Ming-3.0-asr-tiny so với NVIDIA Parakeet TDT 0.6B: Một kẻ thách thức 35 lượt tải xuống đối đầu với đương kim 626.000 lượt tải xuống

Bộ đếm lượt tải xuống là thứ đầu tiên cần xem, vì chúng mô tả một khoảng cách mà không bài đánh giá chuẩn nào trong bài viết này có thể lấp đầy. NVIDIA Parakeet TDT 0.6B v3 có hơn 626,000 lượt tải xuống và 1,200 lượt thích trên Hugging Face, được phát hành ngày 14 tháng 8 năm 2025 và được đưa vào bộ công cụ NeMo, một runtime C++ bản địa và một lối đi Transformers mà người ta thực sự sử dụng. Ming-3.0-asr-tiny chỉ có 35 lượt tải xuống và một vài lượt thích, với trọng số xuất hiện ngày 14 tháng 10 năm 2026 và không có thông báo nào từ nhà cung cấp. Một bên là cơ sở hạ tầng. Bên còn lại là một checkpoint mới ra đời được năm ngày. Nhưng cả hai đáng được so sánh, vì chúng giải quyết những vấn đề khác nhau và phần thú vị là vấn đề của Ming — phương ngữ tiếng Trung và hotword — là điều mà Parakeet TDT 0.6B v3 không nhắm tới. Mọi con số về Parakeet ở đây, bao gồm số lượt tải xuống 626,738, đều lấy từ thẻ mô hình NVIDIA Parakeet TDT 0.6B v3, nơi cũng có bảng Open ASR và phép quét nhiễu MUSAN. Các lỗi AI và sự cố agent được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong OrcaRouter AI Incident Archive, nơi mỗi mục đều có nguồn, mức độ nghiêm trọng, xếp hạng độ tin cậy và cờ tranh chấp riêng.

Thẻ của NVIDIA đầy đủ một cách bất thường so với tiêu chuẩn của những chủ đề thường thấy trên blog này: một bảng Open ASR đầy đủ, một đợt đánh giá quét độ bền nhiễu, một phân tích chi tiết theo từng ngôn ngữ trên 25 ngôn ngữ châu Âu và ngày phát hành được nêu rõ. Thẻ của Ming chỉ là bốn biểu đồ PNG và không có báo cáo kỹ thuật. Sự khác biệt trong tài liệu hóa đó tự nó là một phát hiện, và nó cần được đưa vào quyết định cùng với các con số độ chính xác.

Hai bộ giải mã đều không phải là mô hình ngôn ngữ

Parakeet TDT 0.6B v3 là bộ mã hóa FastConformer với bộ giải mã Transducer Token-and-Duration — 600 triệu tham số, đầu vào mono 16 kHz, có dấu câu và viết hoa trong đầu ra. TDT là lý do nó nhanh: thay vì phát ra một token mỗi khung, transducer dự đoán cả một token lẫn một khoảng thời gian, nên mô hình có thể bỏ qua các khung và tiến nhiều khung một lần. Nó không phải mô hình CTC chỉ có bộ mã hóa như dòng Granite Speech của IBM, và cũng không phải mô hình ngôn ngữ có khối giao diện âm thanh đầu vào như Ming. Nó là trường hợp trung gian, và đã là trường hợp trung gian đủ lâu để trở nên nhàm chán, mà đó là một lời khen.

Ming-3.0-asr-tiny là canh cược ngược lại. Bộ giải mã của nó gồm 24 lớp mixture-of-experts — 128 chuyên gia, tám chuyên gia được định tuyến cho mỗi token, một chuyên gia dùng chung, lớp đầu tiên là dense — luân phiên ba lớp Kimi Delta Attention với một lớp Gated MLA. Bộ mã hóa của nó gồm 32 lớp ở 1.280 chiều với 20 head và 128 mel bin, tức là hình dạng của Whisper large-v3, và kho lưu trữ phát hành modeling_whisper_encoder.py kèm thông báo MIT của OpenAI để làm rõ nguồn gốc. Theo chỉ mục safetensors, mô hình có 8,87 tỷ tham số, trong đó khoảng 2 tỷ tham số hoạt động trên mỗi token.

