LFM3-Audio-2B vs. StepAudio 3: Das offene 2B-Modell gegen die bewertete Produktlinie

StepAudio 3 Realtime hat eine Zahl bei dem Kriterium, an dem Sprachprodukte gemessen werden: 98,9 % auf dem Conversational Dynamics board von Artificial Analysis, Platz eins. LFM3-Audio-2B hat eine Lizenz. Das ist kein rhetorischer Gegensatz – es ist der tatsächliche Stand der Evidenz. StepFuns StepAudio 3 Familie erschien am 15. September 2026 als fünf kommerzielle Audiomodelle auf einer Plattform, mit Platzierungen durch Dritte und einem Vorschau-Preis von null. Liquid AIs LFM3-Audio-2B erschien am 27. Oktober innerhalb des LFM3-Releases mit sechs Modellen als 2B-Open-Weight-Checkpoint mit einer Anbietertabelle und ohne unabhängige Bewertung. Das eine ist ein gemessenes Produkt, das man mietet. Das andere ist eine ungemessene Datei, die man besitzen kann. Die Entscheidung zwischen beiden dreht sich weniger um Audioqualität als darum, welcher dieser beiden Sätze Ihre Einschränkung beschreibt.

Es gibt die Versuchung, das bewertete Modell zum Sieger zu erklären und weiterzumachen. Widerstehen Sie ihr einen Absatz lang. Die Punktzahl von StepAudio 3 Realtime misst die Gesprächsdynamik – Sprecherwechsel, Erholung nach Unterbrechungen, Backchannels – auf einem gehosteten System mit einem persistenten WebSocket und einem primär chinesischen Trainingsdatensatz. LFM3-Audio-2B ist nicht auf dieser Rangliste, ist nicht duplexfähig und würde von ihr nicht gemessen werden, selbst wenn jemand es eintragen würde. Die beiden Modelle konkurrieren nicht um denselben Platz in einem Stack. Der nützliche Vergleich besteht darin, was jedes kann, was das andere nicht kann, und was es Sie jeweils kostet, das herauszufinden.

Was StepAudio 3 tatsächlich ist

Der Name umfasst eine Familie, und die gewählte Stufe verändert den Vergleich. StepFun hat am 15. September fünf Audiomodelle veröffentlicht: Realtime, ASR, TTS, Gen und Music, alle als kommerzielle APIs auf seiner offenen Plattform live. Eine Chat-Stufe mit 256K-Kontext und Textausgabe rundet die Entwickleroberfläche ab.

• StepAudio 3 Realtime — native Vollduplex-Konversation, direktes Reasoning über Sprache statt vorheriger Transkription, mit Tool-Aufrufen und asynchroner Ausführung langer Aufgaben, während das Gespräch weiterläuft. Das Flaggschiff und die engste Entsprechung zu einem allgemeinen Sprachmodell.

• StepAudio 3 ASR — Erkennung, mit einer Wortfehlerrate von 1,7 % auf der Nicht-Streaming-ASR-Genauigkeitsrangliste von Artificial Analysis, punktgleich auf Platz eins.

• StepAudio 3 TTS — Streaming-Synthese, sechs Sprachen (Englisch, Chinesisch, Japanisch, Koreanisch, Französisch, Spanisch), 12 Systemstimmen, bis zu 1.000 Zeichen Eingabe.

• StepAudio 3 Gen — einheitliche Generierung von Stimme, Soundeffekten, Atmosphäre, Hintergrundmusik und Gesang aus natürlicher Sprache, derzeit in einer begrenzten kostenlosen Vorschau.

• StepAudio 3 Music — Zero-Shot-Songgenerierung mit Mehrrunden-Steuerung über ABC-Notation, Vocal-to-Arrangement und Covers.

LFM3-Audio-2B ist ein Checkpoint, der mehrere dieser Aufgaben zugleich versucht: Erkennung, Synthese, Übersetzung, Audioverständnis und gesprochene Tool-Aufrufe, ausgewählt über Prompt und Serving-Profil. Musik erzeugt es nicht, und sein Klangeffekt-Repertoire ist das, was aus einem allgemeinen Audiomodell herausfällt. Was es hat, ist eine Gewichtsdatei. StepAudio 3 hat keine – es ist eine kommerzielle API-Familie, kein Open-Source-Release, und keine Stufe liefert Gewichte.

