LFM3-Audio-2B vs. Voxtral 3: Ein 2,1-GB-Download gegen eine Sprachplattform

Der ehrliche Weg, einen Vergleich zwischen LFM3-Audio-2B und Voxtral 3 zu beginnen, ist zu sagen, dass niemand einen Lauf dafür veröffentlicht hat. Liquid AI hat eine Benchmark-Tabelle für sein Audiomodell mit 2 Milliarden Parametern veröffentlicht, und Mistral hat eine für seine Sprachsuite veröffentlicht, und die beiden Tabellen haben fast keine gemeinsamen Zeilen. Wo sie sich überschneiden, stammen die gemessenen Modelle nicht aus derselben Generation. Wer Ihnen erzählt, welches davon in einem Benchmark „besser“ abschneidet, vergleicht eine Zahl aus einer Testumgebung mit einer Zahl aus einer anderen und hofft, dass Sie nicht nachprüfen.

Dieser Beitrag macht also etwas weniger Ordentliches und Nützlicheres. Er trennt die Frage, die man beantworten kann, von der, die man nicht beantworten kann. Man kann noch nicht sagen, welches Modell Deutsch besser transkribiert, weil es keinen gemeinsamen mehrsprachigen Test zwischen ihnen gibt. Man kann mit Sicherheit und anhand der eigenen Dokumentation der beiden Anbieter sagen, dass es sich überhaupt nicht um dieselbe Art von Produkt handelt: Das eine ist eine 2,1-GB-Datei, die man selbst ausführt, und das andere ist eine Pipeline aus vier Modellen mit angehängtem Telefonie-SDK und ohne herunterladbare Gewichte.

Dieser Unterschied entscheidet bei den meisten realen Einsätzen, bevor auch nur eine einzige WER-Zahl herangezogen wird. Der Rest dieses Artikels befasst sich damit, wo das nicht der Fall ist.

Das gebenchmarkte Voxtral Liquid ist nicht das Voxtral, mit dem Sie vergleichen.

Liquids Modellkarte stellt LFM3-Audio-2B neben sechs Konkurrenten, und einer davon ist ein Voxtral. Die Zeile ist mit Voxtral Mini 3B beschriftet, und bei englischer ASR schlägt es Liquids Modell: 5,51 % Wortfehlerrate gegenüber 6,23 %. Das ist der einzige direkte Voxtral-Vergleich, den Liquid veröffentlicht hat, und es ist leicht als „Mistrals Audiomodell transkribiert genauer“ zu lesen.

Dies ist nicht der Vergleich, den die Schlagzeile nahelegt. Voxtral Mini 3B ist mistralai/Voxtral-Mini-3B-2507 – ein 3B-Modell, veröffentlicht im Juli 2025 unter Apache 2.0, entwickelt für lokalen und Edge-Einsatz. Es erschien fünfzehn Monate vor Voxtral 3 und gehört zu einer anderen Produktgeneration. Die Produktpalette von Mistral vom 20. Oktober 2026 enthält kein Modell namens Voxtral Mini 3B; ihr kleinstes Transkriptionsmodell ist Voxtral Mini Transcribe 3 mit 4B-Parametern und 0,0035 US-Dollar pro Minute.

Außerdem gibt es eine Unstimmigkeit innerhalb der Tabelle. Die Parameter-Spalte in dieser Zeile zeigt 5B – in einer Zeile, die nach einem 3B-Modell benannt ist. Das ist kein Grund, den WER-Zahlen zu misstrauen, die aus einer benannten Evaluierung stammen – ESB und das Open ASR Leaderboard Set, gemittelt. Es ist ein Grund, die Spaltenüberschriften auf Herstellertabellen zu lesen, bevor man die Zahlen liest.

