Ming-3.0-asr-tiny 對比 NVIDIA Parakeet TDT 0.6B：下載次數 35 次的挑戰者，迎戰下載次數 626,000 次的現任霸主

下載計數器是最先該看的東西，因為它們描述了一個本文中任何基準測試都無法彌補的差距。 NVIDIA Parakeet TDT 0.6B v3在 Hugging Face 上擁有超過 626,000 次下載和 1,200 個讚，於 2025 年 8 月 14 日發布，並隨 NeMo 工具包一起提供，該工具包包含原生 C++ 執行環境，以及人們實際使用的 Transformers 路徑。 Ming-3.0-asr-tiny只有 35 次下載和寥寥幾個讚，其權重於 2026 年 10 月 14 日出現，且供應商未發布任何公告。一個是基礎設施。另一個則是五天前才出現的檢查點。但兩者值得比較，因為它們解決不同的問題，而有趣的是，Ming 要解決的問題——中文方言和熱詞——正是 Parakeet TDT 0.6B v3 不嘗試處理的。 本文中的每一項 Parakeet 數據，包括 626,738 次的下載計數，都來自 NVIDIA Parakeet TDT 0.6B v3 模型卡，其中也包含 Open ASR 表格與 MUSAN 噪音掃描。 像這類發布背後的已記錄 AI 故障與代理事件，都收集在 OrcaRouter AI Incident Archive 中，其中每一條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

以本部落格常見主題的標準來看，NVIDIA 的模型卡異常完整：完整的 Open ASR 表格、雜訊穩健性掃描、涵蓋 25 種歐洲語言的逐語言細分，以及明確的發布日期。Ming 的模型卡則是四張 PNG 圖表，沒有技術報告。這種文件記錄上的差異本身就是一項發現，也應與準確率數字一起納入決策。

兩個皆非語言模型的解碼器

Parakeet TDT 0.6B v3 是一款搭載 Token-and-Duration Transducer 解碼器的 FastConformer 編碼器——6 億個參數、16 kHz 單聲道輸入，輸出包含標點符號與大小寫。TDT 正是它速度飛快的原因：轉導器並非每個幀只輸出一個 token，而是同時預測 token 與持續時間，因此模型可以跳過幀、一次前進好幾個。它不像 IBM Granite Speech 系列那樣是純編碼器的 CTC 模型，也不像 Ming 那樣是帶有音訊前端的語言模型。它走的是一條中間路線，而且在這條中間路線上待得夠久，久到令人覺得乏味——這其實是種讚美。

Ming-3.0-asr-tiny 押的是相反的注。其解碼器為 24 層混合專家（mixture-of-experts）——128 個專家，每個 token 路由其中八個、一個共享，第一層為稠密層——以三層 Kimi Delta Attention 與一層 Gated MLA 交替排列。其編碼器為 32 層、1,280 維，具有 20 個注意力頭與 128 個 mel 頻帶，也就是 Whisper large-v3 的架構配置，而該儲存庫隨附modeling_whisper_encoder.py，並附上 OpenAI 的 MIT 授權聲明，以明確表明其淵源。依其 safetensors 索引，該模型有 88.7 億個參數，其中每個 token 約有 20 億個參數處於啟用狀態。

這使得參數比較以一種並未轉化為準確度的方式失衡：總參數 88.7 億對 6 億，約 20 億啟用參數對上稠密的 6 億。Ming 是戴著麥克風的語言模型。Parakeet 是學會閱讀的語音模型。

Parakeet 做得到、但 Ming 做不到的事

在討論準確度之前，有三項能力可將它們區分開來，而這三項能力都記載於卡片上，而非靠推測。

第一項是時間戳記。Parakeet TDT 0.6B v3 透過其 NeMo 與 Transformers 兩條路徑，傳回字元級、詞級與區段級的時間資訊，而卡片顯示了產生這些資訊的呼叫。字幕生成、強制對齊、會議講者分離，以及任何「跳到此話語被說出的那一刻」的介面，正是建立在這個單一能力之上。Ming 的使用說明指出，輸出是轉錄文字，不含詞級時間戳記或講者分離。這不是基準測試中的缺口；而是缺少一個輸出欄位。

