Ming-3.0-asr-tiny 对比 NVIDIA Parakeet TDT 0.6B：下载量仅 35 次的挑战者，遇上下载量达 626,000 次的在位者

下载计数器是最先要看的东西，因为它们揭示了一个本文中任何基准测试都无法弥合的差距。NVIDIA Parakeet TDT 0.6B v3 在 Hugging Face 上拥有超过 626,000 次下载和 1,200 个点赞，于 2025 年 8 月 14 日发布，并随 NeMo 工具包、原生 C++ 运行时以及人们实际使用的 Transformers 路径一同提供。Ming-3.0-asr-tiny 拥有 35 次下载和寥寥几个点赞，其权重于 2026 年 10 月 14 日出现，且供应商未发布任何公告。一个是基础设施。另一个是诞生仅五天的检查点。但两者值得比较，因为它们解决不同的问题，而有趣之处在于 Ming 的问题——中文方言和热词——正是 Parakeet TDT 0.6B v3 并不涉足的。 本文中每一个 Parakeet 数据，包括 626,738 这一下载量，都来自NVIDIA Parakeet TDT 0.6B v3 模型卡，其中还包含 Open ASR 表格和 MUSAN 噪声扫描。 类似此次发布背后的有据可查的 AI 故障和智能体事件，都收集在OrcaRouter AI Incident Archive 中，每条记录都带有自己的来源、严重程度、置信度评级和争议标记。

以本博客通常讨论对象的标准来看，NVIDIA 的模型卡异常完整：完整的 Open ASR 表格、噪声鲁棒性扫描、覆盖 25 种欧洲语言的分语言细分，以及明确的发布日期。Ming 的模型卡则是四张 PNG 图表，没有技术报告。文档上的这种差异本身就是一项发现，并且应当与准确率数字一起纳入决策。

两个都不是语言模型的解码器

Parakeet TDT 0.6B v3 是一个 FastConformer 编码器，搭配 Token-and-Duration Transducer 解码器——6 亿参数，16 kHz 单声道输入，输出中包含标点和大小写。TDT 正是它速度快的原因：转导器不是每帧只输出一个 token，而是同时预测 token 和持续时间，因此模型可以跳过帧、一次前进好几帧。它不是 IBM Granite Speech 系列那种仅编码器的 CTC 模型，也不是 Ming 那种带音频前端的语言模型。它走的是中间路线，而它在这条中间路线上待得够久，久到都有些乏味了——这是句褒奖。

Ming-3.0-asr-tiny 则是相反的押注。其解码器是 24 层混合专家模型——128 个专家，每个 token 路由 8 个，1 个共享专家，第一层为稠密层——三层 K​imi Delta Attention 层与一层 Gated MLA 层交替排列。其编码器为 32 层、1,280 维，具有 20 个注意力头和 128 个 mel 频带，这正是 Whisper large-v3 的形态；仓库还随附 modeling_whisper_encoder.py，并带有 OpenAI 的 MIT 声明，以明确其渊源。根据其 safetensors 索引，该模型有 88.7 亿参数，其中每个 token 约有 20 亿参数处于激活状态。

这使得参数对比以一种并不能转化为准确性的方式失衡：总计 88.7 亿对 6 亿，约 20 亿激活参数对 6 亿稠密参数。Ming 是一个戴着麦克风的语言模型。Parakeet 是一个学会了阅读的语音模型。

Parakeet 做了而 Ming 没做的那些事

在讨论准确率之前，有三项能力将它们区分开来，而这三项能力都记录在卡片上，而非推断得出。

第一种是时间戳。Parakeet TDT 0.6B v3 通过其 NeMo 和 Transformers 两条路径返回字符级、词级和段级时间信息，模型卡展示了生成这些时间信息的调用。正是这一单一能力，构成了字幕生成、强制对齐、会议说话人分离以及任何“跳转到这句话被说出的时刻”界面的基础。Ming 的使用说明指出，其输出是转写文本，不包含词级时间戳或说话人分离。这不是基准测试中的缺口；而是某个输出字段的缺失。

第二种是长音频。Parakeet 通过局部注意力来处理——其模型卡给出的方案是改用相对位置局部注意力，前后各 256 帧上下文，用于长音频转写；NVIDIA 记录的限制是：在 80 GB A100 上使用全注意力时约为 24 分钟，使用局部注意力时为三小时。Ming 接受 8,192 个位置的上下文，并通过命令行参数将更长的音频分块，这是一种可行但不同类型的解法。

第三点是生态系统。Parakeet 可在 NeMo 中运行，也可在一条使用 AutoModelForTDT 的 Transformers 路径中运行，还可通过 NeMo-Speech.cpp 以量化 GGUF 形式运行，运行时无需 Python。Ming 需要 Python 3.12、PyTorch 2.11.0、torchaudio 2.11.0、Transformers 5.12.1、fla-core 0.5.2、CUDA，以及 trust_remote_code=True；另外，如果你想部署它，还需要一个单独固定版本的 SGLang 适配器。在没有 GPU 的机器上，这一差异在任何 WER 数值被读取之前就已具有决定性。

把那份清单对照 Ming 的卡片来看，比较就不再关乎准确性了。清单中的每一行都是一种能力，而 Ming 的仓库明确表示它不具备这种能力；NVIDIA 将其表述为功能，inclusionAI 则将其表述为局限。

每个供应商测量了什么，以及依据什么

Parakeet 的英语指标来自 Open ASR 排行榜的公开数据集：平均 WER 为 6.34%，其中 LibriSpeech test-clean 上为 1.93%，test-other 上为 3.59%，AMI 上为 11.31%，Earnings-22 上为 11.42%，GigaSpeech 上为 9.59%，SPGI Speech 上为 3.97%，TED-LIUM 上为 2.75%，VoxPopuli 上为 6.14%。

