LFM3-Audio-2B vs Qwen-Audio-3.1: un checkpoint, muchos medidores

Pregunta lo que Qwen-Audio-3.1 cuesta y la primera respuesta honesta es otra pregunta: ¿cuál? El nombre abarca una línea de voz alojada por niveles —un modelo dúplex en tiempo real, un nivel flash en tiempo real, transcripción en streaming y de archivos, y dos modelos de síntesis— y cada nivel tiene su propia lista de tarifas. LFM3-Audio-2B es el tipo de objeto opuesto: un solo checkpoint de 2B de Liquid AI, lanzado el 27 de octubre de 2026 dentro de la familia LFM3 de seis modelos, descargable bajo la LFM Open License v1.0, con una compilación de Ollama de 2,1 GB y sin ningún medidor por llamada en ninguna parte. Compararlos no es comparar la calidad de audio. Es comparar dos formas de facturación, y la aritmética da resultados distintos según si tu tráfico es constante, con picos o todavía hipotético.

Los formatos de lanzamiento también importan, porque marcan las expectativas sobre la documentación. Qwen-Audio-3.1 prioriza el catálogo: los ID de modelo se documentan en Alibaba Cloud Model Studio, se describen en una o dos líneas cada uno, tienen precio por token, no se publican pesos y no hay un recuento público de parámetros. LFM3-Audio-2B prioriza los pesos: un repositorio, una tarjeta de modelo, una solicitud de incorporación de cambios (pull request) fusionada en llama.cpp y un párrafo en la publicación de la familia de su proveedor. Uno es una línea de productos que alquilas. El otro es un archivo que posees. Cada diferencia práctica que aparece a continuación se deriva de eso.

Lo que realmente abarca el nombre

Qwen-Audio-3.1 no es un único endpoint, y tratarlo como tal es el error más común en las comparaciones. Los niveles cumplen funciones diferentes:

• qwen-audio-3.1-realtime-flash — voz dúplex en tiempo real, entrada y salida de texto y audio, con llamada a funciones, búsqueda web, clonación de voz y tres modos de detección de turno. Es el equivalente más cercano a LFM3-Audio-2B y el nivel de precio que analiza este artículo.

• qwen-audio-3.1-realtime-plus — el nivel en tiempo real más completo. Alibaba documenta para él una conversión de audio de 12,5 tokens por segundo y cobra una tarifa de salida considerablemente más alta que el nivel flash. Producto distinto, factura distinta.

• qwen-audio-3.1-asr-flash-streaming — reconocimiento sobre un flujo, con resultados intermedios, VAD, hotwords y eliminación de disfluencias. Sin salida de voz.

• qwen-audio-3.1-asr-flash-filetrans — la misma tarea de reconocimiento procesada por lotes contra un archivo.

• Qwen-Audio-3.1-TTS y TTS-Next — síntesis, y el modelo Next se promociona como un modelo «Audiogen» para voz, efectos de sonido y ambiente en una sola pasada a 48 kHz.

LFM3-Audio-2B concentra esas tareas en un único checkpoint. El reconocimiento, la síntesis, la traducción, la comprensión de audio y las llamadas a herramientas por voz son modos del mismo modelo de 2B, seleccionados mediante el prompt y el perfil de servicio. No hay ningún SKU que elegir ni un medidor aparte para hablar frente a escuchar. Se cambia granularidad por simplicidad: no puedes pagar únicamente por reconocimiento cuando lo único que necesitas es el reconocimiento, porque de todos modos estás ejecutando el modelo completo.

El proyecto de ley, elaborado

Alibaba publica tarifas para qwen-audio-3.1-realtime-flash en USD por millón de tokens. En Singapur: entrada de texto $0.23, entrada de audio $0.93, salida de texto $0.70, salida de audio $1.87. Pekín es ligeramente más barato con $0.212, $0.848, $0.636 y $1.696. Los límites de frecuencia son 60 solicitudes por minuto y 100,000 tokens por minuto, sin un límite separado para conexiones WebSocket simultáneas. La ventana de contexto es de 262,144 tokens, con una entrada máxima de 245,760 y una salida de 16,384 — pero el historial de audio está limitado a 50 turnos o 300 segundos acumulados, que es el límite que una conversación larga realmente alcanza.

