LFM3-Audio-2B vs. Dessa: Das eine kann man herunterladen, das andere nur hören

Liquid AIs LFM3-Audio-2B ist ein Checkpoint mit 2 Milliarden Parametern unter offener Lizenz, mit einem Hugging-Face-Repository und einem 2,1-GB-Build, den man auf einen Laptop ziehen kann. Blocks Dessa ist ein Full-Duplex-Sprachmodell, das am 23. Oktober 2026 hinter einer Warteliste angekündigt wurde, ohne Gewichte, ohne Parameterzahl, ohne API und ohne veröffentlichten Benchmark. Stellt man sie nebeneinander, bricht der übliche Vergleich zusammen, bevor er beginnt: Eines davon kann jeder, der das hier liest, ausführen, feinabstimmen und messen, und das andere kann man nur anhören. Die nützliche Frage ist nicht, welches besser klingt. Sie lautet: Was hat jedes Unternehmen zu veröffentlichen gewählt, und was ermöglicht Ihnen diese Entscheidung am Montagmorgen?

Beide kommen mit demselben Warnhinweis – aus entgegengesetzten Richtungen. LFM3-Audio-2B wurde am 27. Oktober 2026 im Rahmen des Launches der sechs Modelle umfassenden LFM3-Familie ausgeliefert, und der Audio-Zweig bekam einen Absatz in Liquids Familienbeitrag plus eine Modellkarte. Es gibt keine eigenständige Ankündigung „Introducing LFM3-Audio“, keinen Audio-Preiseintrag auf Liquids Website und – zum Zeitpunkt dieses Textes – nirgendwo einen unabhängigen Benchmark-Lauf des Modells. Dessa hat das umgekehrte Problem: ein Dutzend kuratierte Gesprächsaufzeichnungen und nahezu keine Spezifikation. Keines der beiden Unternehmen hat Außenstehenden genug gegeben, um ein Ergebnis zu reproduzieren.

Was jeder Einzelne tatsächlich veröffentlicht hat

Streicht man die Adjektive, ist die Bilanz kurz. Alles Folgende stammt aus Liquids Model Card, dem Beitrag zu seiner Modellfamilie oder Blocks eigener Ankündigung; nichts davon wurde unabhängig verifiziert.

• Was Sie erhalten — LFM3-Audio-2B: einen BF16-Checkpoint, GGUF- und MLX-4-Bit-Konvertierungen, einen Tokenizer und Codec-Gewichte in einem separaten audio_tokenizer-Verzeichnis. Dessa: ein Wartelistenformular und eine Reihe von Videoclips.

• Größe — LFM3-Audio-2B: 2B Parameter, 2,1 GB als Ollama-Build. Dessa: nicht angegeben. Block sagt, dass es auf ein MacBook Pro M4 Max passt, was darauf hindeutet, dass das Modell klein genug für 128 GB vereinheitlichten Speicher ist, aber das ist eine Schlussfolgerung, keine Zahl.

• Ein- und Ausgabe — LFM3-Audio-2B: Text oder 16-kHz-Audio als Eingabe; Text, 24-kHz-Sprache oder verschachtelt Text und Sprache als Ausgabe. Dessa: Audio als Eingabe, Audio als Ausgabe, ohne an irgendeinem Punkt eine textliche Zwischenstufe.

• Kontext — LFM3-Audio-2B: 32K Token für Eingabe und Ausgabe. Dies ist nicht die 256K-Angabe, die in einigen LFM3-Berichten wiederholt wird; diese gehört zum Textmodell LFM3-1.7B. Dessa: nicht veröffentlicht.

• Lizenz — LFM3-Audio-2B: LFM Open License v1.0, kostenlos für die kommerzielle Nutzung bei einem Jahresumsatz unter 10 Mio. USD. Dessa: keine Gewichte, daher keine Lizenz zum Lesen.

• Benchmark — LFM3-Audio-2B: eine sechszeilige Anbietertabelle. Dessa: keine.

In der letzten Zeile wird der Vergleich interessant. Liquid veröffentlichte Zahlen und keinen unabhängigen Zeugen. Block veröffentlichte Zeugen – Journalisten, die dieselben Ausschnitte gehört haben – und keine Zahlen. Wer zwischen beiden wählen will, wählt, welche Art von Lücke er zu tolerieren bereit ist.

Der eine Vorteil, den Dessa hat, der nicht heruntergeladen werden kann

Dessa ist für Vollduplex gebaut: Es hört zu, während es spricht. Das Modell kann mitten im Satz unterbrochen werden, kann ein „richtig“ oder „mm-hm“ einwerfen, während man noch spricht, und kann sein Timing an das eigene anpassen. Blocks Demos setzen stark darauf – Lachen mitten im eigenen Satz, eine Lautstärkeänderung auf Zuruf, ein Filmtitel, den es für einen Sprecher vervollständigt, der ihn vergessen hat. The Verge fand die Gespräche beim Anhören derselben Aufnahmen „ein wenig unbeholfen und unheimlich“, was eine treffende Beschreibung eines Systems ist, das Timing in der Öffentlichkeit lernt.