第二個是長音訊。Parakeet 透過局部注意力來處理——其模型卡本身的配方是改用相對位置局部注意力，前後各 256 個音框的上下文，用於長篇轉錄；NVIDIA 說明的限制是：在 80 GB A100 上使用完整注意力時約 24 分鐘，使用局部注意力時則可達三小時。Ming 接受 8,192 個位置的上下文，並透過命令列引數將較長的音訊分塊，這是可行但不同類型的解答。

第三個是生態系。Parakeet 可在 NeMo 中執行、可透過搭配 AutoModelForTDT 的 Transformers 路徑執行，也可透過 NeMo-Speech.cpp 以量化 GGUF 執行，且執行時不需 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，另外若想提供服務，還需要另行固定版本的 SGLang 轉接器。在沒有 GPU 的機器上，還沒讀任何 WER 數字之前，這項差異就已具有決定性。

拿那份清單對照 Ming 的模型卡，這項比較就不再是準確性的問題。清單中的每一行，都是 Ming 的儲存庫明確表示它不具備的能力；NVIDIA 把它說成一項功能，而 inclusionAI 則把它列為一項限制。

每家廠商測量了什麼，以及是針對什麼測量

Parakeet 的英文語音數據來自 Open ASR 排行榜的公開資料集：平均 WER 為 6.34%，其中 LibriSpeech test-clean 為 1.93%、test-other 為 3.59%、AMI 為 11.31%、Earnings-22 為 11.42%、GigaSpeech 為 9.59%、SPGI Speech 為 3.97%、TED-LIUM 為 2.75%、VoxPopuli 為 6.14%。

它的多語言表現比語言清單所暗示的更薄弱，而這點值得直說，因為卡片並沒有這麼說。這 25 種語言確有其事，但已公布的多語言評估是 FLEURS、MLS 和 CoVoST 的平均值——11.97%、7.83% 和 11.98%——而上面的 Open ASR 表僅涵蓋英語。若團隊要針對波蘭語或芬蘭語評估這個模型，只能拿到該語言的 FLEURS 數字，完全沒有該語言的長篇或雜訊評估。

雜訊穩健性正是這張卡發揮價值之處。在 MUSAN 雜訊下，隨著訊噪比逐步降低，平均 WER 從無噪聲的 6.34，變為 10 dB 時的 7.12、5 dB 時的 8.23、0 dB 時的 11.66，以及 −5 dB 時的 19.88；NVIDIA 表示最差點的相對退化為 −213.64%。這是一條基於公開資料的真實曲線，能告訴你單一準確率數字無法說明的事：在約 5 dB 以下，此模型的退化速度快於線性。

相較之下，Ming 的數字是：中文平均 CER 3.55、英文平均 WER 3.99、十五種方言平均 8.42、五個領域的內部平均 1.67，以及 context-ASR 彙總值 4.36。這些全都是廠商自行報告、全都未經重現，而且沒有一項是與 Parakeet 在共享測試集上得到的結果。在雙方都有報告的唯一一個測試集——LibriSpeech test-clean——上，Ming 並未在正文中公布逐集數字，只公布其五個測試集的英文平均值，因此根本無法從這些模型卡進行比較。

授權在這裡並不等同

Ming 的權重與原始程式碼採用 MIT 授權，隨附的 Apache-2.0 檔案保留其自身標頭，而改編自 Whisper 的編碼器則保留 OpenAI 的 MIT 聲明。Parakeet TDT 0.6B v3 採用 CC BY 4.0 授權，允許在署名條件下商業使用。兩者都屬於寬鬆授權；都不是陷阱。實務上的差異在於你產品文件中的署名措辭，而非法律風險。

