LFM3-Audio-2B على Ollama: كلام أفضل، والأذنان نفسهما

نموذج Liquid AI LFM3-Audio-2B أصبح قابلاً للتنزيل بأمر واحد هذا الصباح. يشغّل ollama run lfm3-audio تنزيل 2.1 GB ويبدأ نموذجاً بـ 2B معلمة يقبل النص أو الصوت ويجيب بالنص، أو بكلام بتردد 24 kHz، أو بكليهما. النموذج نفسه عمره يوم واحد — فقد صدر في 27 أكتوبر 2026، ضمن عائلة LFM3 المكوّنة من ستة نماذج. الجديد في 28 أكتوبر هو الإتاحة، وأول ما يجدر معرفته يقع في جدول القياسات المرجعية الخاص بـ Liquid نفسه: مقابل LFM2.5-Audio-1.5B الذي يحل محله، ارتفعت جودة الكلام بحدّة، وتضاعف فهم الصوت تقريباً، ولم يتحسن التعرف على الكلام الإنجليزي على الإطلاق.

يفصل باقي هذا المقال بين ما يمكن التحقق منه اليوم وما لا يمكن. لم يحصل فرع الصوت سوى على فقرة واحدة من تدوينة خاصة بعائلة النماذج وبطاقة نموذج — فلا يوجد إعلان خاص به بعنوان "Introducing LFM3-Audio" — ولم نعثر على أي اختبار قياسي مستقل لهذا النموذج في أي مكان. كل رقم أدناه مأخوذ من Liquid ما لم تنص الجملة على خلاف ذلك.

ما الذي تم إطلاقه، ومدى هزال الإعلان

منشور Liquid بتاريخ 27 أكتوبر، «تقديم LFM3: كل نمط من أجل ذكاء متخصص»، أعلن عن ستة نماذج من فئة 2B دُرِّبت من LFM3-1.7B-Base: النص، والرؤية، والصوت، والأومني، ونموذجَي قرار متخصصين من فرعَي الرؤية والأومني. الصوت أحد فروع الأنماط الأربعة ويحصل على فقرة واحدة — تحسين UTMOSv2، ورقم 50 ms للزمن حتى أول رمز، والترميز بسرعة 87× الزمن الحقيقي. لا يوجد منشور خاص بالصوت، ولا مدونة معايير صوت، ولا إدخال تسعير لأي نموذج LFM3 على صفحة تسعير Liquid.

وضعت ثلاث قطع أثرية النموذج أمام القارئ هذا الأسبوع:

• الأوزان — LiquidAI/LFM3-Audio-2B على Hugging Face، بموجب LFM Open License v1.0، مع بطاقة نموذج تتضمن جدول المقارنة الكامل.

• llama.cpp — PR #31257، الذي دُمج في 27 أكتوبر، يضيف LFM3-Audio-2B وLFM3-Omni-2B. يحافظ على تلافيفات مُرمِّز الصوت والكوديك دون تكميم، ويتيح صوتًا ذكريًا أو أنثويًا عبر علامة TTS، ويُدرج التعرّف الآلي على الكلام المباشر (ASR) كطلب سحب متابِع بدلًا من أن يكون جزءًا من الدمج.

• Ollama — lfm3-audio، بحجم 2.1 غيغابايت، بوسمَي latest و2b، يعرض 19 عملية تنزيل و«تم التحديث قبل ساعة» وقت التقاط البيانات. يشير رأس الصفحة إلى خمسة نماذج؛ بينما يظهر صفّان منشوران فقط.

إدراج Ollama هو الأكثر أهمية، لأنه المسار الوحيد الذي لا يبدأ بقراءة بطاقة نموذج. وقد وصل أيضًا دون أي نوع من الإعلان — لا منشور، ولا سجل تغييرات، ولا شيء على بطاقة النموذج نفسه يشير إليه.

ورقة المواصفات، بما في ذلك الشكل الذي أخطأ الجميع تقريبًا في نسخه.

