทำงานต่อโทเค็น; ดัชนี safetensors เป็นตัวเลขที่หนักแน่นกว่า และทั้งสองต่างกันประมาณ 270 ล้าน

หูเดียวกัน แต่ปากต่างกัน

Encoder คือส่วนที่ผู้คนมักข้ามผ่านไป และในที่นี้มันคือบรรทัดที่ให้ข้อมูลมากที่สุดในคอนฟิก เอนโคเดอร์เสียงขนาด 1,280 มิติ 32 เลเยอร์ 20 หัว ที่มีอินพุต mel 128 ถือเป็นสถาปัตยกรรม Whisper large และชื่อไฟล์ในรีโพซิทอรีก็ยืนยันสายสัมพันธ์นี้ ไม่ใช่เพียงแค่คล้ายกันเท่านั้น เอนโคเดอร์ยังเป็นครึ่งที่เล็กกว่าของ Ming ด้วย: 32 เลเยอร์ของทรานส์ฟอร์เมอร์ทั่วไป เทียบกับเดคโคเดอร์ที่บรรจุผู้เชี่ยวชาญ 128 ตัว เลือกเส้นทาง 8 ตัวต่อโทเคน คงเลเยอร์แรกให้เป็นแบบ dense และบีบอัด attention ด้วย low-rank projections (q_lora_rank 256, kv_lora_rank 512) นี่คือโมเดลภาษาที่มีส่วนหน้าสำหรับเสียงติดตั้งเพิ่มเข้าไป ไม่ใช่โมเดล ASR ที่มีโมเดลภาษาติดอยู่

Whisper large-v3-turbo ไปในทิศทางตรงกันข้าม มันใช้ encoder เดียวกันกับ decoder ที่ถูก distill จาก 32 เลเยอร์เหลือสี่เลเยอร์ ซึ่งเป็นที่มาของจำนวนพารามิเตอร์ 809 ล้านตัวและการเร่งความเร็วประมาณแปดเท่าเมื่อเทียบกับ large-v3 ทุกสิ่งที่ทำให้ turbo มีต้นทุนต่ำนั้นอยู่ฝั่ง decoding และทุกสิ่งที่ทำให้ Ming มีต้นทุนสูงก็อยู่ตรงนั้นเช่นกัน

• พารามิเตอร์ — Ming-3.0-asr-tiny 8.87B ใน BF16 ซึ่งผู้จำหน่ายระบุว่าประมาณ 2B เป็นพารามิเตอร์ที่ใช้งานต่อโทเคน Whisper large-v3-turbo 809M

• Decoder — 24 เลเยอร์, 128 experts โดยกำหนดเส้นทาง 8 ตัวต่อโทเค็น, attention แบบบีบอัด low-rank Whisper: 4 เลเยอร์, แบบ dense, กลั่นมาจาก 32 เลเยอร์ของ large-v3

• ส่วนหน้าเสียง — ตัวเข้ารหัสโครงสร้างคล้าย Whisper จำนวน 32 ชั้น มิติ 1,280 ในทั้งสองกรณี ซึ่งเป็นข้อเท็จจริงที่ยากจะสังเกตที่สุดในการเปรียบเทียบนี้

• หน้าต่างอินพุต — Ming รองรับ 3,000 เฟรมเมลสูงสุด 30 วินาที และ 6,000 เฟรมเมื่อเกินกว่านั้น โดยเสียงที่ยาวกว่าจะถูกแบ่งเป็นชังก์ตามบริบทขนาด 8,192 ตำแหน่ง ฟิลด์รับรู้ของ Whisper คือ 30 วินาที และการแบ่งชังก์จัดการโดยเครื่องมือแวดล้อม

• เอาต์พุต — ข้อความถอดเสียงแบบธรรมดา เทียบกับการถอดเสียงพร้อมการประทับเวลาในระดับประโยคและระดับคำ รวมถึงการแปลเป็นภาษาอังกฤษ

• ภาษา — ภาษาจีนและภาษาอังกฤษ พร้อมชุดทดสอบภาษาถิ่นจีน 15 ชุด เทียบกับ 99 ภาษา

• สัญญาอนุญาต — MIT สำหรับเวตและโค้ดต้นฉบับของ Ming โดยไฟล์ Apache-2.0 ที่รวมมาด้วยยังคงมีส่วนหัวของตนเองไว้; MIT สำหรับ Whisper large-v3-turbo นี่คือแถวเดียวที่ไม่มีอะไรให้โต้แย้ง