Điều đó khiến việc so sánh tham số trở nên lệch lạc theo cách không chuyển thành độ chính xác: tổng cộng 8,87 tỷ so với 600 triệu, và khoảng 2 tỷ tham số hoạt động so với 600 triệu tham số dày đặc. Ming là một mô hình ngôn ngữ đeo micro. Parakeet là một mô hình giọng nói đã học cách đọc.

Những điều Parakeet làm mà Ming không làm

Ba năng lực giúp phân biệt chúng trước khi bàn tới độ chính xác, và cả ba đều được ghi rõ trên thẻ chứ không phải suy đoán.

Đầu tiên là dấu thời gian. Parakeet TDT 0.6B v3 trả về thời gian ở cấp ký tự, cấp từ và cấp đoạn thông qua cả hai đường NeMo và Transformers của nó, và thẻ mô hình hiển thị lệnh gọi tạo ra chúng. Chính khả năng đơn lẻ đó là nền tảng để xây dựng tính năng tạo phụ đề, căn chỉnh cưỡng bức, phân tách người nói trong cuộc họp và bất kỳ giao diện "nhảy đến thời điểm câu này được nói" nào. Ghi chú sử dụng của Ming nêu rõ rằng đầu ra là văn bản phiên âm không có dấu thời gian ở cấp từ hoặc phân tách người nói. Đây không phải là khoảng trống trong một benchmark; đây là việc thiếu một trường đầu ra.

Cái thứ hai là âm thanh dài. Parakeet xử lý việc này thông qua attention cục bộ — công thức của chính card thay bằng attention cục bộ vị trí tương đối với ngữ cảnh 256 khung mỗi bên để phiên âm dạng dài, và NVIDIA ghi nhận giới hạn khoảng 24 phút với attention đầy đủ trên A100 80 GB và ba giờ với attention cục bộ. Ming chấp nhận ngữ cảnh 8.192 vị trí và chia nhỏ âm thanh dài hơn thông qua một đối số dòng lệnh, một câu trả lời khả thi nhưng thuộc kiểu khác.

Điều thứ ba là hệ sinh thái. Parakeet chạy trong NeMo, trong một đường dẫn Transformers với AutoModelForTDT, và trong một GGUF đã lượng tử hoá thông qua NeMo-Speech.cpp mà không cần Python khi chạy. Ming cần Python 3.12, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, CUDA, và trust_remote_code=True, cùng với một bộ điều hợp SGLang được ghim riêng nếu bạn muốn phục vụ nó. Trên một máy không có GPU, sự khác biệt đó mang tính quyết định trước khi bất kỳ con số WER nào được đọc.

Đọc danh sách đó đối chiếu với thẻ của Ming và cuộc so sánh không còn là về độ chính xác nữa. Mỗi dòng trong đó là một năng lực mà kho lưu trữ của Ming nói rõ là không có, được NVIDIA nêu như một tính năng và inclusionAI nêu như một hạn chế.

Mỗi nhà cung cấp đã đo những gì và đo trên cơ sở nào

Số liệu tiếng Anh của Parakeet đến từ các bộ dữ liệu công khai trên bảng xếp hạng Open ASR: WER trung bình 6,34%, với 1,93% trên LibriSpeech test-clean, 3,59% trên test-other, 11,31% trên AMI, 11,42% trên Earnings-22, 9,59% trên GigaSpeech, 3,97% trên SPGI Speech, 2,75% trên TED-LIUM và 6,14% trên VoxPopuli.

Câu chuyện đa ngôn ngữ của nó mỏng hơn danh sách ngôn ngữ gợi ý, và điều này đáng nói thẳng vì thẻ không nói rõ. 25 ngôn ngữ là có thật, nhưng đánh giá đa ngôn ngữ được công bố chỉ là điểm trung bình FLEURS, MLS và CoVoST — 11,97%, 7,83% và 11,98% — còn bảng Open ASR ở trên chỉ dành cho tiếng Anh. Một nhóm đánh giá mô hình này cho tiếng Ba Lan hoặc tiếng Phần Lan chỉ nhận được một con số FLEURS theo từng ngôn ngữ và hoàn toàn không có đánh giá dạng dài hoặc đánh giá có nhiễu bằng ngôn ngữ đó.