• المعاملات — 2B إجمالاً، على البنية الأساسية LFM3 مع مشفّر صوتي سببي مطوّر داخلياً ومُرمِّز LiquidCodec

• الإدخال — نص، أو صوت مُأخوذ بعينات بتردد 16 kHz

• الإخراج — نص، أو كلام بتردد 24 كيلوهرتز، أو نص وكلام متداخلان

• السياق — 32 ألف رمز تغطي المدخلات والمخرجات. هذا ليس رقم 256 ألف الذي يتكرر في تغطية الإطلاق: فهو يخص LFM3-1.7B، النموذج النصي. صفحة فرع الصوت نفسها تقول 32 ألف.

• اللغات — 18، مُدرجة ضمن 19 لغة محلية لأن الإنجليزية تظهر مرتين، بصفتها النسختين البريطانية والأمريكية. التعرّف التلقائي على الكلام المباشر (ASR) بالإنجليزية فقط؛ والترجمة تكون في أقوى حالاتها من الإنجليزية أو إليها.

• رخصة — LFM Open License v1.0، مجانية للاستخدام التجاري عند إيرادات سنوية أقل من 10 ملايين دولار، مع رخصة تجارية مدفوعة فوق هذا الحد.

• الحجم — 2.1 غيغابايت كبناء Ollama.

صفّان من تلك الصفوف يستحقان توقّفًا. رقم السياق هو الذي سيخطئ فيه ملخّص لأشهر، لأن منشور العائلة يبدأ بـ256K بينما تقول بطاقة الصوت بهدوء 32K. وعدّ اللغات هو في الحقيقة عدّ للنطاقات المحلية: تسعة عشر إدخالًا، وثماني عشرة لغة، مع قيام متغيّرَي الإنجليزية بالعمل الإضافي. لا هذا ولا ذاك فضيحة، وكلاهما يغيّر ما كنت ستعد به المستخدم.

أمر واحد، والحقل الذي يتعارض مع البطاقة

إنّ ollama run lfm3-audio هو كل الإعداد المطلوب فعلاً. توسم الصفحة النموذج بالوسوم tools وaudio و2b، ويقول ملف README الموجود مباشرةً فوق جدول النموذج إنه يستقبل نصًا أو صوتًا ويرد بنص أو كلام أو كليهما. لكن جدول النموذج يخالف ذلك: إذ يدرج كلا الوسمين المدخلات على أنها "Text" والسياق على أنه شرطة.

هذا أمر يستحقّ التعامل معه بجدية بدلًا من رفضه باعتباره خللًا في العرض. فقد دعم Ollama إدخال الصوت منذ الإصدار v0.20 في أبريل 2026، حين قدّمت Gemma 4 قدرةً صوتية، وأمر ollama transcribe، وأجزاء input_audio على نمط OpenAI. فالبنية موجودة. أما غير المؤكد فهو ما إذا كانت مهيأة لهذه النسخة تحديدًا — فوسم الصوت ادعاء بقدرة، وليس نتيجة اختبار. إذا كانت خطتك تبدأ بـ«تمرير ملف WAV إلى Ollama»، فتحقّق من ذلك بملف واحد قبل أن تبني تصميمك عليه.

للإخراج الصوتي الشكل نفسه من الجهة المقابلة. يكشف دمج llama.cpp عن علامة صوت TTS؛ ولا توثّق صفحة Ollama أي مكافئ، ويصف ملف readme الإخراج الصوتي كخاصية للنموذج لا كميزة في CLI. اقلب كل جملة رأسًا على عقب ويبقى الاستنتاج قائمًا: مسار الطرفية اليوم هو النصف النصي لنموذج صوتي. تحتاج الدردشة الصوتية كاملة الازدواجية إلى مسار Python أو llama.cpp.

لوحة النتائج التي نشرتها Liquid

ستة أرقام، أربعة منها لها قيمة سابقة. جميعها مأخوذة من بطاقة نموذج Liquid، دون مجموعة اختبار مسماة، ودون أداة تقييم، ودون تباين.

التعرّف التلقائي على الكلام الإنجليزي، معدل خطأ الكلمات ↓ — 6.23 لـ LFM3-Audio-2B مقابل 6.13 لـ LFM2.5-Audio-1.5B. ثابت، وهو الصف الوحيد الذي لم يتغيّر.