Die Konsequenz verdient es, klar benannt zu werden, denn sie ist die nützlichste Tatsache in diesem Artikel: Es gibt keinen veröffentlichten direkten Vergleich zwischen LFM3-Audio-2B und irgendeinem Voxtral-3-Modell. Weder von Liquid noch von Mistral und auch nicht von einer unabhängigen Prüfinstanz. Liquid verglich sein neues Modell mit Mistrals Open-Weights-Audiomodell aus dem Jahr 2025, was für einen fairen Open-versus-Open-Vergleich eine vertretbare Wahl ist – und zugleich die einzige Art von Vergleich, die derzeit überhaupt möglich ist, weil Voxtral 3 keine Gewichte ausliefert. Der Open-Weight-Audiovergleich für 2026 lässt sich gegen Voxtral 3 gar nicht durchführen.

Was die beiden Produkte tatsächlich sind

Die Asymmetrie zeigt sich eher in der Form des Release als in den Spezifikationen.

LFM3-Audio-2B ist ein Modell, veröffentlicht am 27. Oktober 2026 als Teil der aus sechs Modellen bestehenden LFM3-Familie. Es nimmt Text oder 16-kHz-Audio entgegen und gibt Text, 24-kHz-Sprache oder verschachtelten Text und Sprache sowie Tool-Aufrufe aus. Ein neuer hauseigener kausaler Audio-Encoder ermöglicht es, das Prefill durchzuführen, während Sie noch sprechen. Sein LiquidCodec-Tokenizer komprimiert 80 Millisekunden Sprache in 12 diskrete Tokens, die parallel statt sequenziell dekodiert werden, mit etwa 87-facher Echtzeit auf einem einzelnen CPU-Thread eines M4 Max – eine Codec-Durchsatzangabe, keine Hardware-Anforderung.

Voxtral 3, angekündigt am 20. Oktober 2026, ist eine Suite: ein Batch-Transkriptor, ein zweiter, kleinerer Batch-Transkriptor, ein Streaming-Transkriptor, ein TTS-Modell, ein Produkt zur Stimmadaption und ein LiveKit-basiertes Voice-Agent-SDK, das alles über SIP und WebRTC miteinander verbindet. Man entscheidet sich nicht für Voxtral 3. Man entscheidet sich für eine Pipeline, und Voxtral 3 liefert die einzelnen Stufen.

• Gewichte — LFM3-Audio-2B veröffentlicht offene Gewichte unter der LFM Open License v1.0; Voxtral 3 veröffentlicht keine herunterladbaren Gewichte, und Mistrals Launch-Material beschreibt stattdessen API-Zugang, Studio-Playgrounds und die Bereitstellung auf privater Infrastruktur.

• Speicherbedarf — 2,1 GB auf Ollama gegenüber einem Endpoint; es gibt keine Datei von Voxtral 3, deren Größe sich bestimmen ließe.

• Kontext – 32K Token für LFM3-Audio-2B, Eingabe plus Ausgabe. Für die Transkriptoren veröffentlicht Mistral überhaupt keine Kontextangabe; stattdessen wird pro Minute abgerechnet.

• Modalitäten — LFM3-Audio-2B ist Any-to-Any in einem einzigen Modell: hören, sprechen, verstehen, übersetzen, Tools aufrufen. Voxtral 3 verteilt dies auf separate Modelle und Endpunkte; die Transkriptoren und das TTS-Modell sind nicht dasselbe System.

• Lizenz — LFM Open License v1.0, kostenlos für die kommerzielle Nutzung bei einem Jahresumsatz unter 10 Millionen US-Dollar; Voxtral 3 ist eine kommerzielle API, deren Bedingungen pro Aufruf gelten.

• Diarisierung und Kontext-Biasing — Voxtral 3 bietet beides, mit einem cpWER von 18,4 % auf Mistrals eigenem Diarisierungsdatensatz und einem Anstieg des Keyphrase-Recalls von 81,4 % auf 94,6 %, wenn Kontext bereitgestellt wird. LFM3-Audio-2B veröffentlicht keine dieser Fähigkeiten.

Die Sprachabdeckung ist die einzige Lücke, die nicht annähernd geschlossen ist.

