LFM3-Audio-2B مقابل StepAudio 3: النموذج المفتوح 2B في مواجهة خط المنتجات المُقيَّم

StepAudio 3 Realtime يحمل رقمًا مرتبطًا بالمعيار الذي تُقيَّم به منتجات الصوت: 98.9% في لوحة Conversational Dynamics لدى Artificial Analysis، المركز الأول. LFM3-Audio-2B لديه ترخيص. هذا ليس تباينًا بلاغيًا — بل هو الواقع الفعلي للأدلة. عائلة StepFun StepAudio 3 صدرت في 15 سبتمبر 2026 كخمسة نماذج صوتية تجارية على منصة واحدة، مع مواضع لدى أطراف ثالثة وسعر معاينة صفر. ظهر LFM3-Audio-2B من Liquid AI في 27 أكتوبر ضمن إصدار LFM3 المكوّن من ستة نماذج كـ checkpoint مفتوح الأوزان بحجم 2B مع جدول من المورّد ودون نتيجة مستقلة. أحدهما منتج مُقاس يمكنك استئجاره. والآخر ملف غير مُقاس يمكنك امتلاكه. القرار بينهما أقل ارتباطًا بجودة الصوت وأكثر ارتباطًا بأي من هاتين الجملتين يصف قيدك.

ثمة إغراء بأن نعلن النموذج المُقيَّم هو الفائز ونمضي قدماً. قاوم ذلك لفقرة واحدة. إن نتيجة StepAudio 3 Realtime تقيس ديناميكيات المحادثة — تبادل الأدوار، والتعافي من المقاطعة، والإشارات الخلفية — على نظام مستضاف مزوّد بـWebSocket دائم ومجموعة تدريبية ذات أولوية للصينية. أما LFM3-Audio-2B فليس على تلك اللوحة، وليس ثنائي الاتجاه، ولن يُقاس بها حتى لو أدخله أحد. النموذجان لا يتنافسان على المقعد نفسه في حزمة تقنية. المقارنة المفيدة هي ما يستطيع كل منهما فعله ولا يستطيع الآخر فعله، وما يكلفك اكتشاف ذلك.

ما هي حقيقة StepAudio 3

يغطي الاسم عائلة، والفئة التي تختارها تغيّر المقارنة. أطلقت StepFun خمسة نماذج صوتية في 15 سبتمبر: Realtime وASR وTTS وGen وMusic، وكلها متاحة على منصتها المفتوحة كواجهات APIs تجارية. وتستكمل فئة Chat بسياق 256K ومخرجات نصية واجهة المطوّرين.

• StepAudio 3 Realtime — محادثة أصلية كاملة الازدواجية، واستدلال مباشرةً على الكلام بدلاً من النسخ أولاً، مع استدعاء الأدوات والتنفيذ غير المتزامن للمهام الطويلة أثناء استمرار المحادثة. الطراز الرائد، والأقرب نظيرًا إلى نموذج صوتي عام.

• StepAudio 3 ASR — التعرّف على الكلام، بمعدل خطأ في الكلمات يبلغ 1.7% على لوحة دقة ASR غير المتدفقة الخاصة بـ Artificial Analysis، متعادلًا على المركز الأول.

• StepAudio 3 TTS — تركيب صوتي متدفق، وست لغات (الإنجليزية والصينية واليابانية والكورية والفرنسية والإسبانية)، و12 صوتًا من أصوات النظام، وما يصل إلى 1000 حرف من الإدخال.

• StepAudio 3 Gen — توليد موحّد للأصوات والمؤثرات الصوتية والأجواء المحيطة والموسيقى الخلفية والغناء من اللغة الطبيعية، وهو متاح حاليًا ضمن معاينة مجانية محدودة.

• StepAudio 3 Music — توليد أغانٍ من دون أمثلة مسبقة مع تحكم متعدد الجولات عبر تدوين ABC، وتحويل الغناء إلى توزيع، وأغانٍ مُعاد تأديتها.

يُعدّ LFM3-Audio-2B نقطة تحقق واحدة تحاول أداء عدة مهام من تلك دفعة واحدة: التعرّف، والتوليف، والترجمة، وفهم الصوت، واستدعاءات الأدوات المنطوقة، ويُختار ذلك عبر الموجّه وملف تعريف الخدمة. وهو لن يولّد الموسيقى، ومجموعة مؤثراته الصوتية هي ما ينتج عن نموذج صوتي عام. ما يمتلكه فعلاً هو ملف أوزان. أما StepAudio 3 فلا يمتلك ذلك — فهو عائلة واجهات برمجة تطبيقات تجارية، وليس إصداراً مفتوحاً، ولا تشحن أي فئة منه أوزاناً.