Die Anzeigetafel und wer sie erstellt hat

Die Zahlen von StepFun sind die stärkste Evidenzbasis in diesem Duell und zugleich die am leichtesten zu überinterpretierenden. Der Wert von 98,9 % bei Conversational Dynamics ist eine Drittanbieter-Einstufung bei Artificial Analysis, was ihn glaubwürdiger macht als eine Anbietertabelle. Der Wert von 99,7 % beim Sprachschlussfolgern wird von StepFun angeführt und nicht unabhängig reproduziert. Die ASR-Wortfehlerrate von 1,7 % ist eine Einstufung von Artificial Analysis, gleichauf auf dem ersten Platz, und sie gehört zur ASR-Stufe statt zum Realtime-Modell. Das sind drei verschiedene Arten von Aussage, die dieselbe Uniform tragen.

Die Tabelle von LFM3-Audio-2B ist durchgängig vom Hersteller angegeben und durchgängig relativ zu ihrem eigenen Vorgänger LFM2.5-Audio-1.5B: englischer ASR-WER 6,23 gegenüber 6,13, mehrsprachiger 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. Es werden weder Testset noch Harness noch Varianz genannt, und wir konnten keine unabhängige Reproduktion irgendeiner Zeile finden.

Stellt man die beiden nebeneinander, lautet die ehrliche Beobachtung, dass sie sich kaum überschneiden. StepAudio 3 Realtime wird am Konversations-Timing gemessen; LFM3-Audio-2B wird an Erkennung, Synthesequalität und Audio-Reasoning gemessen. Die einzige Achse, auf der beide etwas veröffentlichen, ist die Erkennung, und selbst dort ist der Vergleich verzerrt: StepAudios 1,7 % ist ein unabhängiger Board-Score für die ASR-Stufe, während Liquids 6,23 eine Herstellerangabe für ein allgemeines Audiomodell auf einem ungenannten Set ist. Die Lücke ist groß genug, dass die Richtung wahrscheinlich real ist. Die Größenordnung ist keine Messung von etwas, das zwei Teams gemeinsam durchgeführt haben.

Duplex ist die architektonische Linie

StepAudio 3 Realtime ist für einen Telefonanruf konzipiert. Es hört zu, während es spricht, geht auf Unterbrechungen ein und verarbeitet rohes Audio statt eines Transkripts, was laut StepFun Tonfall und Betonung bewahrt, die ein Umweg über Text einebnen würde. Die Dokumentation macht die Aufteilung explizit: Die Realtime API bringt integrierte Spracherkennung, Kontextverwaltung, VAD sowie Websuche und Retrieval mit; bei der Chat API müssen Sie all das selbst implementieren.

LFM3-Audio-2B ist für eine Anfrage ausgelegt. Ein kausaler Audio-Encoder ermöglicht das Prefill, während du sprichst, und LiquidCodec streamt Sprache zurück – 80 ms Audio werden zu 12 Tokens, dekodiert mit etwa 87× Echtzeit auf einem CPU-Thread eines M4 Max. Die Angabe „nur 50 ms“ für die Time-to-First-Token stammt aus diesem Design. Aber eine Antwort zu streamen ist nicht dasselbe wie Barge-in zu beherrschen, und Liquid erhebt keinen Duplex-Anspruch. Wenn dein Produkt es zulassen muss, dass man ihm ins Wort fällt, entscheidet die Architektur darüber, bevor es ein Benchmark tut.

Es gibt einen Haken bei der Latenz auf der anderen Seite. StepAudio 3 Realtime verzeichnet eine Zeit bis zum ersten Audio von 8,83 Sekunden auf derselben Bestenliste, auf der es die Gesprächsdynamik gewinnt – gegenüber 1,18 Sekunden für Gemini 3.8 Live und 1,24 bis 1,34 Sekunden für GPT-Live-1. Ein Modell, das beim Turn-Taking gewinnt, aber fast die Zeit eines ganzen Satzes braucht, um mit dem Sprechen zu beginnen, ist ein Modell, dessen beste Qualität man in der Produktion möglicherweise nie demonstrieren kann. Testen Sie die Latenz vor der Gesprächsqualität, und testen Sie sie außerhalb von StepFuns eigener Serving-Umgebung, wenn Sie können.