值得特別指出的是，Ming 的儲存庫所採用的授權條款，比其發佈層面的實際情況更為寬鬆。以 MIT 授權的權重需要 trust_remote_code=True以及一組固定版本的相依套件，使用上很寬鬆，部署起來卻很麻煩，而這兩件事彼此獨立。

情境功能是唯一明確的差異化優勢

Parakeet TDT 0.6B v3 沒有提示、沒有熱詞清單，也無法提供將會出現在音訊中的名稱。它會用從 25 種歐洲語言學到的內容，轉錄它聽到的內容；至於領域詞彙，官方文件記載的途徑是微調，而不是條件化。NVIDIA 也提供了一個可分塊串流的腳本，具有可設定的左、右上下文；這是延遲工具，而不是準確度工具。

Ming 會將熱詞或前一段對話輪次納入轉錄提示的一部分，而其方言覆蓋範圍——包含粵語、閩南語和上海話在內的十五個中文測試集，平均得分 8.42——是 Parakeet 完全未宣稱具備的能力。如果你的音訊是普通話，或其地方變體，或是充滿產品名稱的中文商務通話，Parakeet 就不是候選，而 Ming 是兩者中唯一可考慮的選項。這是真實、具體且可查證的優勢，也是為什麼需要這項比較，而不是讓下載次數來定論。

需要注意的是，熱詞只是提示。Ming 的卡片上直接這麼寫：提供某個詞會提高它被產出的機率，但並不保證。任何曾在 ASR 系統上用過關鍵詞偏置的人都知道這種失效模式——模型會開始在根本不含該熱詞的音訊裡聽見它。在信任它之前，先測試這一點。

這該怎麼處理？

如果你需要帶時間軸的英文轉錄，而且要在你已擁有的硬體上執行、使用不需 Python 環境的執行環境，那麼 Parakeet TDT 0.6B v3 就是穩妥的答案；下載次數不是虛榮指標，它反映的是已經有多少失敗模式被其他人發現並記錄下來。

如果你需要中文、方言或熱詞調適，Ming-3.0-asr-tiny 是兩者中唯一能勝任的；它在這個利基領域確實具有新穎性，而且才推出五天，幾乎沒有經過外部測試。正確的做法是在你自己的語料上做對照評測，並把時間戳差距視為硬性限制，而不是取捨：如果你的下游系統會使用詞級時間資訊，那麼這項評估還沒開始就已經結束了。

對於在生產環境中進行該模型評比的團隊而言，比較通常最後會落在路由器裡，而不是試算表中——在自架候選模型前方設一個端點、自動容錯移轉，讓失敗的請求回退到現有方案，並用單一金鑰橫跨 200 多個託管模型，而不是每做一次比較就得多簽一份合約。Ming-3.0-asr-tiny 和 NVIDIA Parakeet TDT 0.6B v3 都不在 OrcaRouter 目錄中，因此兩者都不是我們提供的服務；路由層的價值在於圍繞它們運作，而不是透過它們來提供服務。

揮之不去的不對稱

一個模型有發佈日期、一套 arXiv 風格的文件記錄、一份排行榜提交、一次雜訊掃描，以及一張按語言分列的表格。另一個則有四張圖表、一個設定檔、一份提交紀錄和一支發佈影片。這不是在批評 Ming 的工程——其架構比 Parakeet 更有野心，而且方言押注是真實的——但文件才是讓一個 checkpoint 變成團隊能直接採用、而不必充當廠商 QA 部門的東西。

兩家廠商接下來最能幫上忙的發布內容其實是同一件事：一份針對中英文音訊的共同評測，由第三方評分，並同時量測時間戳與詞語。在這樣的評測出現之前，決策仍取決於已有文件記載的能力邊界——時序、串流、硬體、語言、熱詞——而這些邊界已足夠明確，足以據此做出選擇。