LFM3-Audio-2B vs. Qwen-Audio-3.1: Ein Checkpoint, viele Messgrößen

Fragen Sie, was Qwen-Audio-3.1 kostet, und die erste ehrliche Antwort ist eine weitere Frage: Welche Variante? Der Name umfasst eine gestaffelte gehostete Sprachlinie – ein Echtzeit-Duplexmodell, eine Echtzeit-Flash-Stufe, Streaming- und Dateitranskription sowie zwei Synthesemodelle – und jede Stufe hat ihre eigene Preisliste. LFM3-Audio-2B ist die entgegengesetzte Art von Objekt: ein einzelner 2B-Checkpoint von Liquid AI, veröffentlicht am 27. Oktober 2026 innerhalb der aus sechs Modellen bestehenden LFM3-Familie, herunterladbar unter der LFM Open License v1.0, mit einem 2,1-GB-Ollama-Build und ohne irgendwo eine Abrechnung pro Aufruf. Die beiden zu vergleichen ist kein Vergleich der Audioqualität. Es ist ein Vergleich zweier Abrechnungsformen, und die Arithmetik fällt unterschiedlich aus, je nachdem, ob Ihr Traffic gleichmäßig, sporadisch oder noch hypothetisch ist.

Die Form der Veröffentlichung spielt ebenfalls eine Rolle, weil sie die Erwartungen an die Dokumentation prägt. Qwen-Audio-3.1 ist katalogorientiert: Modell-IDs, die in Alibaba Cloud Model Studio dokumentiert, jeweils in ein bis zwei Zeilen beschrieben und pro Token bepreist sind, ohne veröffentlichte Gewichte und ohne öffentliche Parameteranzahl. LFM3-Audio-2B ist gewichtsorientiert: ein Repository, eine Modellkarte, ein zusammengeführter llama.cpp-Pull-Request und ein Absatz im Familienbeitrag des Anbieters. Das eine ist eine Produktlinie, die man mietet. Das andere ist eine Datei, die man besitzt. Jeder praktische Unterschied unten folgt daraus.

Was der Name tatsächlich umfasst

Qwen-Audio-3.1 ist nicht ein einzelner Endpunkt, und ihn als einen zu behandeln, ist der häufigste Fehler bei Vergleichen. Die Stufen übernehmen unterschiedliche Aufgaben:

• qwen-audio-3.1-realtime-flash — Echtzeit-Duplex-Sprache, Text und Audio rein und raus, mit Function Calling, Websuche, Voice Cloning und drei Modi der Turn-Erkennung. Dies ist das nächste Analogon zu LFM3-Audio-2B und die Tarifklasse, die in diesem Artikel bepreist wird.

• qwen-audio-3.1-realtime-plus — die umfassendere Realtime-Stufe. Alibaba dokumentiert dafür eine Audiokonvertierung von 12,5 Tokens pro Sekunde und berechnet eine deutlich höhere Ausgaberate als bei der Flash-Stufe. Anderes Produkt, andere Abrechnung.

• qwen-audio-3.1-asr-flash-streaming — Erkennung über einen Stream, mit Zwischenergebnissen, VAD, Hotwords und Entfernung von Unflüssigkeiten. Keine Sprachausgabe.

• qwen-audio-3.1-asr-flash-filetrans — dieselbe Erkennungsaufgabe, im Stapelbetrieb für eine Datei ausgeführt.

• Qwen-Audio-3.1-TTS und TTS-Next — Synthese, wobei das Next-Modell als „Audiogen“-Modell für Stimme, Soundeffekte und Atmosphäre in einem Durchgang bei 48 kHz beworben wird.

LFM3-Audio-2B fasst diese Aufgaben in einem einzigen Checkpoint zusammen. Erkennung, Synthese, Übersetzung, Audioverständnis und gesprochene Tool-Aufrufe sind Modi desselben 2B-Modells, ausgewählt über Prompt und Serving-Profil. Es gibt keine SKU zur Auswahl und keinen separaten Zähler für Sprechen versus Zuhören. Der Kompromiss lautet Granularität gegen Einfachheit: Sie können nicht ausschließlich für Erkennung zahlen, wenn Sie nur Erkennung benötigen, weil Sie sowieso das gesamte Modell ausführen.

Die Rechnung, ausgearbeitet

Alibaba veröffentlicht Preise für qwen-audio-3.1-realtime-flash in USD pro Million Tokens. In Singapur: Texteingabe 0,23 $, Audioeingabe 0,93 $, Textausgabe 0,70 $, Audioausgabe 1,87 $. Peking ist etwas günstiger mit 0,212 $, 0,848 $, 0,636 $ und 1,696 $. Die Ratenlimits betragen 60 Anfragen pro Minute und 100.000 Tokens pro Minute, ohne separate Obergrenze für gleichzeitige WebSocket-Verbindungen. Das Kontextfenster umfasst 262.144 Tokens, mit einem maximalen Input von 245.760 und Output von 16.384 — die Audiohistorie ist jedoch auf 50 Gesprächsrunden oder 300 kumulierte Sekunden begrenzt, was das Limit ist, das eine lange Unterhaltung tatsächlich erreicht.