LFM3-Audio-2B no tiene lista de precios porque Liquid no lo vende como endpoint. El coste es la máquina en la que lo ejecutas, la descarga de 2,1 GB y el umbral de licencia: gratis para uso comercial por debajo de $10M de ingresos anuales, de pago por encima. En un portátil es casi cero; en una GPU es lo que ya pagas por capacidad inactiva. El códec es la afirmación de eficiencia que merece la pena conocer —LiquidCodec empaqueta 80 ms de voz en 12 tokens y decodifica a aproximadamente 87× tiempo real en un único hilo de CPU de un M4 Max—, pero eso mide el códec, no el modelo de lenguaje, y no debe interpretarse como rendimiento de extremo a extremo en tu hardware.

Ahora viene la parte que lo decide. Un modelo en tiempo real alojado factura por token de conversación, incluido el audio que genera, y el coste de un agente de voz está en la salida. Un modelo autoalojado factura por hora de hardware, se hable o no. Para un centro de contacto que opera con carga constante, el coste fijo se amortiza y la cifra por hora puede quedar por debajo de cualquier tarifario. Para un producto con tráfico irregular —un equipo de cumplimiento que transcribe mil llamadas el último día del trimestre y nada durante once semanas—, gana la facturación por llamada, porque las GPU siguen facturando durante el silencio. Ninguna de las dos formas es más barata en general. Son más baratas con distintos niveles de utilización.

Cobertura, latencia y las afirmaciones que no cumplen

• Idiomas — LFM3-Audio-2B: 18 idiomas, 19 configuraciones regionales, con ASR en vivo limitado al inglés y traducción más sólida hacia o desde el inglés. Qwen-Audio-3.1: la documentación de Alibaba para el nivel flash en tiempo real no publica una lista de idiomas; sus niveles de reconocimiento están documentados en torno al mandarín, cantonés, sichuanés y otros dialectos chinos, con detección automática de idioma. Considere la cobertura como desconocida para Qwen hasta que la documentación la enumere.

• Latencia — LFM3-Audio-2B: «hasta 50 ms» de tiempo hasta el primer token, medido por el proveedor en hardware Apple con modelo concreto, sin percentil ni banco de pruebas. Qwen-Audio-3.1: la cifra titular de la familia de Alibaba, 92 ms hasta el primer token, proviene de su propio benchmark de alta concurrencia sobre una especificación de 0.6B, no de pruebas de terceros. Ninguna de las dos es una cifra típica.

• Dúplex — LFM3-Audio-2B: solicitud y respuesta con streaming; un codificador causal permite el prefill mientras hablas, pero no se declara compatibilidad con barge-in. Qwen-Audio-3.1 realtime-flash: explícitamente dúplex, con VAD en el servidor y un modo de turno inteligente que gestiona las interrupciones.

Contexto — LFM3-Audio-2B: 32K tokens, entrada más salida. Esta no es la cifra de 256K que se repite en algunos análisis de LFM3; esa corresponde al modelo de texto. Qwen-Audio-3.1 realtime-flash: 262K tokens, con el límite de historial de audio mencionado arriba.

Esa línea dúplex es la que cambia la arquitectura. Si tu producto necesita que se le interrumpa a mitad de frase, LFM3-Audio-2B es el tipo de modelo equivocado y ningún prompt lo arregla. Si tu producto lee una grabación y responde una pregunta sobre ella, el dúplex es irrelevante y el checkpoint 2B es el objeto más simple.

¿Quién ha medido qué?

