Ming-3.0-asr-tiny 對比 Whisper large-v3-turbo：Whisper 的編碼器，截然不同的嘴巴

打開 Ming-3.0-asr-tiny 的設定檔，音訊塔就會向你回讀：1,280 個隱藏維度、32 層編碼器、20 個注意力頭、128 個梅爾頻段。那正是 Whisper large-v3 編碼器的尺寸，而儲存庫也毫不諱言——它隨附一個名為 modeling_whisper_encoder.py 的檔案，並把 OpenAI 的 MIT 授權聲明放在獨立的 WHISPER_LICENSE 中。因此，這不是一個關於兩套毫不相關的語音堆疊的故事。Ming-3.0-asr-tiny 是一款中文優先的辨識器，保留了 Whisper 的耳朵、換掉了嘴巴：一個 24 層的混合專家解碼器，根據其 safetensors 索引為 88.7 億個參數，並以熱詞與先前的對話為條件。Whisper large-v3-turbo 則是 8.09 億參數的蒸餾版本，保留相同的編碼器，並將解碼器從 32 層削減到四層。本文中每一個 Ming 的數字都來自同一個地方，那就是 Hugging Face 上的 Ming-3.0-asr-tiny 模型卡，其中收錄了權重、設定、四張評估圖表，以及一份日期為今天的發布影片素材。這個具備 8.09 億參數、支援 99 種語言、以 MIT 授權的基準模型，記錄於 Whisper large-v3-turbo 模型卡，以及這次比較不斷回頭談到的詞級時間戳與翻譯行為。像這類發布背後有紀錄的 AI 失敗與代理事件，都收集在 OrcaRouter AI Incident Archive，其中每一條紀錄都附有自己的來源、嚴重程度、信心等級與爭議標記。

若你想先看簡短結論再看細節：兩者不能互相取代。Whisper large-v3-turbo 會輸出時間戳、可翻譯成英文、涵蓋 99 種語言，且能在非 CUDA GPU 的硬體上執行。Ming-3.0-asr-tiny 只輸出純文字、別無其他，涵蓋中文與英文，並大力押注地區方言，且需要較新的 PyTorch 與 Transformers 技術堆疊，並啟用遠端程式碼執行。兩者重疊之處在於短音檔的中文轉錄，但即使在這一點上，也從未有人拿兩者互相比評打分。

發布了什麼，又有多低調

Ming-3.0-asr-tiny 的 Hugging Face 儲存庫建立於 2026 年 10 月 14 日。撰寫本文時，它顯示 35 次下載和一個讚。隨附的 GitHub 儲存庫有 20 個提交、一顆星、沒有分支，且 Releases 標籤頁是空的。沒有任何廠商部落格文章、沒有媒體報導，也沒有任何形式的發布公告——模型卡就是公告。

這張卡也未說明發布日期。儲存庫中唯一的日期線索，是一個歸檔於包含 media-2026-10-19 的路徑下的發布影片素材，而該日期就是今天。請將這些權重視為已存在數天、把公告視為尚未發布，而不是當成你錯過的一場產品發表。

這個儲存庫確實無疑地確立了你將下載之物的形貌：88.7 億個參數分散在兩個 BF16 safetensors 分片中、157,184 個 token 的詞彙表、24 層文字解碼器、32 層音訊編碼器，以及一個 asr_output_format 欄位設為 plain。該儲存庫自家的基準測試圖表將此模型標為 8.6B-A2B，這是廠商對每個 token 約有 20 億個作用中參數的簡寫；safetensors 索引是更確切的數字，而兩者相差約 2.7 億。

同樣的耳朵，不同的嘴巴

編碼器是人們常略過的部分，而在這裡，它卻是設定檔中最具資訊量的一行。一個具備 1,280 維、32 層、20 個注意力頭、128 個 mel 輸入的音訊編碼器，就是 Whisper large 架構，而儲存庫中的檔名也證實了這條血統，而不只是看似相近。編碼器也是 Ming 較小的一半：32 層的傳統 transformer，對上一個帶有 128 個專家的解碼器，每個 token 會路由其中八個，第一層保持稠密，並以低秩投影壓縮注意力（q_lora_rank 256、kv_lora_rank 512）。這是一個外掛了音訊前端的語言模型，而不是附帶了語言模型的 ASR 模型。