LFM3-Audio-2B hat keine Preisliste, weil Liquid es nicht als Endpunkt verkauft. Die Kosten sind die Maschine, auf der Sie es betreiben, der 2,1 GB große Download und die Lizenzschwelle: kostenlos für kommerzielle Nutzung unter 10 Mio. USD Jahresumsatz, darüber kostenpflichtig. Auf einem Laptop liegt das nahe bei null; auf einer GPU ist es das, was Sie ohnehin für ungenutzte Kapazität zahlen. Das Codec ist das Effizienzversprechen, das man kennen sollte – LiquidCodec packt 80 ms Sprache in 12 Token und dekodiert mit etwa 87-facher Echtzeit auf einem einzelnen CPU-Thread eines M4 Max –, aber das misst den Codec, nicht das Sprachmodell, und sollte nicht als End-to-End-Durchsatz auf Ihrer Hardware verstanden werden.

Jetzt kommt der Teil, der die Entscheidung bringt. Ein gehostetes Echtzeitmodell rechnet pro Token der Konversation ab, einschließlich des Audio, das es erzeugt, und die Kosten eines Sprachagenten liegen in der Ausgabe. Ein selbst gehostetes Modell rechnet pro Stunde Hardware ab, egal ob jemand spricht. Für ein Contact-Center mit gleichmäßiger Last amortisieren sich die Fixkosten, und der Stundenpreis kann unter jede Preisliste fallen. Für ein Produkt mit stark schwankendem Verkehr – ein Compliance-Team, das am letzten Tag des Quartals tausend Anrufe transkribiert und elf Wochen lang nichts – gewinnt die Abrechnung pro Anruf, weil die GPUs auch durch die Stille hindurch abrechnen. Keine der beiden Formen ist generell günstiger. Sie sind bei unterschiedlicher Auslastung günstiger.

Abdeckung, Latenz und die Ansprüche, die nicht erfüllt werden

• Sprachen — LFM3-Audio-2B: 18 Sprachen, 19 Locales, wobei Live-ASR auf Englisch beschränkt ist und die Übersetzung auf oder aus dem Englischen am stärksten ist. Qwen-Audio-3.1: Alibabas Dokumentation für die Realtime-Flash-Stufe veröffentlicht keine Sprachliste; seine Erkennungsstufen sind rund um Mandarin, Kantonesisch, Sichuanesisch und andere chinesische Dialekte dokumentiert, mit automatischer Spracherkennung. Betrachten Sie die Abdeckung für Qwen als unbekannt, bis die Dokumentation sie auflistet.

• Latenz — LFM3-Audio-2B: „nur 50 ms“ Zeit bis zum ersten Token, vom Anbieter auf genannter Apple-Hardware gemessen, ohne Perzentil oder Test-Harness. Qwen-Audio-3.1: Alibabas family-weite Schlagzeile von 92 ms bis zum ersten Token stammt aus dem eigenen Hochlast-Benchmark für eine 0.6B-Spezifikation, nicht aus Tests durch Dritte. Keine der beiden Zahlen ist ein typischer Wert.

• Duplex — LFM3-Audio-2B: Anfrage-und-Antwort mit Streaming; ein kausaler Encoder ermöglicht Prefill, während man spricht, aber es gibt keine Barge-in-Zusage. Qwen-Audio-3.1 realtime-flash: explizit duplex, mit Server-VAD und einem Smart-Turn-Modus, der Unterbrechungen verarbeitet.

• Kontext – LFM3-Audio-2B: 32K Token, Eingabe plus Ausgabe. Dies ist nicht der in einigen LFM3-Beiträgen wiederholte Wert von 256K; dieser gehört zum Textmodell. Qwen-Audio-3.1 realtime-flash: 262K Token, mit der oben genannten Obergrenze für den Audioverlauf.

Diese Duplex-Linie ist diejenige, die die Architektur verändert. Wenn Ihr Produkt mitten im Satz unterbrochen werden muss, ist LFM3-Audio-2B die falsche Form von Modell, und kein Prompt behebt das. Wenn Ihr Produkt eine Aufnahme liest und eine Frage dazu beantwortet, ist Duplex irrelevant und der 2B-Checkpoint das einfachere Objekt.

Wer hat was gemessen?