แผนภูมิของผู้ขายแสดงอะไร และใครบ้างที่หายไปจากแผนภูมิเหล่านั้น

การประเมินของ Ming อยู่ในแผนภูมิ PNG สี่ภาพบนการ์ดโมเดลเท่านั้น ข้อความในรีโพซิทอรีไม่มีตัวเลขเลยแม้แต่ตัวเดียว และแผนภูมิเหล่านี้คุ้มค่าที่จะอ่านอย่างละเอียด เพราะไม่ได้ให้ภาพในแง่บวกไปเสียทั้งหมด

ค่าเฉลี่ยภาษาจีน — ค่าเฉลี่ย CER จาก AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese และ WenetSpeech — Ming ได้ 3.55 และตัวเลขที่ดีที่สุดในตารางนั้นคือ 2.94 ค่าเฉลี่ยภาษาอังกฤษ — LibriSpeech clean และ other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English และ VoxPopuli — Ming ได้ 3.99 เทียบกับค่าที่ดีที่สุดในตาราง 3.69 ค่าเฉลี่ย 15 ภาษาถิ่น Ming ได้ 8.42 เทียบกับค่าที่ดีที่สุดในตาราง 8.00 กล่าวอีกนัยหนึ่ง ในแผนภูมิของผู้จำหน่ายเอง Ming อยู่ใกล้แนวหน้าของวงการอย่างสม่ำเสมอ และอยู่ในสถานะที่ไม่ใช่ที่หนึ่งอย่างสม่ำเสมอ

จุดที่ดูแข็งแกร่งที่สุดคือชุดโดเมนภายในองค์กร ซึ่ง CER อยู่ที่ 1.62 สำหรับแชต 1.03 สำหรับภาครัฐ 1.58 สำหรับสุขภาพ 2.49 สำหรับความรู้ และ 1.61 สำหรับชีวิตท้องถิ่น ตัวเลขเหล่านี้คือสิ่งที่ต้องตีความอย่างระมัดระวังที่สุด เพราะชุดทดสอบภายในองค์กรมีแหล่งที่มาเดียวกันในปริมาณที่ไม่ทราบจำนวนกับข้อมูลฝึกที่ไม่ได้เปิดเผย และการ์ดไม่ได้ระบุอะไรเลยเกี่ยวกับข้อมูลที่โมเดลถูกฝึกมา

ตาราง Context-ASR เป็นตารางที่ควรกลับมาดูอีกครั้ง ค่าสรุปรวมทำให้ Ming อยู่ที่ 4.36 ตามหลัง Qwen3-Omni ที่ 4.34 และ Qwen3-ASR-1.7B ที่ 4.23 และนำหน้า Gemini 2.5 Pro ที่ 6.3 คุณสมบัติเด่นของโมเดล — การป้อน hotwords และบริบทบทสนทนาให้มัน — ไม่ได้ทำให้มันเป็นระบบรู้จำที่รับรู้บริบทได้ดีที่สุดในการเปรียบเทียบของตัวเอง แต่ก็ชนะในแถว named entity แต่ละรายการ โดยเฉพาะอัตราผลลบเท็จของเอนทิตี ซึ่งเป็นตัวชี้วัดที่สำคัญเมื่อคำถามคือ "มันได้ชื่อถูกต้องหรือไม่" มากกว่า "มีอักขระผิดไปกี่ตัว"

ตอนนี้คือการละเว้นที่กำหนดว่าข้อมูลทั้งหมดนี้จะมีค่ากับคุณมากเพียงใด: Whisper large-v3-turbo ไม่ปรากฏอยู่ในแผนภูมิทั้งสี่แผนภูมิ โมเดลฐานได้แก่โมเดล Q​wen omni, Qwen3-ASR-1.7B, Fun-ASR 1.5 และ FireRedASR2-LLM-8B ไม่มีการเปรียบเทียบแบบตัวต่อตัวระหว่างสองโมเดลในบทความนี้ที่ผู้จำหน่ายรายงานไว้ และตารางใดก็ตามที่อ้างว่ามีการเปรียบเทียบดังกล่าวก็เป็นการกุขึ้นมา ทุกตัวเลขข้างต้นเป็นข้อมูลที่ผู้จำหน่ายรายงาน และยังไม่ได้รับการทำซ้ำอย่างเป็นอิสระ