لوحة النتائج، ومن أنتجها

أرقام StepFun هي أقوى قاعدة أدلة في هذه المواجهة، وهي أيضًا الأسهل في المبالغة في تأويلها. رقم 98.9% في Conversational Dynamics هو تصنيف طرف ثالث على Artificial Analysis، ما يجعله أكثر مصداقية من جدول مورد. أما رقم 99.7% في استدلال الكلام فهو مذكور من StepFun، ولم يُعَد إنتاجه بشكل مستقل. ومعدل خطأ الكلمات في ASR البالغ 1.7% هو تصنيف في Artificial Analysis، متعادل في المركز الأول، وينتمي إلى فئة ASR لا إلى نموذج Realtime. هذه ثلاثة أنواع مختلفة من الادعاءات ترتدي الزي نفسه.

جدول LFM3-Audio-2B مُبلَّغ عنه بالكامل من المورّد، وكل أرقامه نسبية إلى سابقه LFM2.5-Audio-1.5B: معدل خطأ الكلمات (WER) في التعرف التلقائي على الكلام الإنجليزي 6.23 مقابل 6.13، وWER/CER متعدد اللغات 6.03، وUTMOSv2 3.83 مقابل 3.22، وVoiceBench 73.13 مقابل 55.17، وMMAR 50.60 مقابل 25.85، وتقييم داخلي لاستدعاء الأدوات عند 58.50. لا يُذكر أي مجموعة اختبار أو إطار تقييم أو تباين، ولم نعثر على أي إعادة إنتاج مستقلة لأي صف.

ضع الاثنين جنبًا إلى جنب، والملاحظة الصادقة هي أنهما بالكاد يتداخلان. يُقيَّم StepAudio 3 Realtime على توقيت المحادثة؛ بينما يُقيَّم LFM3-Audio-2B على التعرف وجودة التوليف والاستدلال الصوتي. المحور الوحيد الذي ينشر فيه كلاهما شيئًا هو التعرف، وحتى هناك المقارنة ملوثة: نسبة 1.7% لـ StepAudio هي درجة مستقلة من لوحة لطبقة ASR، بينما 6.23 لـ Liquid هي رقم مورد لنموذج صوتي عام على مجموعة غير مسمّاة. الفجوة كبيرة بما يكفي بحيث يكون الاتجاه على الأرجح حقيقيًا. أما الحجم فليس قياسًا لأي شيء أجراه الفريقان معًا.

Duplex هي التشكيلة المعمارية

صُمم StepAudio 3 Realtime لمكالمة هاتفية. فهو يستمع أثناء تحدّثه، ويتعامل مع المقاطعة، ويستدلّ على الصوت الخام بدلاً من نص مفرّغ، وهو ما ترى StepFun أنه يحافظ على النبرة والتشديد اللذين قد تسطّحهما خطوة نصية. وتوضّح وثائقه هذا الانقسام صراحةً: فـ Realtime API يوفّر التعرّف على الكلام المدمج وإدارة السياق وكشف النشاط الصوتي VAD والبحث على الويب والاسترجاع؛ أما Chat API فيجعلك تنفّذ كلًا من ذلك بنفسك.

صُمّم LFM3-Audio-2B لتلبية طلب. يتيح له مُرمِّز صوتي سببي أن يملأ مسبقًا أثناء تحدثك، ويعيد LiquidCodec بث الكلام — 80 مللي ثانية من الصوت إلى 12 رمزًا، تُفكّ شفرتها بسرعة تقارب 87× الزمن الحقيقي على خيط CPU واحد في M4 Max. تأتي قيمة زمن الوصول إلى أول رمز «المنخفضة إلى 50 مللي ثانية» من ذلك التصميم. لكن بث الرد ليس مثل التعامل مع المقاطعة أثناء الكلام، ولا تقدم Liquid أي ادعاء بالاتصال ثنائي الاتجاه. إذا كان منتجك يحتاج إلى دعم مقاطعة المستخدم له أثناء الكلام، فإن البنية تحسم ذلك قبل أي اختبار أداء.

ثمة مشكلة كامنة في زمن الاستجابة على الجانب الآخر. يسجّل StepAudio 3 Realtime زمنًا للوصول إلى أول صوت قدره 8.83 ثانية على لوحة الصدارة نفسها التي يتفوق فيها في الديناميكيات الحوارية — مقابل 1.18 ثانية لـ Gemini 3.8 Live و1.24 إلى 1.34 ثانية لـ GPT-Live-1. النموذج الذي يتفوق في تناوب الأدوار لكنه يستغرق ما يعادل معظم جملة كاملة قبل أن يبدأ الكلام هو نموذج قد لا تتمكن أبدًا من إظهار أفضل جودة لديه في بيئة الإنتاج. اختبر زمن الاستجابة قبل جودة المحادثة، واختبره خارج إعداد الخدمة الخاص بـ StepFun إن أمكن.