Độ bền vững với nhiễu là nơi tấm thẻ này chứng tỏ giá trị của nó. Trên nhiễu MUSAN ở các tỷ lệ tín hiệu trên nhiễu giảm dần, WER trung bình là 6.34 khi sạch, 7.12 ở 10 dB, 8.23 ở 5 dB, 11.66 ở 0 dB và 19.88 ở −5 dB — mức suy giảm tương đối mà NVIDIA nêu là −213.64% tại điểm tệ nhất. Đó là một đường cong thực, trên dữ liệu công khai, và nó cho bạn biết điều mà một con số độ chính xác duy nhất không thể: dưới khoảng 5 dB, mô hình này suy giảm nhanh hơn tuyến tính.

Ngược lại, các con số của Ming là CER trung bình tiếng Trung 3,55, WER trung bình tiếng Anh 3,99, trung bình mười lăm phương ngữ 8,42, trung bình nội bộ năm lĩnh vực 1,67 và tổng hợp context-ASR 4,36. Tất cả đều do nhà cung cấp báo cáo, tất cả đều chưa được tái lập, và không có con số nào trên cùng một tập kiểm thử với Parakeet. Ở tập duy nhất cả hai cùng báo cáo — LibriSpeech test-clean — Ming không công bố một con số theo từng tập trong phần văn xuôi, chỉ có trung bình tiếng Anh trên năm tập của mình, nên hoàn toàn không thể thực hiện so sánh từ các card.

Giấy phép ở đây không tương đương.

Trọng số và mã gốc của Ming dùng giấy phép MIT, trong đó các tệp Apache-2.0 đi kèm vẫn giữ nguyên phần header riêng của chúng và bộ mã hóa được chuyển thể từ Whisper vẫn giữ thông báo MIT của OpenAI. Parakeet TDT 0.6B v3 dùng CC BY 4.0, cho phép sử dụng thương mại nếu ghi công. Cả hai đều là giấy phép cho phép rộng rãi; không cái nào là bẫy. Khác biệt thực tế nằm ở ngôn ngữ ghi công trong tài liệu sản phẩm của bạn, không phải ở rủi ro pháp lý.

Điều đáng lưu ý là giấy phép trên kho lưu trữ của Ming thoáng hơn so với câu chuyện phân phối của nó. Các trọng số MIT yêu cầu trust_remote_code=True và một bộ phụ thuộc được ghim phiên bản thì thoáng khi sử dụng nhưng lại khó triển khai, và hai sự thật này độc lập với nhau.

Tính năng ngữ cảnh là điểm khác biệt rõ ràng duy nhất.

Parakeet TDT 0.6B v3 không có prompt, không có danh sách hotword và không có cách nào để cung cấp các tên sẽ xuất hiện trong âm thanh. Nó phiên âm những gì mình nghe được bằng những gì nó đã học được trên 25 ngôn ngữ châu Âu, và đối với từ vựng chuyên ngành, con đường được tài liệu hóa là tinh chỉnh, chứ không phải điều kiện hóa. NVIDIA cũng cung cấp một tập lệnh truyền phát theo khối với ngữ cảnh trái và phải có thể cấu hình, đây là một công cụ về độ trễ chứ không phải về độ chính xác.

Ming chấp nhận hotwords hoặc lượt hội thoại trước đó như một phần của prompt phiên âm, và phạm vi bao phủ phương ngữ của nó — mười lăm bộ kiểm thử tiếng Trung bao gồm tiếng Quảng Đông, tiếng Mân Nam và tiếng Thượng Hải, đạt trung bình 8,42 — là một năng lực mà Parakeet hoàn toàn không tuyên bố có. Nếu âm thanh của bạn là tiếng Quan Thoại, hoặc một biến thể vùng miền của nó, hoặc một cuộc gọi kinh doanh bằng tiếng Trung đầy tên sản phẩm, thì Parakeet không phải là ứng viên và Ming là lựa chọn duy nhất trong hai phương án được cân nhắc. Đó là một lợi thế có thật, cụ thể và có thể kiểm chứng, và chính vì thế mà phép so sánh này tồn tại, thay vì được định đoạt bằng bộ đếm lượt tải xuống.