ในจุดที่ยังไม่สามารถตาม Whisper ได้ และในจุดที่ Ming ไม่สามารถ

การประทับเวลาเป็นขอบเขตที่ชัดเจน Whisper large-v3-turbo ส่งคืนการจับเวลาระดับประโยคและระดับคำพร้อมกับข้อความ ซึ่งเป็นสิ่งที่ไปป์ไลน์การสร้างคำบรรยาย การจัดแนวแบบบังคับ (forced alignment) และการแยกผู้พูด (diarisation) ถูกสร้างขึ้นมา Ming ส่งคืนข้อความถอดเสียงโดยไม่มีเวลาประทับระดับคำและไม่มีการแยกผู้พูด และการ์ดระบุว่าสิ่งนี้เป็นข้อจำกัด ไม่ใช่การละเว้น หากไปป์ไลน์ของคุณจำเป็นต้องรู้ว่าคำหนึ่งถูกพูดเมื่อใด การเปรียบเทียบก็จบเพียงเท่านี้ — ไม่ใช่เพราะ Ming ได้คะแนนแย่กว่า แต่เพราะเอาต์พุตนั้นไม่มีอยู่

การสตรีมเป็นข้อจำกัดที่สอง ตัวอย่างที่มาพร้อมกันไม่รองรับอินพุตแบบสตรีม และโมเดลถูกออกแบบมาสำหรับคลิปทั้งคลิปพร้อมคำใบ้ภาษาแบบไม่บังคับ ระบบนิเวศของ Whisper ใช้เวลาสองปีในการสร้าง wrapper แบบเพิ่มทีละส่วนและมี latency ต่ำรอบหน้าต่าง 30 วินาที ส่วน Ming เปิดให้สาธารณะมาได้ไม่กี่วันและยังไม่มีสิ่งเหล่านี้เลย

การนำไปใช้งานจริงเป็นข้อที่สาม Whisper large-v3-turbo ที่มีพารามิเตอร์ 809 ล้านตัว พอดีสบาย ๆ กับ GPU สำหรับผู้บริโภคเพียงตัวเดียว และมีเส้นทางการอนุมานบน CPU ผ่านรันไทม์ที่ปรับแต่งแล้ว Ming ต้องใช้ GPU ที่รองรับ CUDA, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2 และ trust_remote_code=Trueเพื่อโหลดไฟล์การสร้างโมเดลของตัวเอง ซึ่งเป็นการตัดสินใจด้านซัพพลายเชนพอ ๆ กับการตัดสินใจทางวิศวกรรม น้ำหนัก BF16 ประมาณ 17.7 GB ไม่ใช่ไฟล์ที่ดาวน์โหลดลงแล็ปท็อป

จุดที่ Ming เหนือกว่าคือทุกสิ่งที่โหมดบริบทมีไว้เพื่อรองรับ: คำพูดภาษาจีนที่มีความครอบคลุมของสำเนียงซึ่ง Whisper จัดการได้ไม่ดี และคำพูดสั้น ๆ ที่เต็มไปด้วยชื่อ ชื่อเรื่อง และศัพท์เฉพาะทางโดเมนที่คุณสามารถระบุล่วงหน้าได้ มีเส้นทางการให้บริการแยกต่างหากผ่านอะแดปเตอร์ SGLang ที่มีคอมมิตแบบปักหมุด ซึ่งบ่งชี้ว่าผู้ขายคาดหวังให้สิ่งนี้ถูกให้บริการมากกว่าเพียงรันเป็นสคริปต์

การนำสิ่งนี้ไปใช้กับการตัดสินใจจริง

ถ้าเสียงของคุณเป็นภาษาอังกฤษ หรือหลายภาษา หรือคุณต้องการคำบรรยายที่มีการจับเวลา หรืออยากได้อะไรที่รันบนเครื่อง CPU ได้ในวันพรุ่งนี้ คำตอบคือ Whisper large-v3-turbo และไม่มีอะไรใกล้เคียงเลย การใช้งานจริงในโปรดักชันมาสองปี ระบบนิเวศของรันไทม์ และรูปแบบเอาต์พุตที่ทุกอย่างใช้งานกันอยู่แล้ว มีค่ามากกว่าคะแนน CER ไม่กี่จุดบนกราฟของผู้ขาย

หากเสียงของคุณเป็นภาษาจีนกลางหรือภาษาถิ่น หากคลิปของคุณสั้น และหากคุณสามารถระบุรายชื่อทั้งหมดที่จะปรากฏในคลิปได้ Ming-3.0-asr-tiny ก็คุ้มค่าที่จะนำมาเปรียบเทียบแบบ bake-off — แต่ควรทำเพียง bake-off เท่านั้น มันมีผู้ดาวน์โหลด 35 ครั้ง ไม่มีใครนอกห้องแล็บเผยแพร่โหมดความล้มเหลวของมัน ซึ่งหมายความว่าคุณจะเป็นคนที่ค้นพบมันเอง

