Ming-3.0-asr-tiny so với Whisper large-v3-turbo: Encoder của Whisper, một cái miệng khác

Mở tệp cấu hình cho Ming-3.0-asr-tiny và tháp âm thanh đọc lại cho bạn: 1.280 chiều ẩn, 32 lớp encoder, 20 đầu chú ý, 128 bin mel. Đó là các chiều của encoder Whisper large-v3, và kho lưu trữ nói thẳng ra — nó phát hành kèm một tệp có tên là modeling_whisper_encoder.py và giữ thông báo MIT của OpenAI trong một tệp WHISPER_LICENSE riêng. Do đó đây không phải là câu chuyện về hai ngăn xếp giọng nói không liên quan. Ming-3.0-asr-tiny là một bộ nhận dạng ưu tiên tiếng Trung, đã giữ lại đôi tai của Whisper và thay thế cái miệng: một bộ giải mã mixture-of-experts 24 lớp, 8,87 tỷ tham số theo chỉ mục safetensors của nó, được điều kiện hóa trên các hotword và hội thoại trước đó. Whisper large-v3-turbo là bản chưng cất 809 triệu tham số, giữ nguyên encoder đó và cắt bộ giải mã từ 32 lớp xuống còn bốn lớp. Mọi con số về Ming trong bài viết này đều đến từ một nơi, và đó là thẻ mô hình Ming-3.0-asr-tiny trên Hugging Face, nơi chứa trọng số, tệp cấu hình, bốn biểu đồ đánh giá và một tư liệu phim phát hành ghi ngày hôm nay. Mốc cơ sở 809 triệu tham số, 99 ngôn ngữ, giấy phép MIT được ghi tài liệu tại thẻ mô hình Whisper large-v3-turbo, cùng với hành vi dấu thời gian theo từ và dịch mà phép so sánh này cứ quay lại. Các lỗi AI và sự cố tác nhân đã được ghi nhận đằng sau những bản phát hành như bản này được tập hợp trong Kho lưu trữ sự cố AI OrcaRouter nơi mỗi mục mang nguồn, mức độ nghiêm trọng, cấp độ tin cậy và cờ tranh chấp của riêng nó.

Nếu bạn muốn câu trả lời ngắn trước khi đi vào chi tiết: chúng không phải là phương án thay thế cho nhau. Whisper large-v3-turbo xuất ra mốc thời gian, dịch sang tiếng Anh, bao phủ 99 ngôn ngữ và chạy trên phần cứng không phải GPU CUDA. Ming-3.0-asr-tiny chỉ xuất ra văn bản thuần và không gì khác, bao phủ tiếng Trung và tiếng Anh với một canh bạc nghiêm túc vào các phương ngữ vùng miền, và cần một bộ PyTorch và Transformers gần đây với tính năng thực thi mã từ xa được bật. Phần trùng lặp là phiên âm tiếng Trung của các clip ngắn, và ngay cả ở đó hai mô hình chưa từng được ai chấm điểm đối đầu với nhau.

Đã phát hành những gì, và âm thầm đến mức nào

Kho lưu trữ Hugging Face của Ming-3.0-asr-tiny được tạo vào ngày 14 tháng 10 năm 2026. Tại thời điểm bài viết này được viết, nó hiển thị 35 lượt tải xuống và một lượt thích. Kho lưu trữ GitHub đi kèm có 20 commit, một sao, không có fork nào và tab Releases trống. Không có bài đăng blog nào từ nhà cung cấp, không có báo chí đưa tin và không có bất kỳ thông báo ra mắt nào — thẻ mô hình chính là thông báo.

Thẻ này cũng không nêu ngày phát hành. Tín hiệu ngày tháng duy nhất trong kho là một tài nguyên phim phát hành được lưu dưới một đường dẫn chứa media-2026-10-19, tức là hôm nay. Hãy coi các trọng số là chỉ mới vài ngày tuổi và thông báo là chưa được đưa ra, thay vì coi đó là một đợt ra mắt sản phẩm mà bạn đã bỏ lỡ.

Điều mà kho lưu trữ thực sự xác lập, không còn nghi ngờ gì, là hình dạng của thứ bạn sẽ tải xuống: 8,87 tỷ tham số được chia thành hai phân mảnh safetensors ở BF16, từ vựng 157.184 token, bộ giải mã văn bản 24 lớp, bộ mã hóa âm thanh 32 lớp, và một trường asr_output_format được đặt thành plain. Các biểu đồ đánh giá của chính kho lưu trữ gắn nhãn mô hình là 8.6B-A2B, một cách viết tắt của nhà cung cấp cho khoảng 2 tỷ tham số hoạt động trên mỗi token; chỉ mục safetensors là con số cứng hơn, và hai con số này chênh nhau khoảng 270 triệu.

