Ming-3.0-asr-tiny 与 Whisper large-v3-turbo：Whisper 的编码器，一张不同的“嘴”

打开配置文件：Ming-3.0-asr-tiny，音频塔就会向你回读：1,280 个隐藏维度、32 个编码器层、20 个注意力头、128 个梅尔频带。这些正是 Whisper large-v3 编码器的维度，而且仓库也明明白白地写了出来——它附带一个名为 modeling_whisper_encoder.py 的文件，并将 OpenAI 的 MIT 许可声明单独保留在 WHISPER_LICENSE 中。因此，这不是一个关于两套互不相关的语音技术栈的故事。Ming-3.0-asr-tiny 是一个以中文为先的识别器，它保留了 Whisper 的耳朵，替换了嘴巴：一个 24 层的混合专家解码器，根据其 safetensors 索引共有 88.7 亿参数，以热词和先前对话为条件。Whisper large-v3-turbo 则是 8.09 亿参数的蒸馏模型，它保留了相同的编码器，并将解码器从 32 层削减到 4 层。本文中每一个关于 Ming 的数字都来自同一个地方，那就是Hugging Face 上的 Ming-3.0-asr-tiny 模型卡；其中包含权重、配置、四张评估图表，以及一份标注日期为今天的发布影片素材。这个 8.09 亿参数、支持 99 种语言、采用 MIT 许可证的基线模型记录在Whisper large-v3-turbo 模型卡中，连同本次比较反复涉及的词级时间戳和翻译行为也一并有据可查。此类发布背后有记录的 AI 故障和智能体事件，都收集在OrcaRouter AI Incident Archive中；每条记录都带有各自的来源、严重程度、置信等级和争议标记。

如果你想先看简短结论再看细节：它们并非替代品。Whisper large-v3-turbo 会输出时间戳、可翻译成英语、覆盖 99 种语言，并且可在非 CUDA GPU 的硬件上运行。Ming-3.0-asr-tiny 只输出纯文本，别的什么都不输出；覆盖中文和英语，并重点押注地区方言；需要较新的 PyTorch 和 Transformers 技术栈，并启用远程代码执行。两者的重叠之处在于短片段的普通话转写，而且即便在这一领域，也从未有人将两者进行过对比评分。

发布了什么，又是多么悄无声息

Ming-3.0-asr-tiny 的 Hugging Face 仓库创建于 2026 年 10 月 14 日。撰写本文时，该仓库显示有 35 次下载和 1 个赞。配套的 GitHub 仓库有 20 次提交、1 个星标、没有分叉，Releases 标签页为空。没有厂商博客文章，没有媒体报道，也没有任何形式的发布公告——模型卡片本身就是公告。

该卡片同样未说明发布日期。仓库中唯一的时间线索是一个发布影片资源，它归档在一个包含media-2026-10-19的路径下，而这一天就是今天。请将这些权重视为仅有几天的新鲜度，并将公告视为尚未发布，而不是一场你错过的产品发布。

该仓库确实无可置疑地确立的是，你将要下载的东西的形态：88.7 亿参数，以 BF16 分布在两个 safetensors 分片中，157,184 个 token 的词表，24 层文本解码器，32 层音频编码器，以及一个 asr_output_format字段，其值为 plain。该仓库自己的基准图表将该模型标为 8.6B-A2B，这是厂商对每个 token 约 20 亿激活参数的简写；safetensors 索引是更确凿的数字，两者相差约 2.7 亿。

同样的耳朵，不同的嘴

编码器是大多数人会略过的部分，而在这里，它却是配置中最有信息量的一行。一个具有 1,280 维、32 层、20 个注意力头、128 个梅尔输入的音频编码器，就是 Whisper large 架构；仓库中的文件名证实了这种谱系关系，而不只是看起来相似。编码器也是 Ming 中较小的那一半：32 层常规 transformer，对应一个带有 128 个专家、每个 token 路由其中 8 个、保持第一层为稠密层，并用低秩投影压缩注意力的解码器（q_lora_rank 256，kv_lora_rank 512）。这是一个硬装上音频前端的语言模型，而不是一个附带语言模型的 ASR 模型。