อย่าตีความจำนวนพารามิเตอร์เป็นสัญญาณของคุณภาพไม่ว่าในทางใด Ming มีขนาดใหญ่กว่า turbo ถึงแปดเท่า และไม่ได้เหนือกว่ามันบนแกนใด ๆ ที่วัดร่วมกันอย่างอิสระ เพราะยังไม่มีการวัดแกนร่วมกันใดเลย พารามิเตอร์ 8.87 พันล้านตัวซื้อได้แค่ไพรเออร์เชิงบริบทเท่าที่โมเดลภาษาหนึ่งจะมี และการเดิมพันเรื่องภาษาถิ่น ไม่ใช่ชัยชนะด้านความแม่นยำที่มีเอกสารยืนยัน

กำลังดำเนินการเปรียบเทียบกับไฟล์เสียงของคุณเอง

ทั้งสองโมเดลยังไม่มีอยู่ในแคตตาล็อกของ OrcaRouter ในตอนนี้ ดังนั้นคำอธิบายที่ตรงไปตรงมาของส่วนนี้คือ คุณจะต้องดึงโมเดลเหล่านี้จากคลังของเจ้าของผู้พัฒนาเองและรันด้วยตัวเอง สิ่งที่เลเยอร์การกำหนดเส้นทางมีประโยชน์ในกรณีนี้คือส่วนที่เกิดขึ้นหลังจากนั้น: การส่งทราฟฟิกจริงส่วนหนึ่งของคุณผ่านโมเดลตัวเลือกใหม่ ในขณะที่โมเดลที่ใช้งานอยู่ยังคงให้บริการส่วนที่เหลือ พร้อมการสลับอัตโนมัติเมื่อเส้นทางใหม่ล้มเหลว และคีย์ API เดียวใช้ได้กับโมเดลกว่า 200 รุ่น เพื่อให้การเพิ่มความเห็นที่สองไม่จำเป็นต้องมีสัญญาที่สอง OrcaRouter ส่งต่อราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม 0% ซึ่งมีความสำคัญน้อยกว่าสำหรับน้ำหนักแบบเปิดที่คุณโฮสต์เอง และสำคัญกว่าสำหรับโมเดลที่โฮสต์ซึ่งคุณจะใช้เปรียบเทียบกับโมเดลเหล่านั้น

การทดสอบที่คุ้มค่าจะใช้เวลาแค่บ่ายเดียว: คลิป 200 คลิปจากคลังข้อมูลของคุณเอง ครึ่งหนึ่งมีคำนามเฉพาะอยู่ในนั้น ให้คะแนนด้วยมือ ป้อนรายการ hotword ให้ Ming และใส่ชื่อเดียวกันนั้นในช่อง prompt ของ Whisper large-v3-turbo เปรียบเทียบ recall ของ named entity แทนอัตราความผิดพลาดระดับตัวอักษร เพราะนั่นคือแกนที่ Ming ถูกสร้างมาเพื่อโดยแท้จริง และเป็นแกนที่ตารางบริบทของผู้ขายรายงาน จากนั้นตัดสินว่าช่องว่างของ timestamp นั้นพอรับมือได้หรือไม่ ซึ่งสำหรับไปป์ไลน์ส่วนใหญ่แล้วจะรับมือไม่ได้

อะไรจะทำให้คำตัดสินนี้เปลี่ยนไปได้

มีสองเรื่อง การประเมินที่เป็นอิสระบนชุดทดสอบที่ใช้ร่วมกันจะช่วยคลี่คลายคำถามเรื่องความแม่นยำที่ผู้จำหน่ายทั้งสองรายยังไม่ได้ตอบ และใครก็สามารถรันได้ และประกาศเปิดตัว — พร้อมคำชี้แจงเกี่ยวกับข้อมูลฝึก วันที่เปิดตัวที่ระบุไว้ และโรดแมปที่มีการระบุเวลา — จะเปลี่ยน Ming จากเช็กพอยต์ที่มีการกำหนดค่าดูมีอนาคต ให้เป็นผลิตภัณฑ์ที่คุณวางแผนรอบได้ จนถึงตอนนั้น คำอธิบายที่ถูกต้องคือแบบที่ไม่หรูหรา: ชุดน้ำหนักที่จัดทำเอกสารไว้อย่างดี ถูกปล่อยออกมาอย่างเงียบ ๆ โดยมี Whisper encoder อยู่ข้างใน และยังไม่มีใครนอกห้องแล็บที่บอกคุณได้ว่ามันล้มเหลวอย่างไร