LFM3-Audio-2B unterstützt 18 Sprachen in 19 Locales, die auf der Karte aufgeführt sind: Arabisch, Dänisch, Deutsch, Griechisch, Englisch (Britisch und Amerikanisch getrennt gezählt), Finnisch, Französisch, Hebräisch, Italienisch, Japanisch, Koreanisch, Niederländisch, Polnisch, Portugiesisch, Spanisch, Schwedisch, Türkisch und Chinesisch. Es benchmarkt mehrsprachige ASR für neun davon und meldet eine durchschnittliche Fehlerrate von 6,03 auf FLEURS, wobei für Chinesisch, Japanisch und Koreanisch die Zeichenfehlerrate verwendet wird.

Die Transkriptoren von Voxtral 3 decken 50 oder mehr Sprachen ab. Das Echtzeitmodell nennt an einer Stelle auf der Seite 35+ und an einer anderen 40+ – eine Inkonsistenz, die meist bedeutet, dass die Zahl während der Launch-Woche geändert wurde und niemand den Text abgeglichen hat.

Wenn Ihr Audio auf Vietnamesisch, Hindi, Russisch, Norwegisch oder Katalanisch eintrifft, listet LFM3-Audio-2B es nicht, und Voxtral 3 spricht alle fünf – sie gehören zu den achtzehn Voice-Preset-Sprachen, die Mistral nennt. Über die gesamte Liste hinweg konnten wir keine Sprache finden, die Liquid unterstützt und die Mistral mit seinen 50+ Transkriptionssprachen nicht abzudecken beansprucht. Die ehrliche Einschränkung ist, dass Mistral seine Voice-Preset-Liste vollständig veröffentlicht und seine Transkriptionsabdeckung nur als Anzahl, sodass ein Teil dieses Vergleichs eine Liste gegen eine Zahl ist.

In Liquids eigener Dokumentation findet sich eine schärfere Einschränkung. Der Live-ASR-Modus des Modells – derjenige, der beim Eintreffen von Audio in Blöcken von etwa 0,96 Sekunden transkribiert – unterstützt nur Englisch. Die Batch-Transkription deckt die vollständige Liste von 18 Sprachen ab; der Streaming-Pfad nicht. Wer eine Echtzeitfunktion für mehrsprachige Untertitel auf Basis von LFM3-Audio-2B plant, sollte diese Zeile zweimal lesen, denn sie schließt das Modell für diese Aufgabe aus, unabhängig von der WER-Tabelle.

Zwei Latenzwerte, die nicht dasselbe messen

Liquid bewirbt die Zeit bis zum ersten Token mit „nur 50 ms“. Mistral bewirbt für seinen Echtzeit-Transkriptor unter 500 ms und einen vollständigen Agenten-Turn unter einer Sekunde. Diese Zahlen sind nicht vergleichbar, und der Unterschied ist kein Rundungsfehler.

Die Angabe von 50 ms beschreibt einen Speech-to-Speech-Pfad: Der kausale Encoder beginnt mit der Verarbeitung, bevor Sie den Satz beendet haben, sodass das Modell bereits das erste Token seiner Antwort ausgeben kann, während noch Audio eintrifft. Es handelt sich um eine Aussage zur Interaktivität in einem Konversationsmodell. Die Angabe von unter 500 ms ist die Transkriptionslatenz – die Verzögerung, bis Text erscheint – und Mistrals eigene Tabellen zeigen, was das kostet. In seinem Realtime-Benchmark erreicht Voxtral Mini Transcribe Realtime 3 bei 960 ms Latenz 6,0 % WER; bei 480 ms sind es 6,4 %; bei 240 ms sind es 7,4 %. Latenz und Genauigkeit stehen in direktem Zielkonflikt, und Mistral ermöglicht es Ihnen, den Punkt auf dieser Kurve auszuwählen.

Liquid veröffentlicht keine äquivalente Kurve. Es veröffentlicht eine Untergrenze – 50 ms – ohne genannte Hardware, ohne Testset und ohne Genauigkeit bei dieser Latenz. Die Untergrenze mag real sein. Sie ist noch keine Spezifikation, anhand derer man ein Produkt planen kann.