• التعرّف التلقائي على الكلام متعدد اللغات، WER/CER ↓ — 6.03. لم يُنشر رقم سابق.

• تحويل النص الإنجليزي إلى كلام (TTS)، UTMOSv2 ↑ — 3.83 مقابل 3.22. قفزة كبيرة؛ عادةً ما يُعتبر 4.0 هو خط الاقتراب من الأداء البشري.

• VoiceBench ↑ — 73.13 مقابل 55.17.

فهم الصوت، MMAR ↑ — 50.60 مقابل 25.85. ما يقارب الضعف.

• استدعاء الأدوات من الكلام، التقييم الداخلي ↑ — 58.50. لا يوجد رقم سابق.

مقارنةً ببقية المنافسين في الجدول نفسه، هو نموذج صغير جيد وليس متصدرًا. يسجّل Voxtral Mini 3B قيمة 5.51 في WER ويسجّل NVIDIA Audex 2B قيمة 5.99، وكلاهما أفضل من 6.23. ويحقق Qwen2.5-Omni 3B في فهم الصوت 54.41 مقابل 50.60. ويحقق Gemma 4 E4B في استدعاء الأدوات 72.40 مقابل 58.50، كما يضع صف المعلمات الخاص بـ Liquid ذلك النموذج Gemma عند 8B مقابل 2B لهذا النموذج — فاسم "E4B" يحتسب المعلمات النشطة، لا الإجمالية. الخلاصة الصادقة هي أن التعرف التلقائي على الكلام (ASR) تنافسي، وأن إخراج الصوت خطوة واضحة إلى الأمام، وأن الاستدلال الصوتي متين بالنسبة لنموذج بحجم 2B — لكنه ليس صاحب رقم قياسي في أي عمود.

الفارق بين 6.23 و6.13 يقع ضمن ما ينتجه ضجيج المعاينة، ولا ينبغي قراءته على أنه تراجع. أما الفارق بين 3.83 و3.22 فليس كذلك — فتحرّك بمقدار 0.6 نقطة في UTMOS يقع خارج ذلك النطاق بكثير. والقراءة القابلة للدفاع هي أن Liquid أنفقت هذا الجيل على التوليد: صوت أفضل، واستدلال صوتي أفضل، وواجهة أمامية للتعرّف التلقائي على الكلام (ASR) صمدت في مكانها بينما تغيّرت المُرمِّزات تحتها. لم نعثر على أي إعادة إنتاج من طرف ثالث لأي صف، لذا تعامل مع الترتيب باعتباره فرضية إلى أن ينشر أحدهم واحدة.

لماذا يبقى الكودك أطول عمرًا من النموذج

LiquidCodec هو الجزء من هذا الإصدار الذي يستحق المتابعة بما يتجاوز نقطة التفتيش. فهو يحزم 80 مللي ثانية من الكلام في 12 رمزًا منفصلًا، ويفك الترميز عائدًا إلى 24 كيلوهرتز مع دعم البث، وتقيسه Liquid بنحو 87× الزمن الحقيقي على خيط معالج واحد من وحدة المعالجة المركزية في M4 Max. المشفّر السببي هو ما يسمح بالتعبئة المسبقة أثناء الكلام بدلًا من بعده، ومن هنا تأتي نسبة «50 مللي ثانية كحد أدنى» للزمن حتى أول رمز.

هذان الرقمان هما الأكثر اقتباسًا والأقل قابلية لإعادة الإنتاج في الإطلاق. وكلاهما قياسان من المورّد على عتاد Apple محدد بالاسم، دون أداة اختبار، ودون مجموعة اختبار صوتية، ودون قيمة مئينية. وهما يصفان أفضل حالة. لن تحققهما هاتف ولا Raspberry Pi ولا آلة افتراضية x86 مشتركة، ولا يذكر أي شيء في منشور الإصدار ما الذي ستحققه بدلًا منهما.

