LFM3-Audio-2B vs Dessa: uno que puedes descargar, uno que solo puedes escuchar

de Liquid AILFM3-Audio-2B es un checkpoint de 2B parámetros con licencia abierta, un repositorio de Hugging Face y una compilación de 2,1 GB que puedes descargar en un portátil. De Block, Dessa es un modelo de voz dúplex completo anunciado el 23 de octubre de 2026 y accesible solo mediante lista de espera, sin pesos, sin número de parámetros, sin API y sin benchmark publicado. Si los pones uno al lado del otro, la comparación habitual se desmorona antes de empezar: uno de ellos puede ser ejecutado, ajustado y medido por cualquiera que lea esto, y al otro solo se le puede escuchar. La pregunta útil no es cuál suena mejor. Es qué eligió publicar cada empresa y qué te permite hacer esa elección el lunes por la mañana.

Ambas llegan con la misma etiqueta de advertencia, desde direcciones opuestas. LFM3-Audio-2B se lanzó el 27 de octubre de 2026 dentro del lanzamiento de la familia LFM3 de seis modelos, y la rama de audio recibió un párrafo de la publicación de la familia de Liquid más una ficha del modelo. No hay un anuncio independiente de «Presentamos LFM3-Audio», ni una entrada de precios de audio en el sitio de Liquid y —a la fecha de redacción— tampoco ninguna ejecución de benchmark independiente del modelo en ningún lugar. Dessa tiene el problema opuesto: una docena de grabaciones de conversaciones seleccionadas y casi ninguna especificación. Ninguna de las dos empresas ha dado a un externo lo suficiente para reproducir un resultado.

Qué publicó realmente cada uno

Si quitamos los adjetivos, el registro es breve. Todo lo que sigue proviene de la ficha del modelo de Liquid, su publicación sobre la familia o el propio anuncio de Block; nada se ha verificado de forma independiente.

• Lo que recibes — LFM3-Audio-2B: un checkpoint BF16, conversiones de 4 bits en GGUF y MLX, un tokenizador y pesos de códec en un directorio audio_tokenizer aparte. Dessa: un formulario de lista de espera y un conjunto de videoclips.

• Tamaño — LFM3-Audio-2B: 2B parámetros, 2,1 GB en la compilación de Ollama. Dessa: no revelado. Block dice que cabe en un MacBook Pro M4 Max, lo que implica un modelo lo suficientemente pequeño para 128 GB de memoria unificada, pero eso es una inferencia, no un número.

• Entrada y salida — LFM3-Audio-2B: texto o audio de 16 kHz como entrada; texto, voz de 24 kHz o texto y voz intercalados como salida. Dessa: audio como entrada, audio como salida, sin texto intermedio en ningún momento.

• Contexto — LFM3-Audio-2B: 32K tokens que abarcan entrada y salida. Esta no es la cifra de 256K que se repite en algunos artículos sobre LFM3; esa corresponde al modelo de texto, LFM3-1.7B. Dessa: no publicado.

• Licencia — LFM3-Audio-2B: LFM Open License v1.0, gratuita para uso comercial por debajo de $10M de ingresos anuales. Dessa: no hay pesos, así que no hay licencia que leer.

• Benchmark — LFM3-Audio-2B: una tabla de proveedores de seis filas. Dessa: ninguno.

Esa última fila es donde la comparación se vuelve interesante. Liquid publicó cifras y ningún testigo independiente. Block publicó testigos —periodistas que escucharon los mismos clips— y ninguna cifra. Un lector que intenta elegir entre ellos está eligiendo qué tipo de laguna tolerar.

La única ventaja que tiene Dessa y que no se puede descargar

Dessa está diseñada para el dúplex completo: escucha mientras habla. Se puede interrumpir al modelo a mitad de frase, puede soltar un «ya» o un «mm-hm» mientras tú sigues hablando, y puede ajustar su ritmo al tuyo. Las demos de Block dependen mucho de esto: risas en mitad de su propia frase, un cambio de volumen a petición, el título de una película completado para un hablante que lo olvidó. The Verge, al escuchar las mismas grabaciones, encontró que las conversaciones eran «un poco incómodas y desconcertantes», lo cual es una descripción justa de un sistema que está aprendiendo el ritmo en público.