Liquid veröffentlicht sechs Kennzahlen für LFM3-Audio-2B, alle im Vergleich zum eigenen Vorgängermodell LFM2.5-Audio-1.5B: ASR-WER für Englisch 6,23 (gegenüber 6,13, unverändert), mehrsprachige WER/CER 6,03, UTMOSv2 3,83 (gegenüber 3,22), VoiceBench 73,13 (gegenüber 55,17), MMAR 50,60 (gegenüber 25,85) und eine interne Tool-Calling-Evaluierung bei 58,50. Kein Testdatensatz, keine Testumgebung und keine Varianz werden genannt. Wir konnten keine unabhängige Reproduktion irgendeiner Zeile finden.

Qwens Belege sind von anderer Art. Es gibt einen technischen Bericht, „Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction“, der berichtet, dass sich der Aufgabenerfolg bei einer Halbduplex-Sprach-zu-Text-Anpassung von τ-Voice von 78,4 % auf 82,0 % verbessert und die Rate der Antworten auf Hintergrundsprache bei Full-Duplex-Bench v1.5 von 73,0 % auf 13,0 % sinkt. Das sind die beiden im Abstract genannten Zahlen; der Hauptteil enthält Tabellen auf Modellebene, aber ich habe sie nicht anhand eines Harness verifiziert, und das Paper ist ein Anbieterbericht und keine unabhängige Evaluierung.

Die ehrliche Bilanz lautet also: Das eine Modell hat eine Herstellertabelle ohne Paper, das andere ein Hersteller-Paper ohne reproduzierbare Testumgebung, und keines von beiden erscheint unter seinem eigenen Namen auf einer neutralen Rangliste. Jeder Artikel, der ihre Zahlen in benachbarte Spalten setzt, stellt zwei unbestätigte Behauptungen nebeneinander und lässt die Darstellung die Überzeugungsarbeit leisten.

Wo ein Router passt – präzise

Weder {{1}}LFM3-Audio-2B{{/1}} noch {{2}}Qwen-Audio-3.1{{/2}} ist im {{3}}OrcaRouter-Katalog{{/3}} enthalten, daher lässt sich über die Sprachschicht selbst keine Routing-Aussage treffen. Die Ebene darüber ist eine andere Geschichte. Ein Sprachprodukt, das auf einem der beiden Modelle aufbaut, braucht trotzdem ein Textmodell, um zusammenzufassen, zu klassifizieren, zu extrahieren oder zu entscheiden, was der Agent als Nächstes sagt, und bei diesem Aufruf variieren Kosten und Zuverlässigkeit tatsächlich.

OrcaRouter bringt mehr als 200 Text- und multimodale Modelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover zwischen Anbietern und einer Routing-DSL, die mehrere Modelle in einem Aufruf kombinieren kann. Für diesen Vergleich ist das nützliche Muster ein A/B-Test: dieselben aufgezeichneten Gespräche durch qwen-audio-3.1-realtime-flash und durch LFM3-Audio-2B auf Ihrer eigenen Hardware laufen zu lassen und dann beide Transkripte an dasselbe nachgelagerte Modell am selben Endpunkt zu senden. Der Vergleich bleibt sauber, und die Text-Hälfte wird nie zur Variable, die Sie zu kontrollieren vergessen haben.

Welche Rechnung soll ich wählen

Wählen Sie Qwen-Audio-3.1 realtime-flash, wenn Sie Duplex-Konversation, einen Chinese-First-Erkennungsstack, einen 262K-Kontext oder einen Anbieter-SLA benötigen — und wenn Ihr Traffic so stark schwankt, dass die tokenbasierte Abrechnung ein Vorteil ist. Lesen Sie die Tarifnamen sorgfältig, bevor Sie einen Preis nennen: realtime-plus und realtime-flash sind nicht dasselbe Produkt, und die Ausgaberate ist der Punkt, an dem die Rechnung eines Voice-Agents entschieden wird.

Wähle LFM3-Audio-2B, wenn du das Modell besitzen, offline ausführen, eine minutengenaue Abrechnung vermeiden oder 18 Sprachen auf einem Laptop synthetisieren möchtest. Akzeptiere den 32K-Kontext, die ausschließlich englischsprachige Live-ASR, die Lizenzschwelle und die Tatsache, dass seine Erkennungsgenauigkeit im eigenen Anbietervergleich im Mittelfeld liegt.

Warten Sie, wenn Sie eine Zahl brauchen, die Sie vor einem Beschaffungsteam verteidigen können. Keines der beiden Modelle hat bisher eine. Die erste unabhängige Evaluierung auf einem gemeinsamen Audio-Korpus – keine Anbietertabelle, kein Anbieterpapier – wird mehr wert sein als jede der oben genannten Zahlen, und sie ist der Punkt, auf den man achten sollte, bevor eines der beiden zum Standard wird.