Whisper large-v3-turbo 則反其道而行。它使用相同的編碼器，但解碼器從 32 層蒸餾為四層，這正是其 8.09 億參數量，以及相對 large-v3 約八倍加速的來源。讓 turbo 成本低廉的一切都位於解碼端；讓 Ming 成本高昂的一切也同樣在那裡。

• 參數 — Ming-3.0-asr-tiny 在 BF16 下為 8.87B，其中廠商標稱每個 token 約有 2B 為活躍參數。Whisper large-v3-turbo 為 809M。

• 解碼器 — 24 層、128 個專家，每個 token 路由其中 8 個，低秩壓縮注意力。Whisper：4 層、稠密，從 large-v3 的 32 層蒸餾而來。

• 音訊前端 — 在兩種情況下，都是 32 層、1,280 維的 Whisper 形狀編碼器，而這是這項比較中最不明顯的事實。

• 輸入視窗 — Ming 在 30 秒以內接收 3,000 個梅爾幀，超過 30 秒則接收 6,000 個，更長的音訊則依 8,192 個位置的上下文進行分塊。Whisper 的感知野為 30 秒，分塊由周邊工具處理。

• 輸出 — 純轉錄文字，對比轉錄加上句層級與字詞層級的時間戳記，以及翻譯成英文。

• 語言 — 中文與英文，包含 15 套地區中文方言測試集，相較於 99 種語言。

• 授權 — Ming 的權重與原始程式碼採用 MIT，隨附的 Apache-2.0 檔案保留各自的標頭；Whisper large-v3-turbo 採用 MIT。這是唯一一行沒什麼好爭論的。

廠商的圖表顯示了什麼，以及其中漏掉了誰

Ming 的評估完全存在於模型卡上的四張 PNG 圖表中。儲存庫文字完全沒有任何數字，而這些圖表值得仔細閱讀，因為它們並非一致地討喜。

在中文平均上——以 AISHELL-1、AISHELL-2、Common Voice 15 Chinese、FLEURS Chinese 與 WenetSpeech 的 CER 平均值計算——Ming 得分為 3.55，而該表全表最佳數字為 2.94。在英語平均上——LibriSpeech clean 與 other、Multilingual LibriSpeech、FLEURS English、Common Voice 15 English 與 VoxPopuli——Ming 得分為 3.99，而全表最佳為 3.69。在 15 種方言平均上，Ming 得分為 8.42，而全表最佳為 8.00。換句話說，在廠商自己的圖表上，Ming 始終位居該領域前列，卻始終不是第一。

它表現最強的地方是自建領域資料集：CER 在聊天為 1.62、政府為 1.03、健康為 1.58、知識為 2.49、本地生活為 1.61。這些是最需要謹慎看待的數字，因為內部測試集與未揭露的訓練資料之間共享多少來源重疊無從得知，而且模型卡完全沒有說明模型是用什麼資料訓練的。

context-ASR 表值得再仔細看。其彙總成績讓 Ming 落在 4.36，落後於 4.34 的 Qwen3-Omni 與 4.23 的 Qwen3-ASR-1.7B，並領先於 6.3 的 Gemini 2.5 Pro。該模型最受矚目的功能——餵給它熱詞與對話脈絡——並未讓它成為自身比較中最佳的脈絡感知辨識器。它確實在個別命名實體列上勝出，尤其是在實體偽陰性率上；當問題是「它有沒有把名字弄對」而不是「有多少字元錯了」時，這正是關鍵指標。

現在，這個遺漏決定了這一切對你有多大價值：Whisper large-v3-turbo 並未出現在這四張圖表中的任何一張。基準線包括 Qwen omni 模型、Qwen3-ASR-1.7B、Fun-ASR 1.5 與 FireRedASR2-LLM-8B。本文中沒有廠商回報的這兩個模型之間的正面對決，任何聲稱有此對決的表格都是捏造的。上述每一個數字都是廠商回報的，且尚未經過獨立重現。