LFM3-Audio-2B no afirma eso. Es de solicitud y respuesta con streaming: un codificador de audio causal le permite hacer prefill mientras hablas, de ahí proviene la cifra de tiempo hasta el primer token de Liquid, «tan bajo como 50 ms», y LiquidCodec transmite la voz de vuelta. Transmitir una respuesta en streaming no es lo mismo que manejar interrupciones (barge-in). Si tu producto necesita una conversación en la que se pueda hablar encima, LFM3-Audio-2B es el tipo equivocado de modelo, y ninguna cantidad de ajuste fino cambia la interfaz.

Lo que la demostración de Dessa no puede decirte es con qué frecuencia se comporta así cuando nadie está seleccionando el clip. Block dice que las grabaciones son en vivo, sin dirección y subtituladas después, lo que descarta la forma más burda de fraude en las demostraciones. No descarta la selección. Un equipo que graba muchas conversaciones y publica las mejores ha demostrado que existen buenas conversaciones, no que el modelo sea fiable.

Las cifras que Liquid publicó, y lo que valen

La ficha del modelo de Liquid incluye seis cifras, cuatro de ellas con un valor del predecesor. Todas comparan LFM3-Audio-2B con LFM2.5-Audio-1.5B, el modelo al que sustituye. No se especifica ningún conjunto de pruebas, harness ni varianza.

• ASR en inglés, tasa de error de palabras — 6,23 frente a 6,13. Sin cambios. La única fila que no se movió, y una diferencia lo bastante pequeña como para ser ruido de muestreo.

• ASR multilingüe, WER/CER — 6.03. No se publicó ninguna cifra del predecesor.

• TTS en inglés, UTMOSv2 — 3,83 frente a 3,22. Un avance de 0,6 puntos, muy por encima del ruido, en una escala en la que 4,0 suele considerarse casi humano.

• VoiceBench — 73,13 frente a 55,17.

• Comprensión de audio, MMAR — 50,60 frente a 25,85. Casi el doble.

• Invocación de herramientas desde voz, evaluación interna — 58.50. Sin cifra del predecesor.

Frente a los otros modelos de la propia tabla de Liquid, este es un buen modelo pequeño más que un líder: Voxtral Mini 3B registra 5.51 de WER y NVIDIA Audex 2B registra 5.99, ambos mejores que 6.23; Qwen2.5-Omni 3B obtiene 54.41 en comprensión de audio; Gemma 4 E4B obtiene 72.40 en uso de herramientas. El resumen honesto es un reconocimiento competitivo, un claro salto en calidad de voz y un razonamiento sólido para 2B —no un récord en ninguna columna.

Dessa no tiene una fila equivalente, y la ausencia no es un tecnicismo. Un modelo solo de voz entrenado sin texto no tiene una interfaz nativa para un esquema JSON, un PDF o una llamada a la API. Block admite las preguntas abiertas en su propia página: con qué eficiencia un modelo solo de voz aprende hechos e idiomas, y si el aprendizaje en contexto sobrevive sin preentrenamiento con texto. Esas son la diferencia entre un interlocutor convincente y un asistente general, y ninguna de las dos empresas ha publicado la prueba que lo resolvería.

Licencia, acceso y quién puede construir sobre qué

La licencia de LFM3-Audio-2B es la razón práctica por la que gana la mayoría de las conversaciones de adquisición antes de que se discuta la calidad. La LFM Open License v1.0 permite el uso comercial por debajo de $10M de ingresos anuales y exige una licencia de pago por encima de esa cifra. Los pesos están en Hugging Face; llama.cpp integró el soporte en el PR #31257 el 27 de octubre; Ollama lista una compilación de 2.1 GB; Transformers requiere 5.20.2 o posterior con trust_remote_code. El requisito de código personalizado es lo que hay que fijar — el modelo se carga desde su propio módulo y lee los pesos del códec desde un directorio aparte, así que un entorno sin fijar es un ticket de soporte esperando a ocurrir.