Die Kostenrechnung – durchgerechnet statt behauptet

Der Vergleich eines Open-Weights-Modells mit einer minutenbasierten API läuft letztlich auf das Volumen hinaus, und die Rechnung ist einfach genug, um sie sauber durchzuführen.

Transkription, 1.000 Stunden Audio – 60.000 Minuten. Voxtral Mini Transcribe 3 kostet bei 0,0035 $/Minute 210 $. Voxtral Small Transcribe 3 kostet bei 0,004 $/Minute 240 $. Voxtral Mini Transcribe Realtime 3 kostet bei 0,008 $/Minute 480 $. LFM3-Audio-2B ist ein kostenloser Download, der auf Hardware läuft, die Sie bereits besitzen, daher sind die Grenzkosten Strom.

Sprachsynthese, 1.000 Stunden — bei etwa 900 Zeichen pro gesprochener Minute sind das 54 Millionen Zeichen. Voxtral Mini TTS 3 kostet bei 13 US-Dollar pro Million Zeichen 702 US-Dollar. LFM3-Audio-2B kostet nichts pro Zeichen und bietet zwei Stimmoptionen, männlich und weiblich, die per Prompt ausgewählt werden. Voxtral klont eine Stimme aus 30 Minuten Audio und bietet Steuerungen für Emotion, Tempo und Betonung.

Ein Live-Sprachagent, 1.000 Stunden Gespräch — Mistral bepreist die zusammengestellte Pipeline mit 0,04 US-Dollar pro Minute, wobei Mistral Small 4 das Reasoning übernimmt, und mit 0,08 US-Dollar bei einem größeren Modell. Das sind 2.400 bis 4.800 US-Dollar. LFM3-Audio-2B übernimmt das Hören und Sprechen lokal, benötigt aber für alles jenseits seiner eigenen Kompetenz noch ein Reasoning-Modell, und in seiner Modellkarte heißt es ausdrücklich, dass es für komplexes mehrstufiges Reasoning nicht empfohlen wird.

Der Teil, der normalerweise weggelassen wird: Break-even. Eine 1.000-Dollar-Maschine amortisiert sich nach etwa 4.760 Stunden Voxtral Mini Transcribe 3 – grob 200 Tagen durchgehenden Audios oder anderthalb Jahren bei acht Stunden pro Tag. Bei kleinen Volumina ist die API billiger als der Kauf von Hardware, und sie ist billiger an dem Tag, an dem man beginnt. Der Open-Weights-Fall ist nicht „kostenlos“. Er ist „Fixkosten statt Grenzkosten“, und er lohnt sich nur, wenn das Volumen da ist, die Datenschutzanforderung hart ist oder das Gerät kein Netzwerk hat.

Wo ein Router in diesem Bild seinen Platz verdient, liegt nicht bei einem der beiden Audiomodelle – weder LFM3-Audio-2B noch Voxtral 3 stehen heute im OrcaRouter-Katalog, und wir werden nicht so tun, als wäre es anders. Er liegt in der Reasoning-Phase, die beide Architekturen letztlich benötigen. Ein Voice-Agent ist eine Kette: transkribieren, schlussfolgern, sprechen. Das mittlere Glied ist ein gehostetes LLM, und genau dieses Glied profitiert von einem Schlüssel für mehr als 200 Modelle, den Listenpreisen der Anbieter, die mit 0 % Aufschlag weitergegeben werden, sodass eine Preisänderung des Anbieters Sie noch am selben Tag erreicht, und von automatischem Failover, wenn ein Anbieter mitten im Anruf eine schlechte Stunde hat.

Was verifiziert ist und was nicht

Hier spielen drei Evidenzstufen eine Rolle, und sie einzuebnen, ist der Grund, warum Vergleiche schiefgehen.