السعر والترخيص وما الذي تشتريه فعليًا

StepAudio 3 في معاينة مجانية محدودة المدة عبر عائلة المنتجات، دون الإعلان عن سعر لما بعد المعاينة لطبقة Realtime. أما طبقة TTS فلديها سعر قائمة منشور يبلغ نحو 0.36 دولار لكل 10,000 حرف عبر كتالوج طرف ثالث، لكن هذا ليس سعر Realtime ولا ينبغي استخدامه على أنه كذلك. الوضع العملي هو أن StepAudio 3 Realtime مجاني للتقييم اليوم وغير مسعّر للإنتاج — وقت جيد للاختبار، ووقت سيئ لبناء نموذج اقتصاديات الوحدة.

يفرض LFM3-Audio-2B تكلفة على الجهاز الذي يعمل عليه. ترخيص LFM Open License v1.0 مجاني للاستخدام التجاري لمن تقل إيراداته السنوية عن $10M، ومدفوع لمن يتجاوزها. حزمة Ollama بحجم 2.1 GB وقادرة على العمل على CPU؛ تم دمج الدعم في llama.cpp في 27 أكتوبر؛ ويحتاج Transformers إلى 5.20.2 أو أحدث مع trust_remote_code، وتُحمَّل أوزان codec من دليل منفصل، لذا ثبِّت البيئة. لا يوجد عدّاد لكل دقيقة. كذلك لا توجد اتفاقية مستوى خدمة (SLA)، ولا جهاز نداء، ولا مورّد يمكن الاتصال به عندما تتدهور المخرجات.

• ما تحصل عليه — StepAudio 3 Realtime: نقطة وصول تجارية، الطراز الرائد الحالي، مع دعم. LFM3-Audio-2B: نقطة حفظ، وترخيص، والعبء التشغيلي.

• ما يمكنك فحصه — StepAudio 3: الوثائق، ومواضعها في لوحة الصدارة، دون أوزان. LFM3-Audio-2B: الهندسة المعمارية، وبطاقة النموذج، والأوزان، والترميز، ومسار الضبط الدقيق.

• شكل التكلفة — StepAudio 3: لكل استدعاء، صفر عند الخمول، وغير مسعّر بعد المعاينة. LFM3-Audio-2B: عتاد ثابت، وتكلفة حدية قريبة من الصفر، بلا عدّاد.

• وضع الفشل — StepAudio 3: حصة، أو منطقة، أو مشكلة في الحساب، أو تذكرة دعم. LFM3-Audio-2B: أنت المسؤول عن جهاز النداء.

تغطية اللغات ليست تعادلًا.

يسرد LFM3-Audio-2B 18 لغة عبر 19 سياقًا محليًا، مع ظهور الإنجليزية مرتين كنسختين أمريكية وبريطانية. تلك قائمة تركيب واسعة لنموذج 2B، وهي أقوى حجة عملية لصالحه في منتج أوروبي أو متعدد اللغات. والحدود محددة بالقدر نفسه من الدقة: التعرف الآني على الكلام (ASR) بالإنجليزية فقط، والترجمة تكون في أقوى حالاتها من الإنجليزية أو إليها.

StepAudio 3 موجّه للصينية أولًا. لا تنشر وثائق طبقة Realtime قائمة كاملة باللغات؛ فطبقة TTS في هذه العائلة تغطي ست لغات، وطبقة ASR مبنية حول الصينية والإنجليزية مع معالجة اللهجات والتبديل بين اللغات والصوت الطويل والغناء. إذا كانت حركة المرور لديك ماندرين مع إنجليزية مدمجة، فإن حزمة StepFun مصممة لهذا الحمل من العمل، وحزمة Liquid ليست كذلك. وإذا كانت حركة المرور لديك بالسويدية والهولندية، فإن نموذج الـ18 لغة هو الوحيد من بين الاثنين الذي يزعم تغطيتهما.

أين يتناسب جهاز التوجيه، وأين لا يتناسب

StepAudio 3 ليس في كتالوج OrcaRouter، وLFM3-Audio-2B ليس كذلك أيضًا — أحدهما واجهة برمجة تطبيقات مغلقة، والآخر تنزيل. لذلك لا توجد قصة تبديل احتياطي بين هذين الاثنين تُروى، ولا سبب للتظاهر بغير ذلك.