LFM3-Audio-2B behauptet das nicht. Es basiert auf Request-and-Response mit Streaming: Ein kausaler Audio-Encoder ermöglicht das Prefill, während Sie sprechen – daher stammt Liquids Angabe „nur 50 ms“ Zeit bis zum ersten Token –, und LiquidCodec streamt die Sprache zurück. Eine Antwort zu streamen ist nicht dasselbe wie der Umgang mit Barge-in. Wenn Ihr Produkt eine Konversation benötigt, bei der man dazwischenreden kann, ist LFM3-Audio-2B die falsche Art von Modell, und kein noch so umfangreiches Fine-Tuning ändert die Schnittstelle.

Was Dessa's Demo Ihnen nicht sagen kann, ist, wie oft sie sich so verhält, wenn niemand den Clip auswählt. Block sagt, die Aufnahmen seien live, ungesteuert und nachträglich untertitelt, was die gröbste Form von Demo-Betrug ausschließt. Auswahl schließt es jedoch nicht aus. Ein Team, das viele Gespräche aufzeichnet und die besten davon veröffentlicht, hat bewiesen, dass gute Gespräche existieren, nicht dass das Modell zuverlässig ist.

Die Zahlen, die Liquid veröffentlicht hat, und was sie wert sind

Die Model Card von Liquid enthält sechs Kennzahlen, vier davon mit einem Vorgängerwert. Alle vergleichen LFM3-Audio-2B mit LFM2.5-Audio-1.5B, dem Modell, das ersetzt wird. Testset, Harness oder Varianz werden nicht genannt.

• Englische ASR, Wortfehlerrate — 6,23 gegenüber 6,13. Unverändert. Die einzige Zeile, die sich nicht verändert hat, und eine Differenz, die klein genug ist, um Stichprobenrauschen zu sein.

• Mehrsprachige ASR, WER/CER — 6,03. Kein Vorgängerwert veröffentlicht.

• Englisches TTS, UTMOSv2 — 3,83 gegenüber 3,22. Eine Verschiebung um 0,6 Punkte, deutlich außerhalb des Rauschens, auf einer Skala, auf der 4,0 üblicherweise als nahezu menschlich gilt.

• VoiceBench — 73,13 gegenüber 55,17.

• Audioverständnis, MMAR — 50,60 gegenüber 25,85. Fast doppelt.

• Tool-Aufruf aus Sprache, interne Evaluierung — 58,50. Kein Vorläuferwert.

Im Vergleich zu den anderen Modellen in Liquids eigener Tabelle ist dies ein gutes kleines Modell und kein Spitzenreiter: Voxtral Mini 3B erzielt 5,51 WER und NVIDIA Audex 2B erzielt 5,99, beide besser als 6,23; Qwen2.5-Omni 3B erreicht beim Audioverständnis 54,41; Gemma 4 E4B erreicht beim Tool-Calling 72,40. Die ehrliche Zusammenfassung: wettbewerbsfähige Erkennung, ein klarer Schritt nach vorn bei der Stimmqualität und solides Reasoning für ein 2B-Modell — in keiner Kategorie ein Rekord.

Dessa hat keine entsprechende Zeile, und dieses Fehlen ist keine Formalie. Ein rein sprachbasiertes Modell, das ohne Text trainiert wurde, hat keine native Schnittstelle für ein JSON-Schema, ein PDF oder einen API-Aufruf. Block räumt auf seiner eigenen Seite die offenen Fragen ein: wie effizient ein rein sprachbasiertes Modell Fakten und Sprachen lernt und ob In-Context-Learning ohne Text-Pretraining überdauert. Das ist der Unterschied zwischen einem überzeugenden Gesprächspartner und einem allgemeinen Assistenten, und keines der beiden Unternehmen hat den Test veröffentlicht, der das klären würde.

Lizenz, Zugang und wer worauf aufbauen kann

Die Lizenz von LFM3-Audio-2B ist der praktische Grund, warum es die meisten Beschaffungsgespräche gewinnt, bevor überhaupt über Qualität gesprochen wird. Die LFM Open License v1.0 erlaubt kommerzielle Nutzung unter 10 Mio. USD Jahresumsatz und verlangt darüber eine kostenpflichtige Lizenz. Die Gewichte liegen auf Hugging Face; llama.cpp hat die Unterstützung am 27. Oktober mit PR #31257 zusammengeführt; Ollama listet einen 2.1 GB großen Build; Transformers benötigt 5.20.2 oder neuer mit trust_remote_code. Die Anforderung an benutzerdefinierten Code ist der Punkt, den man fixieren muss – das Modell lädt aus seinem eigenen Modul und liest Codec-Gewichte aus einem separaten Verzeichnis, sodass eine nicht fixierte Umgebung ein vorprogrammiertes Support-Ticket ist.