Unabhängig gemessen. Für die Transkriptionsqualität von Voxtral 3 gibt es Drittanbieter-Zahlen: Artificial Analysis platzierte Voxtral Small Transcribe 3 mit 2,1 % WER in seinem eigenen Index auf Gesamtrang drei (Stand 21. Oktober 2026), Voxtral Mini Transcribe 3 lag bei 2,2 %. Seine TTS landete mit 1.217 Elo auf Rang 13 in der Provider-Voice-Arena und mit 1.066 auf Rang 14 bei Controlled Voice — Mittelfeld, und das lässt sich ruhig deutlich sagen, da Mistrals Social-Media-Post sie als Top zwölf beschrieb.

Vom Anbieter berichtet, nicht reproduziert. Jede LFM3-Audio-2B-Zahl in diesem Artikel stammt von Liquid selbst: der englische WER von 6.23, der mehrsprachige Wert von 6.03, die 3.83 UTMOSv2, die 73.13 VoiceBench, die interne Tool-Calling-Eval von 58.50 und die 50.60 MMAR. Zum Zeitpunkt dieses Schreibens gibt es keinen Artificial-Analysis-Eintrag für das Modell, und kein Dritter hat eine Reproduktion veröffentlicht. Betrachten Sie sie als Behauptungen, nicht als Messungen.

Überhaupt nicht vergleichbar. Liquids englische WER von 6,23 % und Mistrals FLEURS-Wert von 4,0 % sowie Artificial Analysiss 2,1 % sind drei verschiedene Tests auf drei verschiedenen Audiosets. Ziehen Sie sie nicht voneinander ab. Der einzige von Liquid veröffentlichte Vergleich im selben Testaufbau richtet sich gegen Voxtral Mini 3B – das Open-Weights-Modell von 2025. Dort erzielt Liquids 2B-Modell 6,23 gegenüber Voxtrals 5,51 bei englischer ASR, schlägt es aber bei mehrsprachiger ASR mit 6,03 zu 7,76, VoiceBench mit 73,13 zu 65,78, MMAR mit 50,60 zu 50,10 und Tool-Calling mit 58,50 zu 44,50.

Was „shipped quietly" hier tatsächlich bedeutet

LFM3-Audio-2B erhielt keine eigene Markteinführung, und dieser Unterschied ist von Bedeutung, wenn Sie entscheiden, wie sehr Sie der Dokumentation vertrauen können.

Liquid kündigte die LFM3-Familie am 27. Oktober 2026 in einem Beitrag mit dem Titel „Einführung von LFM3: Jede Modalität für spezialisierte Intelligenz“ an. Das Audiomodell erscheint dort als eines von sechs in einem Abschnitt – es gibt keinen eigenen Blogbeitrag zu LFM3-Audio, keinen separaten Launch und keine eigene Produktseite. Die Gewichte und die Modellkarte sind vollständig und öffentlich. Der Ollama-Eintrag, ollama run lfm3-audio mit 2,1 GB, erschien am 28. Oktober ohne entsprechende Ankündigung seitens Liquid oder Ollama, zusammen mit einem llama.cpp-Pull-Request, der die Audio- und Omni-Modelle hinzufügte, wobei Live-ASR auf einen Folge-PR verschoben wurde.

Die Einordnung ist also: Das Artefakt ist real und dokumentiert, der Launch war ein Absatz innerhalb einer Ankündigung der Modellfamilie, und die Unterstützung für lokale Laufzeitumgebungen kam einen Tag später, ganz beiläufig. Praktisch bedeutet das, dass die Modellkarte die maßgebliche Instanz ist – nicht ein Launch-Beitrag, denn den gibt es nicht –, und die Karte ist ungewöhnlich konkret bei den Einschränkungen, was zu ihren Gunsten spricht. Sie nennt LiveASR als ausschließlich englischsprachig. Sie sagt, das Modell sei nicht für agentisches Coding oder komplexes mehrstufiges Reasoning gedacht. Wissenslastige Aufgaben verweist sie an Retrieval. Ein Anbieter, der ein schwaches Modell versteckt, schreibt das normalerweise nicht auf.