在 Whisper 依然無法被追隨之處，以及 Ming 無法之處

時間戳記是硬性界線。Whisper large-v3-turbo 會連同文字一併回傳句子層級與詞層級的時間資訊，而字幕生成、強制對齊與語者分離流程正是建立在這些資訊之上。Ming 回傳的是轉錄文字，沒有詞層級時間戳記，也沒有語者分離，而說明卡將此列為限制，而非疏漏。如果你的流程需要知道某個詞是何時說出的，比較到此為止——不是因為 Ming 表現較差，而是因為該輸出根本不存在。

串流是第二道界線。隨附範例不接受串流輸入，而模型是圍繞完整片段設計，並可選擇性提供語言提示。Whisper 生態系花了兩年時間，圍繞 30 秒視窗打造增量與低延遲封裝；Ming 公開才幾天，卻一個都沒有。

部署是第三點。Whisper large-v3-turbo 擁有 8.09 億個參數，能輕鬆放入單張消費級 GPU，並可透過最佳化執行環境提供 CPU 推論路徑。Ming 需要 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才能載入它自己的建模檔案——這既是工程決策，也是供應鏈決策。大約 17.7 GB 的 BF16 權重可不是筆電能輕鬆下載的份量。

Ming 領先之處，正是上下文模式存在的目的：涵蓋方言、Whisper 處理不佳的中文語音，以及充滿人名、職稱與領域術語、可事先列出的簡短話語。另有一條透過 SGLang adapter 提供、並固定 commit 的獨立服務路徑，這暗示廠商預期它會被當作服務來提供，而不只是以腳本形式執行。

將此應用於實際決策

如果你的音訊是英文、多語言，或你需要帶時間軸的字幕，或你希望明天就能在 CPU 機器上跑起來，答案就是 Whisper large-v3-turbo，而且遙遙領先。兩年的生產環境使用經驗、完整的執行環境生態系，以及所有現有工具都已支援的輸出格式，其價值遠勝於廠商圖表上的幾分 CER。

如果您的音訊是華語或地方方言，如果您的音訊片段很短，而且如果您能列舉其中會出現的名字，Ming-3.0-asr-tiny 值得做一次對照評測——但也僅限於對照評測。它的下載次數只有 35 次。實驗室之外沒有人發表過它的失效模式，這意味著您會是發現這些模式的人。

不要從任何方向把參數量當成品質訊號。Ming 比 turbo 大八倍，卻沒有在任何共同且經獨立測量的軸線上勝過它，因為根本沒有任何共同軸線被測量過。88.7 億參數換來的是相當於一個語言模型的上下文先驗，以及一次方言押注，而不是有紀錄可證的準確率勝利。

在你自己的音訊上執行比較

目前 OrcaRouter 目錄中並沒有這兩個模型，所以這一段誠實的說法是：你會從供應商自家的儲存庫取得它們，並自行執行。路由層在此的價值在於後續的部分：把一部分真實流量導向候選模型，同時讓現行模型繼續處理其餘流量；若新路徑失敗就自動容錯切換；而且一組 API 金鑰就能涵蓋 200 多個模型，因此要加入第二個意見，不必再簽第二份合約。OrcaRouter 以 0% 加價轉嫁供應商定價，這對自行託管的開放權重模型較不重要，對你會拿來與之基準比較的託管模型則較重要。

值得跑的測試只需一個下午：從你自己的語料庫取 200 個片段，其中一半含專有名詞，人工評分。把熱詞清單給 Ming，並把同樣的名稱放進 Whisper large-v3-turbo 的提示欄位。比較命名實體召回率，而不是字元錯誤率，因為那才是 Ming 真正針對的軸線，也是廠商上下文表所回報的軸線。接著判斷時間戳落差是否可承受——而對大多數管線來說，並不可承受。

什麼會改變這個判決？

兩件事。在共用測試集上進行獨立評估，將能解決兩家廠商都尚未回答的準確性問題，而且任何人都能執行。而一份發布公告——包含訓練資料聲明、明確的發布日期，以及附時間戳的路線圖——會讓 Ming 從一個設定有前景的 checkpoint，變成一個你可以據此規劃的產品。在那之前，正確的描述是那個不光鮮的版本：一組有完善文件說明的權重，悄悄發布，裡面有一個 Whisper 編碼器，而實驗室之外還沒有人能告訴你它會如何失敗。