Dessa no tiene una vía comparable. El acceso consiste en una lista de espera más un acceso anticipado para un pequeño grupo de investigadores de seguridad de la IA que solicitan con un correo institucional. Los motivos declarados por Block —curiosidad, interacción humano-IA, seguridad— son coherentes con mantener una voz que lee emociones dentro de una sala pequeña. La contrapartida es que el acceso restringido y la evaluación independiente tiran en direcciones opuestas. Hasta que un grupo externo publique cifras, el registro público son los clips del proveedor más las impresiones de periodistas sobre los clips del proveedor.

Hay un coste de segundo orden que rara vez entra en las comparaciones. Un modelo descargable es una dependencia que posees: 2,1 GB, un proceso que mantener vivo, sin SLA y un umbral de licencia que vigilar a medida que creces. Un modelo en lista de espera no es una dependencia en absoluto: es un resultado de investigación que puedes citar y no puedes lanzar. Para un equipo que elige un stack de voz, esos no son dos puntos en una misma línea. Son dos decisiones diferentes.

Lo que necesita un agente de voz y que ninguno de los dos modelos aporta por sí solo

Los sistemas de voz en producción rara vez son un solo modelo. Ya sea que el front end sea dúplex o de solicitud y respuesta, la conversación no deja de delegar trabajo a modelos de texto ordinarios: una consulta, una extracción, una verificación de políticas, una llamada de razonamiento detrás de una pausa mantenida. Esa capa de delegación es donde vive la variación de costos y donde una mala hora de un proveedor se convierte en tu caída del servicio.

Para ser precisos sobre nuestra propia cobertura: LFM3-Audio-2B no está en OrcaRouter, y Dessa no es una API en absoluto. Lo que OrcaRouter ofrece es la capa de texto a la que delega un agente de voz: más de 200 modelos detrás de una sola clave al precio de lista del proveedor sin recargo añadido, conmutación por error automática cuando un proveedor falla, un DSL de enrutamiento que compone varios modelos en una sola llamada, y fusión de modelos cuando el juicio de un solo modelo no es suficiente. Si estás creando un prototipo con LFM3-Audio-2B en local, la mitad del bucle dedicada a la llamada de herramientas es la parte que puedes poner detrás de ese endpoint hoy; la mitad de audio se queda en tu máquina.

La prueba que lo zanjaría

Para LFM3-Audio-2B, la evidencia faltante es concreta: una ejecución independiente de WER sobre un conjunto estándar, una medición de latencia en hardware que no sea un M4 Max y una reproducción de la mejora de UTMOS por parte de alguien que no trabaje para Liquid. El seguimiento de ASR en vivo en llama.cpp también importa, porque la transcripción por lotes es la ruta compatible hoy y el límite de solo inglés es la limitación cuando llegue el streaming.

Para Dessa, la lista es más corta y más difícil: un conjunto de conversaciones reservado, latencia de extremo a extremo incluida la primera reacción audible, recuperación ante interrupciones, inteligibilidad en entornos ruidosos, un presupuesto de datos y cómputo, y alguna medida de retención de información factual. Cualquiera de esos convertiría una demo en una evaluación. Todos ellos lo convertirían en un producto.

Hasta entonces, la descripción precisa es limitada y útil. LFM3-Audio-2B es un modelo de voz de 2B que puedes descargar en un minuto, que habla mejor que el modelo al que reemplaza, que escucha más o menos igual de bien y que aún no tiene testigos independientes. Dessa es la demo de voz más interesante del mes, sin forma de comprobarla. Si necesitas construir este trimestre, solo una de esas frases termina en un despliegue.