Wer sollte welches nehmen

Wählen Sie LFM3-Audio-2B, wenn das Audio das Gerät nicht verlassen darf, wenn Sie ein Modell benötigen, das sowohl hört als auch spricht, ohne zwei Dienste zusammenzuflicken, wenn Ihre Sprachen zu seinen achtzehn gehören und wenn Ihr Volumen hoch genug ist, dass feste Hardwarekosten günstiger sind als eine Abrechnung pro Minute. Es ist auch die richtige Wahl für das Prototyping einer Sprachschnittstelle ganz ohne Beschaffung – 2,1 GB und ein Ollama-Befehl. Akzeptieren Sie, dass seine englische ASR hinter der letzten Generation des offenen Voxtral zurückliegt, dass Streaming nur auf Englisch verfügbar ist und dass kein unabhängiger Prüfer irgendeine seiner Zahlen überprüft hat.

Nehmen Sie Voxtral 3, wenn Sie einen Telefonagenten statt einer Modellfunktion entwickeln. Die Suite ist zum Zusammensetzen gedacht: Transkriptor, Reasoning-Modell, TTS, über SIP und WebRTC, wobei Barge-in und End-of-Turn-Erkennung bereits gelöst sind. Nehmen Sie sie auch, wenn Sie mehr als 50 Sprachen, Diarisierung, Kontext-Biasing für Namen und Fachjargon oder Voice Cloning benötigen – vier Fähigkeiten, die LFM3-Audio-2B in keiner Form bietet. Der Kompromiss besteht darin, dass Sie sie weder herunterladen noch inspizieren können und Ihre Kosten linear mit jeder bedienten Minute steigen – für immer.

Nutzen Sie beide, wenn die Architektur es zulässt, und oft tut sie das. Führen Sie LFM3-Audio-2B auf dem Gerät für Wake-Word, lokales Diktieren und den Offline-Pfad aus; senden Sie die Anrufe, die mehrsprachige Abdeckung, Diarisierung oder eine geklonte Stimme benötigen, an Voxtral 3. Die beiden konkurrieren nicht um denselben Platz in einem Stack. Das eine ist das Modell in Ihrem Produkt; das andere ist der Anbieter, den Sie anrufen, wenn das Produkt eine Telefonleitung ist.

Der Vergleich, auf den Sie achten sollten

Zwei Dinge würden das ordentlich klären, und keines von beiden existiert bisher.

Das erste ist eine unabhängige Bewertung von LFM3-Audio-2B auf derselben Testumgebung, die Artificial Analysis für die Voxtral-3-Modelle verwendet. Diese eine Zahl – ihr WER-Index in einem gemeinsamen Test – würde die folgenreichste Behauptung in Liquids Tabelle von einer Herstelleraussage in eine Messung verwandeln und Ihnen sagen, ob ein 2B-Modell, das auf einem Laptop läuft, tatsächlich nur einen Punkt von einem gehosteten 4B-Modell entfernt ist.

Der zweite Punkt ist, ob Mistral jemals die Gewichte von Voxtral 3 veröffentlicht. Die Audiomodelle des Unternehmens aus dem Jahr 2025 waren unter Apache 2.0 offen; die Suite aus dem Jahr 2026 ist es nicht. Sollte sich das umkehren, wird der faire Open-versus-Open-Vergleich, den Liquid bewusst veröffentlicht hat, wieder aktuell, und der zentrale Vorbehalt dieses Artikels entfällt.

Bis eines davon eintritt, ist die vertretbare Position die unspektakuläre. Bei der Funktionsbreite gewinnt Voxtral 3 mit einem Abstand, den kein Benchmark-Streit schließen kann: fünfzig Sprachen, Diarisierung, Klonen, Telefonie. Bei der Einsetzbarkeit gewinnt LFM3-Audio-2B mit ebenso großem Vorsprung, denn es ist das einzige der beiden, das man selbst betreiben kann. Alles dazwischen ist eine Zahl aus der Tabelle des einen Anbieters neben einer Zahl aus der Tabelle eines anderen, und die ehrliche Antwort auf die Frage „Welches ist genauer?“ lautet, dass es niemand gemessen hat.