Cùng đôi tai, khác cái miệng

Bộ mã hóa là phần mà người ta thường bỏ qua, nhưng ở đây nó lại là dòng giàu thông tin nhất trong cấu hình. Một bộ mã hóa âm thanh 1.280 chiều, 32 lớp, 20 đầu với 128 đầu vào mel chính là kiến trúc Whisper large, và tên các tệp trong kho xác nhận nguồn gốc chứ không chỉ đơn thuần là trông giống mà thôi. Bộ mã hóa cũng là nửa nhỏ hơn của Ming: 32 lớp của một transformer thông thường, so với một bộ giải mã mang 128 chuyên gia, định tuyến tám trong số đó cho mỗi token, giữ lớp đầu tiên ở dạng dense, và nén attention bằng các phép chiếu hạng thấp (q_lora_rank 256, kv_lora_rank 512). Đó là một mô hình ngôn ngữ được gắn thêm phần giao diện âm thanh, chứ không phải một mô hình ASR được gắn thêm mô hình ngôn ngữ.

Whisper large-v3-turbo đi theo hướng ngược lại. Nó có cùng encoder với một decoder được chưng cất từ 32 lớp xuống còn bốn lớp, và đó là nguồn gốc của số tham số 809 triệu và tốc độ nhanh hơn khoảng tám lần so với large-v3. Mọi thứ khiến turbo rẻ đều nằm ở phía giải mã; mọi thứ khiến Ming đắt cũng nằm ở đó.

• Tham số — Ming-3.0-asr-tiny 8,87B ở BF16, trong đó nhà cung cấp gọi khoảng 2B là hoạt động trên mỗi token. Whisper large-v3-turbo 809M.

• Decoder — 24 lớp, 128 chuyên gia với 8 chuyên gia được định tuyến cho mỗi token, attention nén hạng thấp. Whisper: 4 lớp, dense, được chưng cất từ 32 lớp của large-v3.

• Front end âm thanh — một bộ mã hóa có hình dạng Whisper gồm 32 lớp, 1.280 chiều trong cả hai trường hợp, và đây là sự thật kém hiển nhiên nhất trong so sánh này.

• Cửa sổ đầu vào — Ming nhận 3.000 khung mel cho tới 30 giây và 6.000 khung ngoài mốc đó, với âm thanh dài hơn được chia đoạn dựa trên ngữ cảnh 8.192 vị trí. Trường tiếp nhận của Whisper là 30 giây và việc chia đoạn do công cụ xung quanh đảm nhiệm.

• Đầu ra — văn bản phiên âm thuần túy so với phiên âm kèm dấu thời gian ở cấp độ câu và từ, cùng với bản dịch sang tiếng Anh.

• Ngôn ngữ — tiếng Trung và tiếng Anh, với 15 bộ kiểm thử phương ngữ tiếng Trung theo khu vực, so với 99 ngôn ngữ.

• Giấy phép — MIT cho trọng số và mã gốc của Ming, với các tệp Apache-2.0 đi kèm vẫn giữ nguyên header riêng của chúng; MIT cho Whisper large-v3-turbo. Đây là dòng duy nhất không có gì phải tranh luận.

Biểu đồ của nhà cung cấp cho thấy gì, và ai đang bị thiếu trong đó

Đánh giá của Ming nằm hoàn toàn trong bốn biểu đồ PNG trên thẻ mô hình. Phần văn bản của kho chứa không có con số nào cả, và các biểu đồ đáng được đọc kỹ vì chúng không phải tất cả đều tâng bốc.

Tính trung bình tiếng Trung — CER trung bình trên AISHELL-1, AISHELL-2, Common Voice 15 Chinese, FLEURS Chinese và WenetSpeech — Ming đạt 3,55, và con số tốt nhất ở bất kỳ đâu trong bảng đó là 2,94. Tính trung bình tiếng Anh — LibriSpeech clean and other, Multilingual LibriSpeech, FLEURS English, Common Voice 15 English và VoxPopuli — Ming đạt 3,99 so với mức tốt nhất trong bảng là 3,69. Tính trung bình 15 phương ngữ, Ming đạt 8,42 so với mức tốt nhất trong bảng là 8,00. Nói cách khác, trên chính các biểu đồ của nhà cung cấp, Ming luôn ở gần nhóm dẫn đầu và luôn không đứng thứ nhất.