Whisper large-v3-turbo 走向了相反的方向。它使用相同的编码器，但解码器从 32 层蒸馏到了 4 层，这正是 8.09 亿参数量以及相比 large-v3 大约八倍加速的来源。让 turbo 成本低的一切都位于解码侧；让 Ming 成本高昂的一切也同样位于那里。

• 参数 — Ming-3.0-asr-tiny 在 BF16 下为 8.87B，其中厂商宣称约 2B 为每 token 活跃参数。Whisper large-v3-turbo 809M。

• 解码器 — 24 层，128 个专家，每个 token 路由 8 个，低秩压缩注意力。Whisper：4 层，稠密，从 large-v3 的 32 层蒸馏而来。

• 音频前端 —— 在两种情况下，它都是一个 32 层、1,280 维、Whisper 形态的编码器，而这是本对比中最不显而易见的事实。

• 输入窗口 — Ming 最多接收 3,000 个 mel 帧（最长 30 秒），超过 30 秒则接收 6,000 个，更长的音频会按照 8,192 个位置的上下文进行分块。Whisper 的感受野为 30 秒，分块由周边工具处理。

• 输出 — 纯转写文本，对比带句子级和词级时间戳并附英语翻译的转写文本。

• 语言——中文和英文，包含15套中文地区方言测试集，而对照为99种语言。

• 许可证——Ming 的权重和原始代码采用 MIT 许可，捆绑的 Apache-2.0 文件保留各自的文件头；Whisper large-v3-turbo 采用 MIT 许可。这是唯一一行没有什么可争论的。

供应商的图表显示了什么，以及其中遗漏了谁

Ming 的评估完全体现在模型卡上的四张 PNG 图表中。仓库文本中压根没有任何数字，而这些图表值得仔细阅读，因为它们并非全都在说好话。

在中文平均值上——即 AISHELL-1、AISHELL-2、Common Voice 15 Chinese、FLEURS Chinese 和 WenetSpeech 上的 CER 均值——Ming 得分为 3.55，而该表中任意位置的最佳数字为 2.94。在英语平均值上——LibriSpeech clean 和 other、Multilingual LibriSpeech、FLEURS English、Common Voice 15 English 和 VoxPopuli——Ming 得分为 3.99，而表内最佳为 3.69。在 15 种方言平均值上，Ming 得分为 8.42，而表内最佳为 8.00。换句话说，在厂商自己的图表上，Ming 始终接近领先位置，却始终不是第一。

它表现最强的地方是内部领域数据集：在聊天上 CER 为 1.62，政务为 1.03，健康为 1.58，知识为 2.49，本地生活为 1.61。这些数字最需要谨慎对待，因为内部测试集与未披露的训练数据在来源上存在未知程度的重合，而模型卡对模型训练所用的数据只字未提。

上下文 ASR 表值得再看一眼。其聚合得分将 Ming 排在 4.36，落后于 Qwen3-Omni 的 4.34 和 Qwen3-ASR-1.7B 的 4.23，领先于 Gemini 2.5 Pro 的 6.3。该模型的主打功能——向它输入热词和对话上下文——并未使它成为其自身对比中最佳的上下文感知识别器。它确实在单个命名实体行上胜出，尤其是在实体假阴性率上；当问题在于“它有没有把名字弄对”而不是“错了多少个字符”时，这项指标才是关键。

现在说说这个决定这一切对你有多大价值的遗漏：Whisper large-v3-turbo 并未出现在这四张图表中的任何一张里。基线是 Qwen omni 模型、Qwen3-ASR-1.7B、Fun-ASR 1.5 和 FireRedASR2-LLM-8B。本文中的这两个模型之间没有厂商报告的正面对比，任何声称存在此类对比的表格都是编造的。以上所有数字均为厂商报告，尚未经过独立复现。

在 Whisper 仍无法被跟随之处，以及 Ming 无法被跟随之处

时间戳是硬性边界。Whisper large-v3-turbo 在返回文本的同时返回句子级和词级时间信息，而这正是字幕生成、强制对齐和说话人分离流水线所依赖的基础。Ming 返回转写文本，但不提供词级时间戳，也不提供说话人分离，并且卡片将此列为局限性而非遗漏。如果你的流水线需要知道某个词是在何时说出的，那么比较到此为止——不是因为 Ming 得分更差，而是因为该输出根本不存在。