Liquid publica seis cifras para LFM3-Audio-2B, todas frente a su propio modelo anterior, LFM2.5-Audio-1.5B: WER de ASR en inglés 6,23 (frente a 6,13, sin cambios), WER/CER multilingüe 6,03, UTMOSv2 3,83 (frente a 3,22), VoiceBench 73,13 (frente a 55,17), MMAR 50,60 (frente a 25,85) y una evaluación interna de tool-calling en 58,50. No se especifica ningún conjunto de pruebas, arnés ni varianza. No pudimos encontrar ninguna reproducción independiente de ninguna de las filas.

La evidencia de Qwen es de otra naturaleza. Existe un informe técnico, «Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction», que reporta que el éxito en tareas de una adaptación de voz a texto semidúplex de τ-Voice mejora del 78,4 % al 82,0 %, y que la tasa de respuesta a habla de fondo en Full-Duplex-Bench v1.5 desciende del 73,0 % al 13,0 %. Esas son las dos cifras que se indican en el resumen; el cuerpo incluye tablas a nivel de modelo, pero no las he verificado contra un arnés de evaluación, y el artículo es un informe de proveedor más que una evaluación independiente.

Así que el marcador honesto es: un modelo tiene una tabla de proveedor sin artículo, el otro tiene un artículo de proveedor sin un arnés reproducible, y ninguno aparece en un tablero neutral bajo su propio nombre. Cualquier artículo que coloque sus cifras en columnas adyacentes está ordenando dos afirmaciones no verificadas y dejando que el diseño haga la persuasión.

Dónde encaja un router, con precisión

Ni LFM3-Audio-2B ni Qwen-Audio-3.1 están en el catálogo de OrcaRouter, así que no hay ninguna afirmación de enrutamiento que hacer sobre la propia capa de voz. La capa que está por encima es otra historia. Un producto de voz construido sobre cualquiera de los dos modelos sigue necesitando un modelo de texto para resumir, clasificar, extraer o decidir lo que el agente dice a continuación, y es en esa llamada donde el coste y la fiabilidad varían realmente.

OrcaRouter pone más de 200 modelos de texto y multimodales detrás de una sola clave al precio de lista del proveedor sin recargo, con conmutación automática entre proveedores y un DSL de enrutamiento que puede combinar varios modelos en una sola llamada. Para esta comparación, el patrón útil es un A/B: ejecuta las mismas conversaciones grabadas a través de qwen-audio-3.1-realtime-flash y de LFM3-Audio-2B en tu propio hardware, luego envía ambas transcripciones al mismo modelo posterior en el mismo endpoint. La comparación se mantiene limpia, y la mitad de texto nunca se convierte en la variable que olvidaste controlar.

¿Qué factura elegir?

Elige Qwen-Audio-3.1 realtime-flash si necesitas conversación dúplex, una pila de reconocimiento con el chino como prioridad, un contexto de 262K o un SLA del proveedor, y si tu tráfico es lo bastante irregular como para que la facturación por token sea una ventaja. Lee con atención los nombres de los niveles antes de cotizar un precio: realtime-plus y realtime-flash no son el mismo producto, y la tarifa de salida es donde se decide la factura de un agente de voz.

Elige LFM3-Audio-2B si necesitas ser propietario del modelo, ejecutarlo sin conexión, evitar una tarifa por minuto o sintetizar 18 idiomas en un portátil. Acepta el contexto de 32K, el ASR en vivo solo en inglés, el umbral de la licencia y el hecho de que su precisión de reconocimiento está en la mitad de la tabla en la propia comparativa de su proveedor.

Espera: si necesitas una cifra que puedas defender ante un equipo de compras. Ninguno de los dos modelos tiene una todavía. La primera evaluación independiente sobre un corpus de audio compartido —no una tabla del proveedor, ni un documento del proveedor— valdrá más que todas las cifras anteriores, y es lo que hay que vigilar antes de que cualquiera de los dos se convierta en un estándar.