تكتسب طبقة التوجيه أهمية على مستوى أعلى، حيث يتركّز التعقيد الفعلي في وكلاء الصوت. يدعم StepAudio 3 Realtime استدعاء الأدوات والمهام غير المتزامنة طويلة الأمد، ما يعني أن المحادثة تسلّم العمل باستمرار إلى نماذج نصية عادية: بحث، أو استخراج، أو فحص سياسات. في طبقة التفويض هذه تكمن انقطاعات المزوّدين وتفاوت التكلفة. تضع OrcaRouter أكثر من 200 نموذج نصي ومتعدد الوسائط خلف مفتاح واحد بسعر قائمة المزوّد دون أي هامش إضافي، مع تجاوز فشل تلقائي، ولغة DSL للتوجيه تجمع عدة نماذج في استدعاء واحد، ودمج للنماذج عندما لا يكفي حكم نموذج واحد. بالنسبة لنموذج أولي من LFM3-Audio-2B، يمثّل ذلك نصف المكدس الذي يمكن وضعه خلف نقطة نهاية اليوم بينما يبقى النموذج الصوتي محليًا.

ثلاثة أسئلة تحسم الأمر

هل تحتاج إلى محادثة يمكن مقاطعتها؟

إذن، StepAudio 3 Realtime هو الوحيد من بين هذين الاثنين الذي يدّعي هذا السلوك، وهو نقطة البداية الصحيحة رغم مسألة زمن الاستجابة. أما LFM3-Audio-2B فهو طلبٌ واستجابة؛ ولا يُغيّر أي قدر من الضبط الدقيق واجهته. اختبر رقم الصوت الأول البالغ 8.83 ثانية على شبكتك الخاصة قبل أن تلتزم.

هل تحتاج إلى امتلاك النموذج أو تشغيله دون اتصال بالإنترنت؟

إذن LFM3-Audio-2B هو الخيار الوحيد هنا، وعتبة الترخيص هي الرقم الذي يجب أن تقارنه بإيراداتك. اقبل سياق 32K، والتعرف الصوتي المباشر بالإنجليزية فقط، وغياب تقييم مستقل. شغّل تسجيلاتك الخاصة عليه قبل أن تثق بمكسب UTMOS.

هل تكفي درجة تقييم المورّد للاختيار؟

ليس بعد، والسبب ليس أن أرقام StepFun ضعيفة. بل لأن الدرجات تقيس أشياء مختلفة من أدوات تقييم مختلفة، والنموذج الذي لا يملك درجة غير مؤهل للوحة الصدارة التي أنتجت الرقم الأكثر اقتباسًا. والمواجهة المباشرة المحايدة على مجموعة المحادثات نفسها ستحسم أكثر مما يحسمه جدول أي من المورّدين. وإلى أن توجد، فإن الاختيار مسألة قيود، لا مسألة جودة.

الحكم

يفوز StepAudio 3 Realtime على المحور الذي يقيسه السوق حاليًا — ديناميكيات المحادثة — ويمتلك قاعدة أدلة أقوى لأن طرفًا ثالثًا أنتج جزءًا منها. كما أنه يعاني من مشكلة كمون غير محلولة، ولا يوجد سعر منشور بعد انتهاء فترة المعاينة، ولا تتوفر أوزان النموذج، وملفه اللغوي يعطي الأولوية للصينية. وهو الخيار الأفضل لوكيل صوتي فوري يستهدف مستخدمي الصينية والإنجليزية، بشرط أن ينجح اختبار الكمون وألا يتحول تسعير المعاينة إلى مفاجأة.

يفوز LFM3-Audio-2B على صعيد الملكية واتساع نطاق التركيب، ويخسر على صعيد الأدلة. عمره أربعة أيام فقط، وأرقامه مُبلَّغة من المورّد، ونظام ASR الخاص به في منتصف الجدول ضمن جدوله الخاص، وترخيصه يتضمن حدّاً إيرادياً. وهو الخيار الأفضل لمنتج غير متصل بالإنترنت، أو صوت متعدد اللغات، أو فريق لا يمكنه قبول عدّاد لكل استدعاء — وهو الوحيد من الاثنين الذي يمكنك تقييمه بالكامل على عتادك الخاص هذا الأسبوع.

ما ينبغي مراقبته هو الشيء نفسه على الجانبين: تقييم محايد يضع نموذجًا مزدوج الاتجاه ونموذج طلب واستجابة على مجموعة المحادثات نفسها، وسعر إنتاج منشور لـ StepAudio 3. سيوضح لك الأول ما إذا كانت نقطة تفتيش 2B لدى Liquid أقرب إلى الطليعة مما توحي به أوراقها. وسيوضح لك الثاني ما إذا كانت ريادة StepFun ستصمد عند مواجهة فاتورة.