Preis, Lizenz und was Sie tatsächlich kaufen

StepAudio 3 ist familienweit in einer zeitlich begrenzten kostenlosen Vorschau verfügbar, wobei für die Realtime-Stufe kein Preis nach Ende der Vorschau angekündigt wurde. Die TTS-Stufe hat einen veröffentlichten Listenpreis von rund 0,36 US-Dollar pro 10.000 Zeichen über einen Drittanbieter-Katalog, aber das ist nicht der Realtime-Preis und sollte nicht als solcher verwendet werden. Die praktische Situation ist, dass StepAudio 3 Realtime heute kostenlos evaluiert werden kann und für die Produktion unbepreist ist — ein guter Zeitpunkt zum Testen, ein schlechter Zeitpunkt, um ein Unit-Economics-Modell zu erstellen.

LFM3-Audio-2B beansprucht die Maschine, auf der es läuft, stark. Die LFM Open License v1.0 ist für die kommerzielle Nutzung unter $10M Jahresumsatz kostenlos und darüber kostenpflichtig. Der Ollama-Build ist 2,1 GB groß und CPU-fähig; llama.cpp hat die Unterstützung am 27. Oktober integriert; Transformers benötigt 5.20.2 oder neuer mit trust_remote_code, und die Codec-Gewichte werden aus einem separaten Verzeichnis geladen, also sollte die Umgebung gepinnt werden. Es gibt keine minutenbasierte Abrechnung. Es gibt auch kein SLA, keinen Pager und keinen Anbieter, den man anrufen kann, wenn die Ausgabe schlechter wird.

• Was Sie bekommen — StepAudio 3 Realtime: ein kommerzieller Endpoint, aktuelles Flaggschiff, mit Support. LFM3-Audio-2B: ein Checkpoint, eine Lizenz und die Betriebslast.

• Was du einsehen kannst — StepAudio 3: Dokumentation, Platzierungen im Leaderboard, keine Gewichte. LFM3-Audio-2B: Architektur, Model Card, Gewichte, Codec, Fine-Tuning-Pfad.

• Kostenprofil — StepAudio 3: pro Aufruf, null im Leerlauf, nach der Vorschauphase ohne Preisangabe. LFM3-Audio-2B: feste Hardware, nahezu keine Grenzkosten, keine Verbrauchsmessung.

• Fehlermodus — StepAudio 3: ein Kontingent, eine Region, ein Kontoproblem, ein Support-Ticket. LFM3-Audio-2B: der Pager liegt bei dir.

Sprachabdeckung ist kein Unentschieden.

LFM3-Audio-2B listet 18 Sprachen in 19 Locales auf, wobei Englisch zweimal als US- und UK-Variante erscheint. Das ist eine breite Syntheseliste für ein 2B-Modell und das stärkste praktische Argument dafür in einem europäischen oder mehrsprachigen Produkt. Die Grenzen sind ebenso konkret: Live-ASR ist nur auf Englisch verfügbar, und die Übersetzung ist am stärksten von oder nach Englisch.

StepAudio 3 ist chinesisch-zentriert. Die Dokumentation der Realtime-Stufe veröffentlicht keine vollständige Sprachliste; die TTS-Stufe der Familie deckt sechs Sprachen ab, und die ASR-Stufe ist auf Chinesisch und Englisch ausgelegt, mit Dialektverarbeitung, Code-Switching, langen Audiodateien und Gesang. Wenn Ihr Datenverkehr Mandarin mit eingemischtem Englisch ist, ist der Stack von StepFun für diese Arbeitslast ausgelegt und der von Liquid nicht. Wenn Ihr Datenverkehr Schwedisch und Niederländisch ist, ist der 18-Sprachen-Checkpoint der einzige der beiden, der das beansprucht.

Wo ein Router passt – und wo nicht

StepAudio 3 ist nicht im OrcaRouter-Katalog, und LFM3-Audio-2B auch nicht – eines ist eine geschlossene API, das andere ein Download. Es gibt also keine Failover-Geschichte zwischen diesen beiden zu erzählen und keinen Grund, etwas anderes vorzugeben.