Nơi nó có vẻ mạnh nhất là các bộ dữ liệu miền nội bộ, với CER đạt 1.62 trên chat, 1.03 trên chính phủ, 1.58 trên y tế, 2.49 trên kiến thức và 1.61 trên đời sống địa phương. Đó là những con số cần được diễn giải cẩn thận nhất, vì các bộ kiểm thử nội bộ có chung nguồn gốc ở mức chưa xác định với dữ liệu huấn luyện không được tiết lộ, và thẻ mô hình không nói gì về dữ liệu mà mô hình được huấn luyện.

Bảng context-ASR là bảng đáng để xem xét kỹ lại. Điểm tổng hợp của nó đặt Ming ở mức 4,36, xếp sau Qwen3-Omni ở 4,34 và Qwen3-ASR-1.7B ở 4,23, đồng thời xếp trước Gemini 2.5 Pro ở 6,3. Tính năng nổi bật nhất của mô hình — cung cấp hotword và ngữ cảnh hội thoại cho nó — không khiến nó trở thành bộ nhận dạng nhận biết ngữ cảnh tốt nhất trong chính phép so sánh của nó. Nó có thắng ở từng hàng thực thể có tên riêng lẻ, đặc biệt ở tỷ lệ âm tính giả của thực thể, tức chỉ số quan trọng khi câu hỏi là "nó có nhận đúng tên không" chứ không phải "đã sai bao nhiêu ký tự".

Giờ là điểm thiếu sót quyết định mức độ hữu ích của tất cả những điều này đối với bạn: Whisper large-v3-turbo không xuất hiện trong bất kỳ biểu đồ nào trong số bốn biểu đồ. Các mô hình cơ sở là các mô hình Q​wen omni, Qwen3-ASR-1.7B, Fun-ASR 1.5 và FireRedASR2-LLM-8B. Không có so sánh trực tiếp nào do nhà cung cấp báo cáo giữa hai mô hình trong bài viết này, và bất kỳ bảng nào khẳng định có một so sánh như vậy đều là bịa đặt. Mọi số liệu ở trên đều do nhà cung cấp báo cáo và chưa được tái lập độc lập.

Nơi Whisper vẫn không thể được theo sau, và nơi Ming không thể

Dấu thời gian là ranh giới cứng. Whisper large-v3-turbo trả về thời gian ở cấp độ câu và cấp độ từ cùng với văn bản, đây là nền tảng cho việc tạo phụ đề, căn chỉnh cưỡng bức và các pipeline phân tách người nói. Ming trả về văn bản chép lời không có dấu thời gian cấp độ từ và không có phân tách người nói, và thẻ ghi rõ đây là một hạn chế chứ không phải thiếu sót. Nếu pipeline của bạn cần biết một từ được nói khi nào, thì so sánh dừng ở đó — không phải vì Ming kém hơn, mà vì đầu ra không tồn tại.

Streaming là ranh giới thứ hai. Ví dụ đi kèm không chấp nhận đầu vào streaming và mô hình được thiết kế xoay quanh các clip trọn vẹn với gợi ý ngôn ngữ tùy chọn. Hệ sinh thái của Whisper đã dành hai năm để xây dựng các lớp bọc tăng dần và độ trễ thấp quanh cửa sổ 30 giây; Ming mới công khai được vài ngày và không có bất kỳ thứ nào như vậy.

Triển khai là điểm thứ ba. Whisper large-v3-turbo với 809 triệu tham số vừa vặn thoải mái trên một GPU tiêu dùng duy nhất và có các đường suy luận trên CPU thông qua những runtime được tối ưu hóa. Ming cần một GPU CUDA, PyTorch 2.11.0, torchaudio 2.11.0, Transformers 5.12.1, fla-core 0.5.2, và trust_remote_code=True để tải tệp mô hình của riêng nó — đây là một quyết định về chuỗi cung ứng cũng không kém phần quan trọng so với một quyết định kỹ thuật. Khoảng 17,7 GB trọng số BF16 không phải là thứ để tải về trên một chiếc laptop.

Điểm mà Ming vượt trội chính là mọi thứ mà chế độ ngữ cảnh tồn tại để xử lý: tiếng Trung với độ phủ phương ngữ mà Whisper xử lý kém, và những phát ngôn ngắn dày đặc tên riêng, chức danh và thuật ngữ chuyên ngành mà bạn có thể liệt kê trước. Có một đường phục vụ riêng thông qua bộ chuyển đổi SGLang với một commit được ghim, điều này cho thấy nhà cung cấp kỳ vọng nó được phục vụ chứ không chỉ chạy như một script.