دعم وقت التشغيل واسع على نحو غير معتاد بالنسبة لنموذج عمره يوم واحد: Transformers 5.20.2 أو أحدث مع trust_remote_code، وvLLM وSGLang لنقطة تحقق BF16، وllama.cpp لـ GGUF، وMLX بدقة 4 بت على Apple silicon، وONNX Runtime لقابلية النقل، والضبط الدقيق على وحدة GPU واحدة. متطلب الكود المخصص هو النقطة التي يجب تثبيتها. يُحمَّل LFM3-Audio من وحدته الخاصة ويقرأ أوزان الترميز من دليل audio_tokenizer منفصل، لذا فإن بيئة غير مثبَّتة الإصدارات هي تذكرة دعم على وشك الحدوث.

الكلام المحلي مقابل نقطة نهاية مُستضافة

سبب كون نموذج صوتي بحجم 2B وبحجم 2.1 GB مثيرًا للاهتمام هو أن البديل يفرض عليك رسومًا عن كل ثانية من الصوت. الاستضافة الذاتية لها تكلفة ثابتة — جهاز تملكه بالفعل، وتنزيل، دون قياس بالدقيقة. أما نقطة النهاية المستضافة فلديها تكلفة هامشية لكل رمز ولا سطح تشغيلي على الإطلاق.

كن دقيقًا بشأن ما يغطيه كل جانب. تحويل النص إلى كلام المستضاف — النوع الذي نوجّهه، مثل gpt-4o-mini-tts بسعر 0.60 دولار للإدخال و12.00 دولارًا للإخراج لكل مليون رمز، أو gemini-2.5-flash-preview-tts بسعر 0.50 و10.00 دولارات — يحوّل النص إلى كلام ولا شيء غير ذلك. كما يستمع LFM3-Audio-2B ويفرّغ الكلام نصيًا ويترجم، ويعمل دون اتصال بالشبكة. إنهما يحلان نصفين مختلفين من الوكيل الصوتي نفسه.

LFM3-Audio-2B ليس متاحًا على OrcaRouter. نماذج الصوت التي نقدمها هي نقاط نهاية كلام مستضافة، لذا فإن التقسيم الصادق لمنتج صوتي هذا الشهر هو كلام محلي إدخالًا وإخراجًا مع نموذج Liquid، وكل ما يتعلق بالنص خلف نقطة نهاية واحدة لأكثر من 200 نموذج — هامش ربح بنسبة 0% على سعر قائمة المزوّد، وتحويل تلقائي عند تعثّر مزوّد، ولغة DSL للتوجيه إذا أردت تركيب عدة نماذج في استدعاء واحد. هذا ما يجعل إعدادًا بمشغّلين اثنين قابلًا للاستمرار: عقد واحد للنصف المستضاف، وتنزيل واحد للنصف المحلي.

بالنسبة للجانب المحلي، التكلفة ليست صفراً: 2.1 غيغابايت من الأوزان، وعملية يجب إبقاؤها قيد التشغيل، ولا اتفاقية مستوى خدمة. إذا كان الصوت لا يغادر المبنى أبداً، فهذه المقايضة سهلة. أما إذا غادره، فسعر الخدمة المستضافة زهيد بما يكفي بحيث يكون العبء التشغيلي عادةً هو ما يحسم المسألة.

من يجب أن يشغّله هذا الأسبوع، ومن يجب أن ينتظر؟

شغّله إذا أردت حلقة صوتية محلية على حاسوب محمول ويمكنك التعايش مع إخراج نصي في الطرفية في الوقت الحالي. شغّله إذا كنت بحاجة إلى إخراج كلامي بلغة يكون فيها الصوت المستضاف المتاح لديك ضعيفًا أو مكلفًا — ثماني عشرة لغة تغطية أوسع مما تقدمه معظم نماذج تحويل النص إلى كلام الصغيرة. شغّله إذا كانت لديك تسجيلات لا يمكنها مغادرة الجهاز وتريد نسخًا نصيًا وملخصًا من نموذج واحد. شغّله إذا كنت تجرّب استدعاءات أدوات منطوقة وتريد النموذج على الجهاز نفسه الذي توجد عليه الأداة.