Die Routing-Ebene ist eine Ebene höher entscheidend, wo die Komplexität von Sprachagenten tatsächlich sitzt. StepAudio 3 Realtime unterstützt Tool-Calling und lang laufende asynchrone Aufgaben, was bedeutet, dass das Gespräch ständig Arbeit an gewöhnliche Textmodelle übergibt: eine Suche, eine Extraktion, eine Richtlinienprüfung. In dieser Delegationsschicht liegen Anbieterausfälle und Kostenvarianz. OrcaRouter bringt mehr als 200 Text- und multimodale Modelle hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, mit automatischem Failover, einer Routing-DSL, die mehrere Modelle zu einem Aufruf zusammensetzt, und Modellfusion, wenn das Urteilsvermögen eines Modells nicht ausreicht. Für einen LFM3-Audio-2B-Prototyp ist das die Hälfte des Stacks, die Sie heute hinter einen Endpoint stellen können, während das Audiomodell lokal bleibt.

Drei Fragen, die den Ausschlag geben

Brauchen Sie ein Gespräch, das unterbrochen werden kann?

Dann ist StepAudio 3 Realtime der einzige der beiden, der das Verhalten für sich beansprucht, und er ist trotz der Latenzfrage der richtige Ausgangspunkt. LFM3-Audio-2B arbeitet nach dem Anfrage-und-Antwort-Prinzip; kein Fine-Tuning ändert die Schnittstelle. Teste den Wert von 8,83 Sekunden bis zum ersten Audio in deinem eigenen Netzwerk, bevor du dich festlegst.

Müssen Sie das Modell besitzen oder offline betreiben?

Dann ist LFM3-Audio-2B hier die einzige Option, und die Lizenzschwelle ist die Zahl, die Sie mit Ihrem Umsatz abgleichen müssen. Akzeptieren Sie den 32K-Kontext, die ausschließlich englischsprachige Live-ASR und das Fehlen einer unabhängigen Evaluierung. Lassen Sie Ihre eigenen Aufnahmen durchlaufen, bevor Sie dem UTMOS-Gewinn vertrauen.

Reicht eine Anbieterbewertung aus, um sich zu entscheiden?

Noch nicht, und der Grund ist nicht, dass die Zahlen von StepFun schwach sind. Es liegt daran, dass die Scores mit unterschiedlichen Testumgebungen unterschiedliche Dinge messen, und das Modell ohne Score kommt für das Board nicht infrage, das den meistzitierten Wert hervorgebracht hat. Ein neutraler direkter Vergleich auf demselben Konversationsset würde mehr klären als die Tabelle eines der beiden Anbieter. Solange es ihn nicht gibt, ist die Wahl eine Frage der Einschränkungen, nicht der Qualität.

Das Urteil

StepAudio 3 Realtime gewinnt auf der Achse, die der Markt derzeit misst – der Gesprächsdynamik – und verfügt über die stärkere Evidenzbasis, weil ein Drittanbieter einen Teil davon erstellt hat. Es hat außerdem ein ungelöstes Latenzproblem, keinen veröffentlichten Preis nach der Vorschauphase, keine Gewichte und ein primär auf Chinesisch ausgerichtetes Sprachprofil. Es ist die bessere Wahl für einen Echtzeit-Sprachagenten, der auf chinesische und englische Nutzer ausgerichtet ist, sofern der Latenztest bestanden wird und die Vorschau-Preise nicht zu einer Überraschung werden.

LFM3-Audio-2B punktet bei Eigentum und Breite der Synthese, verliert aber bei der Evidenz. Es ist vier Tage alt, seine Zahlen stammen vom Anbieter, sein ASR liegt im Mittelfeld seiner eigenen Tabelle, und seine Lizenz hat eine Umsatzschwelle. Es ist die bessere Wahl für ein Offline-Produkt, eine mehrsprachige Stimme oder ein Team, das keine Abrechnung pro Aufruf akzeptieren kann — und das einzige der beiden, das du diese Woche vollständig auf deiner eigenen Hardware bewerten kannst.

Worauf zu achten ist, ist auf beiden Seiten dasselbe: eine neutrale Evaluation, die ein Duplexmodell und ein Anfrage-und-Antwort-Modell auf dasselbe Konversationsset setzt, und ein veröffentlichter Produktionspreis für StepAudio 3. Ersteres würde zeigen, ob Liquids 2B-Checkpoint näher an der Frontier liegt, als seine Unterlagen nahelegen. Letzteres würde zeigen, ob StepFuns Vorsprung den Kontakt mit einer Rechnung übersteht.