Áp dụng điều này vào một quyết định thực tế

Nếu âm thanh của bạn là tiếng Anh, hoặc đa ngôn ngữ, hoặc bạn cần phụ đề có mốc thời gian, hoặc bạn muốn một thứ gì đó chạy trên máy CPU vào ngày mai, thì câu trả lời là Whisper large-v3-turbo và không có gì phải bàn cãi. Hai năm được dùng trong môi trường sản xuất, một hệ sinh thái runtime, và một định dạng đầu ra mà mọi thứ đã tiêu thụ sẵn đều đáng giá hơn vài điểm CER trên biểu đồ của nhà cung cấp.

Nếu âm thanh của bạn là tiếng Quan Thoại hoặc một phương ngữ vùng miền, nếu clip của bạn ngắn và nếu bạn có thể liệt kê các tên sẽ xuất hiện trong đó, thì Ming-3.0-asr-tiny đáng để đem ra so tài — nhưng chỉ để so tài mà thôi. Nó có 35 lượt tải xuống. Chưa ai ngoài phòng thí nghiệm công bố một kiểu lỗi nào cho nó, nghĩa là bạn sẽ là người phát hiện ra chúng.

Đừng đọc số lượng tham số như một tín hiệu chất lượng theo bất kỳ hướng nào. Ming lớn hơn turbo tám lần và không vượt trội hơn nó trên bất kỳ trục chung nào được đo độc lập, bởi vì chưa có trục chung nào được đo. 8,87 tỷ tham số mang lại một lượng tiên nghiệm ngữ cảnh đáng giá bằng cả một mô hình ngôn ngữ và một canh bạc về phương ngữ, chứ không phải một thắng lợi về độ chính xác đã được ghi nhận.

Chạy so sánh trên âm thanh của chính bạn

Cả hai mô hình này hiện đều chưa có trong danh mục của OrcaRouter, nên nói một cách thẳng thắn thì phần này có nghĩa là bạn sẽ phải lấy chúng từ kho lưu trữ của chính nhà cung cấp và tự vận hành. Ở đây, một lớp định tuyến hữu ích ở chỗ xử lý phần việc diễn ra sau đó: đưa một phần lưu lượng thực tế của bạn qua một mô hình ứng viên trong khi mô hình hiện hành vẫn phục vụ phần còn lại, với cơ chế chuyển đổi dự phòng tự động nếu tuyến mới gặp lỗi, và chỉ một API key dùng chung cho hơn 200 mô hình để việc thêm một ý kiến thứ hai không đồng nghĩa với việc phải ký thêm một hợp đồng thứ hai. OrcaRouter chuyển tiếp giá niêm yết của nhà cung cấp với mức chênh lệch 0%, điều này ít quan trọng hơn đối với các mô hình trọng số mở mà bạn tự vận hành và quan trọng hơn đối với các mô hình được lưu trữ mà bạn sẽ dùng để đối chiếu với chúng.

Bài kiểm thử đáng để chạy chỉ mất một buổi chiều: 200 clip từ chính kho ngữ liệu của bạn, một nửa trong đó chứa danh từ riêng, được chấm điểm thủ công. Hãy đưa cho Ming danh sách hotword và đưa cho Whisper large-v3-turbo đúng những cái tên đó vào trường prompt của nó. Hãy so sánh recall thực thể có tên thay vì tỷ lệ lỗi ký tự, vì đó chính là trục mà Ming thực sự được xây dựng để tối ưu và là trục mà bảng ngữ cảnh của nhà cung cấp báo cáo. Sau đó quyết định xem khoảng cách timestamp có thể chấp nhận được không — mà với hầu hết pipeline, thì sẽ không.

Điều gì sẽ thay đổi phán quyết này

Hai điều. Một đánh giá độc lập trên một tập kiểm thử dùng chung sẽ giải quyết câu hỏi về độ chính xác mà cả hai nhà cung cấp đều chưa trả lời, và bất kỳ ai cũng có thể chạy nó. Và một thông báo phát hành — với tuyên bố về dữ liệu huấn luyện, ngày phát hành được nêu rõ và lộ trình có dấu thời gian — sẽ biến Ming từ một checkpoint với cấu hình đầy hứa hẹn thành một sản phẩm đủ rõ để bạn lập kế hoạch dựa vào. Cho đến lúc đó, mô tả đúng đắn là mô tả kém hào nhoáng: một bộ trọng số được tài liệu hóa kỹ lưỡng, được phát hành lặng lẽ, bên trong có một bộ mã hóa Whisper, và chưa có ai bên ngoài phòng thí nghiệm có thể cho bạn biết nó thất bại ra sao.