流式处理是第二道边界。随附的示例不接受流式输入，而该模型是围绕整段音频片段设计的，仅可选地接受语言提示。Whisper 的生态花费了两年时间，围绕 30 秒窗口构建增量式与低延迟封装；而 Ming 才公开数日，这类东西一概没有。

部署是第三点。拥有 8.09 亿参数的 Whisper large-v3-turbo 可以轻松地容纳在单块消费级 GPU 上，并且通过经过优化的运行时还具备 CPU 推理路径。Ming 需要一块 CUDA GPU、PyTorch 2.11.0、torchaudio 2.11.0、Transformers 5.12.1、fla-core 0.5.2，以及 trust_remote_code=True 才能加载它自己的建模文件——这既是一项工程决策，也是一项供应链决策。大约 17.7 GB 的 BF16 权重可不是笔记本电脑能随便下载的。

Ming 领先的地方，正是上下文模式存在的全部意义所在：带有方言覆盖的中文语音，而 Whisper 对此处理不佳；以及简短话语中密集出现可提前列出的名称、头衔和领域术语。通过带有固定提交的 SGLang 适配器还存在一条独立的服务路径，这表明供应商期望它被作为服务提供，而不仅仅是作为脚本运行。

将此应用于一个真实的决策

如果你的音频是英语或多语种，或者你需要带时间轴的字幕，或者你希望明天就能在 CPU 机器上跑起来，那么答案就是 Whisper large-v3-turbo，而且没有悬念。两年的生产使用、一整套运行时生态，以及所有现有系统都已在使用的输出格式，比厂商图表上的几个 CER 点数更有价值。

如果你的音频是普通话或某种地区方言，如果你的片段很短，并且如果你能列出其中会出现的名字，那么 Ming-3.0-asr-tiny 值得做一次横向对比评测——但也仅限对比评测。它的下载量是 35 次。实验室之外还没有人公布过它的失效模式，这意味着发现这些失效模式的人会是你。

不要把参数量当作质量信号来解读，无论朝哪个方向都不行。Ming 的规模是 turbo 的八倍，却未能在一共同且经独立测量的维度上胜过它，因为根本没有任何共同维度被测量过。这 88.7 亿参数换来的一份语言模型分量的上下文先验和一次方言押注，而非有据可查的准确率优势。

在您自己的音频上运行比较

如今这两款模型都不在 OrcaRouter 目录中，所以这一节最诚实的说法是：你会从厂商自己的仓库获取它们并自行运行。路由层在这里的用处在于后续部分：将一小部分真实流量交给候选模型，同时让现有模型继续服务其余流量；如果新路径失败，就自动故障转移；并且用一个 API 密钥覆盖 200 多个模型，这样增加一个“第二意见”就不需要再签一份合同。OrcaRouter 以 0% 加价原样传递提供商的标价，这对你自己托管的开放权重模型没那么重要，对你用来与它们对比的托管模型则更重要。

值得跑的测试要花一个下午：从你自己的语料中取 200 个片段，其中一半包含专有名词，再人工打分。把热词列表给 Ming，并把同样的名字放进 Whisper large-v3-turbo 的提示字段。比较命名实体召回率，而不是字符错误率，因为那才是 Ming 真正为之构建的维度，也是厂商上下文表所报告的维度。然后判断时间戳差距是否可承受——对大多数流水线来说，它并不可承受。

什么会改变这一裁决？

有两件事。在共享测试集上进行独立评估，将解决两家供应商都未回答的准确性问题，而且任何人都可以运行它。而一份发布公告——包含训练数据声明、明确的发布日期以及带时间戳的路线图——将把 Ming 从一个配置看起来很有前景的检查点，变成一款你可以据此做规划的产品。在此之前，正确的描述是那个平淡无奇的说法：一组文档齐全的权重，悄然发布，内部含有一个 Whisper 编码器，而实验室外还没有人能告诉你它会如何失败。