它的多语言表现比语言列表所暗示的要单薄，这一点值得直说，因为模型卡并没有说明。25 种语言是真实的，但已公布的多语言评估只有 FLEURS、MLS 和 CoVoST 平均值——分别为 11.97%、7.83% 和 11.98%——而且上面的 Open ASR 表格仅涵盖英语。团队在评估波兰语或芬兰语时，只能得到该语言的 FLEURS 数值，完全没有该语言的长文本或噪声评估。

噪声鲁棒性正是这张卡真正体现价值的地方。在信噪比逐级下降的 MUSAN 噪声测试中，平均 WER 依次为：无噪声时 6.34，10 dB 时 7.12，5 dB 时 8.23，0 dB 时 11.66，−5 dB 时 19.88——NVIDIA 称最差点处的相对劣化为 −213.64%。这是一条基于公开数据得到的真实曲线，它揭示了单一准确率数字无法说明的问题：在约 5 dB 以下，该模型的性能衰减快于线性。

相比之下，Ming 的数字是：中文平均 CER 为 3.55，英文平均 WER 为 3.99，十五种方言平均为 8.42，五个领域内部平均为 1.67，上下文 ASR 综合为 4.36。全部由厂商报告，全部未复现，且没有一项是在与 Parakeet 共享的测试集上得到的。在双方都报告的唯一一个测试集——LibriSpeech test-clean——上，Ming 并未在正文中发布该测试集的单项数字，只给出其五个测试集的英文平均值，因此根本无法根据模型卡进行比较。

此处许可证并不等同。

Ming 的权重和原始代码采用 MIT 许可证，捆绑的 Apache-2.0 文件保留其自身标头，而经 Whisper 适配的编码器保留 OpenAI 的 MIT 声明。Parakeet TDT 0.6B v3 采用 CC BY 4.0 许可，允许在署名的情况下商业使用。两者都是宽松许可证；都不是陷阱。实际差异在于产品文档中的署名措辞，而不是法律风险。

值得指出的是，Ming 的代码仓库所采用的许可证比其分发安排更为宽松。以 MIT 许可证发布的权重需要 trust_remote_code=True以及一组固定版本的依赖项，使用许可很宽松，部署起来却很麻烦，而这两点是相互独立的。

上下文功能是唯一明确的差异化优势

Parakeet TDT 0.6B v3 没有提示词，没有热词列表，也无法提供将会出现在音频中的名称。它会利用从 25 种欧洲语言中学到的内容来转写所听到的内容；对于领域词汇，文档给出的路线是微调，而不是条件化。NVIDIA 还附带了一个分块流式脚本，其左右上下文可配置；这是一种延迟工具，而不是准确性工具。

Ming 接受热词或前一轮对话作为转写提示的一部分，而其方言覆盖范围——包括粤语、闽南语和上海话在内的十五个中文测试集，平均得分 8.42——则是 Parakeet 根本未宣称具备的能力。如果你的音频是普通话、普通话的某种地方变体，或是一通充满产品名称的中文商务电话，那么 Parakeet 就不是候选方案，Ming 是两者中唯一可考虑的选择。这是一个真实、具体且可核验的优势，也正是这项比较之所以存在、而不是让下载量计数器一锤定音的原因。

需要注意的是，热词只是提示。Ming 的卡片上直接写明了这一点：提供一个词会提高它被输出的概率，但并不能保证一定输出。任何在任何 ASR 系统上使用过关键词偏置的人都知道这种失效模式——模型会开始在不包含该热词的音频里“听到”这个热词。在信任它之前，先测试这一点。

这个该怎么办

如果你需要带时间戳的英语转写，运行在你已经拥有的硬件上，并且运行时不需要 Python 环境，那么 Parakeet TDT 0.6B v3 就是稳妥的答案；下载量并不是虚荣的指标——它反映的是其他人已经发现并记录下来的失败模式有多少。

如果你需要中文、方言或热词条件化，Ming-3.0-asr-tiny 是两者中唯一能胜任的；它在这个细分领域确实新颖，而且才发布五天，基本没有经过外部测试。正确的做法是在你自己的语料上做对比评测，并把时间戳差距当作硬性约束而非权衡：如果你的下游系统会使用词级时间戳，那么评估还没开始就已经结束了。

对于在生产环境中开展这类对比评测的团队来说，比较通常最终会落在路由器里，而不是电子表格中——在自托管候选模型前面设置一个端点，并实现自动故障转移，这样请求失败时就会回退到现有方案，并且用一个密钥覆盖 200 多个托管模型，而不是每做一次比较就再签一份合同。Ming-3.0-asr-tiny 和 NVIDIA Parakeet TDT 0.6B v3 都不在 OrcaRouter 目录中，因此二者都不是我们提供的服务；路由层的价值在于围绕它们发挥作用，而不是通过它们来实现。

不会消失的不对称

一个模型有发布日期、类似 arXiv 的文档记录、排行榜提交、噪声扫描和分语言表格。另一个有四张图表、一个配置文件、一份提交日志和一部发布影片。这并不是在批评 Ming 的工程能力——其架构比 Parakeet 更有野心，方言押注也是实打实的——但文档才能把一个检查点变成团队可以采用的成果，而不至于让团队变成厂商的 QA 部门。

两家厂商接下来能发布的最有用的东西是同一件事：一份针对中文和英文音频的共同评测，由第三方评分，既衡量时间戳，也衡量文字。在这样一份评测出现之前，决策取决于已有记录的能力边界——时序、流式处理、硬件、语言、热词——而这些边界已经足够清晰，足以据此做出选择。