Lưu ý rằng hotword chỉ là gợi ý. Thẻ của Ming nói thẳng điều đó: việc cung cấp một thuật ngữ làm tăng khả năng nó được tạo ra chứ không bảo đảm điều đó. Bất kỳ ai từng dùng tính năng tăng trọng số từ khóa trên bất kỳ hệ thống ASR nào đều biết chế độ lỗi này — mô hình bắt đầu "nghe thấy" hotword trong đoạn âm thanh không chứa nó. Hãy kiểm tra điều đó trước khi tin tưởng nó.

Làm gì với cái này

Nếu bạn cần chép lời tiếng Anh kèm mốc thời gian, trên phần cứng bạn đã sở hữu, với môi trường chạy không yêu cầu môi trường Python, thì Parakeet TDT 0.6B v3 là câu trả lời an toàn, và số lượt tải không phải chuyện phù phiếm — nó là thước đo đại diện cho việc đã có bao nhiêu kiểu lỗi được người khác phát hiện và ghi lại.

Nếu bạn cần tiếng Trung, các phương ngữ hoặc điều kiện hóa hotword, Ming-3.0-asr-tiny là cái duy nhất trong hai cái có thể đảm nhận việc này, nó thực sự mới lạ trong ngách đó, và nó mới ra đời được năm ngày với hầu như không có kiểm thử bên ngoài. Cách tiếp cận đúng là tổ chức một cuộc so tài trên chính corpus của bạn, xem khoảng trống timestamp là ràng buộc cứng thay vì một sự đánh đổi: nếu hệ thống hạ nguồn của bạn tiêu thụ timing từ, thì việc đánh giá đã kết thúc trước khi nó bắt đầu.

Với các đội ngũ đang chạy cuộc so tài đó trên toàn bộ hệ thống production, phần so sánh thường kết thúc bên trong một router thay vì trong một bảng tính — một endpoint đặt trước các ứng viên tự vận hành, tự động chuyển đổi dự phòng để một yêu cầu thất bại sẽ quay về giải pháp hiện hành, và một khóa duy nhất dùng cho hơn 200 mô hình được host thay vì phải ký thêm hợp đồng cho mỗi lần so sánh. Cả Ming-3.0-asr-tiny lẫn NVIDIA Parakeet TDT 0.6B v3 đều không có trong danh mục của OrcaRouter, nên cả hai đều không phải là thứ chúng tôi cung cấp; lớp định tuyến có chỗ đứng của nó xoay quanh chúng, chứ không phải nhờ chúng.

Sự bất đối xứng không chịu biến mất

Một mô hình có ngày phát hành, một chuỗi tài liệu kiểu arXiv, một bài nộp lên bảng xếp hạng, một đợt quét nhiễu và một bảng theo từng ngôn ngữ. Mô hình còn lại có bốn biểu đồ, một tệp cấu hình, một nhật ký commit và một phim ra mắt. Đó không phải lời chỉ trích về kỹ thuật của Ming — kiến trúc tham vọng hơn kiến trúc của Parakeet và canh bạc về phương ngữ là có thật — nhưng tài liệu chính là thứ biến một checkpoint thành thứ mà một đội có thể áp dụng mà không trở thành bộ phận QA của nhà cung cấp.

Điều hữu ích nhất mà mỗi nhà cung cấp có thể công bố tiếp theo là cùng một thứ: một bản đánh giá dùng chung trên âm thanh tiếng Trung và tiếng Anh, do bên thứ ba chấm điểm, với dấu thời gian cũng như từ ngữ đều được đo lường. Cho đến khi có một bản như vậy, quyết định sẽ dựa vào các ranh giới năng lực đã được ghi nhận — định thời, truyền phát trực tuyến, phần cứng, ngôn ngữ, từ khóa kích hoạt — và những ranh giới đó đủ rõ ràng để lựa chọn.