Dessa hat keinen vergleichbaren Weg. Der Zugang besteht aus einer Warteliste plus Early Access für eine kleine Gruppe von KI-Sicherheitsforschenden, die sich mit einer institutionellen E-Mail-Adresse bewerben. Die von Block genannten Gründe – Neugier, Mensch-KI-Interaktion, Sicherheit – passen dazu, eine Stimme, die Emotionen erfasst, in einem kleinen Kreis zu halten. Der Zielkonflikt besteht darin, dass zugangsbeschränkter Zugang und unabhängige Bewertung in entgegengesetzte Richtungen ziehen. Bis eine externe Gruppe Zahlen veröffentlicht, besteht die öffentliche Bilanz aus den Clips des Anbieters plus den Eindrücken von Journalisten von den Clips des Anbieters.

Es gibt einen Kostenfaktor zweiter Ordnung, der selten in Vergleiche einfließt. Ein herunterladbares Modell ist eine Abhängigkeit, die man besitzt: 2,1 GB, ein Prozess, der am Laufen gehalten werden muss, kein SLA und eine Lizenzschwelle, die man im Blick behalten muss, während man wächst. Ein Modell auf einer Warteliste ist überhaupt keine Abhängigkeit – es ist ein Forschungsergebnis, das man zitieren, aber nicht ausliefern kann. Für ein Team, das einen Voice-Stack auswählt, sind das keine zwei Punkte auf einer Linie. Es sind zwei verschiedene Entscheidungen.

Was ein Voice-Agent braucht, das keines der beiden Modelle allein bietet

Produktions-Sprachsysteme sind selten nur ein einziges Modell. Ob das Frontend Duplex oder Request-and-Response ist, die Konversation gibt ständig Arbeit an gewöhnliche Textmodelle weiter: ein Lookup, eine Extraktion, eine Richtlinienprüfung, einen Reasoning-Aufruf hinter einer gehaltenen Pause. Diese Delegationsschicht ist der Ort, an dem Kostenschwankungen leben, und an dem eine schlechte Stunde eines Anbieters zu Ihrem Ausfall wird.

Um klar zu sein, was unsere eigene Abdeckung betrifft: LFM3-Audio-2B ist nicht auf OrcaRouter verfügbar, und Dessa ist überhaupt keine API. Was OrcaRouter bereitstellt, ist die Textschicht, an die ein Voice-Agent delegiert – mehr als 200 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover, wenn ein Anbieter ins Straucheln gerät, eine Routing-DSL, die mehrere Modelle zu einem Aufruf zusammensetzt, und Modell-Fusion, wenn die Urteilskraft eines einzelnen Modells nicht ausreicht. Wenn Sie lokal mit LFM3-Audio-2B prototypen, ist die Tool-Calling-Hälfte der Schleife der Teil, den Sie heute hinter diesen Endpunkt legen können; die Audio-Hälfte bleibt auf Ihrem Rechner.

Der Test, der es klären würde

Bei LFM3-Audio-2B sind die fehlenden Belege konkret: ein unabhängiger WER-Lauf auf einem Standarddatensatz, eine Latenzmessung auf Hardware, die kein M4 Max ist, und eine Reproduktion des UTMOS-Zuwachses durch jemanden, der nicht für Liquid arbeitet. Auch das Live-ASR-Follow-up in llama.cpp ist wichtig, denn Batch-Transkription ist heute der unterstützte Weg, und die Beschränkung auf Englisch ist die Grenze, wenn Streaming kommt.

Für Dessa ist die Liste kürzer und schwieriger: ein zurückgehaltener Gesprächsdatensatz, End-to-End-Latenz einschließlich der ersten hörbaren Reaktion, Erholung nach Unterbrechungen, Verständlichkeit bei Geräuschen, ein Daten- und Rechenbudget und irgendein Maß für die Beibehaltung von Fakten. Jeder einzelne dieser Punkte würde aus einem Demo-Reel eine Evaluation machen. Alle zusammen würden daraus ein Produkt machen.

Bis dahin ist die treffende Beschreibung eng gefasst und nützlich. LFM3-Audio-2B ist ein 2B-Sprachmodell, das man in einer Minute herunterladen kann, das besser spricht als das Modell, das es ersetzt, etwa genauso gut zuhört und noch keine unabhängigen Zeugen hat. Dessa ist die interessanteste Sprachdemo des Monats, ohne Möglichkeit, sie zu überprüfen. Wenn Sie in diesem Quartal bauen müssen, endet nur einer dieser Sätze in einem Deployment.