انتظر إذا كانت دقة ASR هي المنتج. معدل خطأ الكلمات 6.23 يُعد محترمًا لكنه متأخر عن ثلاثة نماذج في جدول Liquid نفسه. انتظر إذا كنت بحاجة إلى نسخ صوتي متدفق اليوم — ASR المباشر هو طلب سحب لاحق في llama.cpp، وسيكون بالإنجليزية فقط عند إطلاقه. انتظر إذا كنت بحاجة إلى أن يعرف النموذج أشياء: توصي البطاقة بالاسترجاع ولا توصي صراحةً بالبرمجة الوكيلية أو الاستدلال متعدد الخطوات بهذا الحجم. وانتظر إذا كنت بحاجة إلى اتفاقية مستوى خدمة من مورّد، لأن صفحة التسعير لدى Liquid تسرد d1 وd1-ultra وLFM2.5-24B-A2B ولا تسرد أي نقطة نهاية صوتية LFM3 على الإطلاق.

ثلاثة أسئلة لا يجيب عنها الإطلاق

هل LFM3-Audio-2B هو النموذج نفسه LFM3-Omni-2B؟

لا. فهما يشتركان في العمود الفقري LFM3 وظهر كلاهما في طلب السحب نفسه على llama.cpp، لكن Omni يضيف الرؤية فوق الصوت وهو الالتزام الأكبر بينهما. إذا كانت المهمة مكالمة هاتفية أو تسجيل اجتماع أو أمر صوتي، فإن Audio هو النموذج الأصغر الذي يؤدي المهمة الأصغر. وإذا كانت المهمة تتضمن النظر إلى شيء أثناء الاستماع إليه، فذلك هو فرع omni.

هل يمكنه تحويل بث مباشر إلى نص؟

ليس عبر llama.cpp بعد. تُصنّف عملية الدمج ASR المباشر كعمل لاحق، وبطاقة النموذج صريحة في أن ASR المباشر مقتصر على الإنجليزية حتى بعد توفره. أما النسخ الدفعي لتسجيل ما فهو المسار المدعوم اليوم، بسياق يبلغ 32K رمزًا — وهو تقريبًا حد الطول الذي ينبغي التخطيط حوله للملفات الطويلة، لأن رموز الصوت ورموز النص تتشارك تلك الميزانية.

هل يحتاج إلى وحدة معالجة رسومية؟

لا، وهذا هو المقصود من بناء GGUF. أثر Ollama بحجم 2.1 GB يعمل على CPU. ما يقيسه رقم 87× للزمن الحقيقي هو الترميز، وليس نموذج اللغة، لذا لا تقرأه كسرعة شاملة من طرف إلى طرف على عتادك. يمتلك Apple silicon المسار الأسلح عبر MLX أو دعم llama.cpp المدمج؛ على x86 توقّع أن يكون فك الترميز على CPU عنق الزجاجة، وقِس قبل أن تعِد أي شخص برقم زمن استجابة.

ما الذي قد يغيّر هذا الحكم؟

ثلاث إشارات، مرتبة حسب مقدار أهميتها. أولاً، وصول متابعة ASR الحيّة إلى llama.cpp — فهذا يحوّل مُفرّغ الدفعات إلى شيء يمكن وضعه خلف ميكروفون، وهي حالة الاستخدام التي يريدها معظم الناس فعلاً. ثانياً، إجراء قياس WER مستقل على مجموعة قياسية؛ وإلى أن يوجد واحد، فإن الشيء الوحيد الذي يُبقي ASR لهذا النموذج صادقاً هو جدول من مورّد يقارنه بنموذج سابق للمورّد نفسه. ثالثاً، سعر API منشور لفرع الصوت، وهو ما سيخبرنا إن كانت Liquid تنوي بيع الاستماع كخدمة أو إبقائه رهاناً على الأوزان.

حتى ذلك الحين، يظل الوصف الدقيق ضيقًا ومفيدًا: نموذج كلام بحجم 2B يمكنك تنزيله في دقيقة، ويتحدث على نحو أفضل من النموذج الذي يحل محله، ويستمع بجودة مماثلة تقريبًا، وليس لديه شهود مستقلون بعد. بالنسبة لنموذج أولي على حاسوب محمول، هذا كافٍ. أما بالنسبة لخط أنابيب نصوص جاهز للإنتاج، فليس كذلك — والفجوة بين هاتين الجملتين هي بالضبط المسافة بين إطلاق وتقييم.