LFM3-Audio-2B vs StepAudio 3: El 2B abierto frente a la línea de productos evaluada

StepAudio 3 Realtime tiene una cifra asociada a aquello por lo que se juzga a los productos de voz: 98,9% en el panel Conversational Dynamics de Artificial Analysis, primer puesto. LFM3-Audio-2B tiene licencia. Eso no es un contraste retórico: es el estado real de la evidencia. La familia de StepFun StepAudio 3 se lanzó el 15 de septiembre de 2026 como cinco modelos de audio comerciales en una sola plataforma, con posicionamientos de terceros y un precio de vista previa de cero. El LFM3-Audio-2B de Liquid AI apareció el 27 de octubre dentro del lanzamiento de seis modelos LFM3 como un checkpoint de pesos abiertos de 2B con una tabla del proveedor y ninguna puntuación independiente. Uno es un producto medido que alquilas. El otro es un archivo sin medir que puedes poseer. La decisión entre ambos tiene menos que ver con la calidad de audio que con cuál de esas dos frases describe tu restricción.

Existe la tentación de declarar ganador al modelo con mayor puntuación y seguir adelante. Resístela durante un párrafo. La puntuación de StepAudio 3 Realtime mide la dinámica conversacional —turnos de palabra, recuperación tras interrupciones, backchannels— en un sistema alojado con un WebSocket persistente y un conjunto de entrenamiento centrado en el chino como idioma principal. LFM3-Audio-2B no está en esa tabla, no es dúplex y no se mediría con ella aunque alguien lo inscribiera. Los dos modelos no compiten por el mismo lugar en una pila. La comparación útil es qué puede hacer cada uno que el otro no puede, y cuánto te cuesta averiguarlo.

Qué es realmente StepAudio 3

El nombre abarca una familia, y el nivel que elijas cambia la comparación. StepFun lanzó cinco modelos de audio el 15 de septiembre: Realtime, ASR, TTS, Gen y Music, todos disponibles en su plataforma abierta como API comerciales. Un nivel Chat con contexto de 256K y salida de texto completa la superficie para desarrolladores.

StepAudio 3 Realtime — conversación nativa de dúplex completo, razonamiento directamente sobre el habla en lugar de transcribirla primero, con invocación de herramientas y ejecución asíncrona de tareas largas mientras la conversación continúa. El producto estrella y el equivalente más cercano a un modelo de voz general.

• StepAudio 3 ASR — reconocimiento, con una tasa de error de palabras del 1,7 % en la tabla de precisión de ASR no en streaming de Artificial Analysis, empatado en el primer puesto.

• StepAudio 3 TTS — síntesis en streaming, seis idiomas (inglés, chino, japonés, coreano, francés y español), 12 voces del sistema, hasta 1.000 caracteres de entrada.

• StepAudio 3 Gen — generación unificada de voz, efectos de sonido, ambiente, música de fondo y canto a partir de lenguaje natural, actualmente en una vista previa gratuita limitada.

• StepAudio 3 Music — generación de canciones zero-shot con control multiturno mediante notación ABC, conversión de voz a arreglo y covers.

LFM3-Audio-2B es un checkpoint que intenta realizar varias de esas tareas a la vez: reconocimiento, síntesis, traducción, comprensión de audio y llamadas a herramientas habladas, seleccionadas mediante prompt y perfil de servicio. No generará música, y su repertorio de efectos de sonido es el que se desprende de un modelo de audio general. Lo que sí tiene es un archivo de pesos. StepAudio 3 no tiene ninguno: es una familia de API comerciales, no una versión abierta, y ningún nivel incluye pesos.

El marcador, y quién lo produjo

Las cifras de StepFun son la base de evidencia más sólida en esta comparación, y también son las más fáciles de sobreinterpretar. La cifra del 98,9 % de Conversational Dynamics es una posición de terceros en Artificial Analysis, lo que la hace más creíble que una tabla del proveedor. La cifra del 99,7 % de razonamiento del habla la cita StepFun; no ha sido reproducida de forma independiente. La tasa de error de palabras del 1,7 % en ASR es una posición de Artificial Analysis, empatada en el primer puesto, y corresponde al nivel de ASR, no al modelo Realtime. Son tres tipos distintos de afirmación que visten el mismo uniforme.

La tabla de LFM3-Audio-2B está uniformemente reportada por el proveedor y uniformemente referida a su propio predecesor, LFM2.5-Audio-1.5B: WER de ASR en inglés 6,23 frente a 6,13, 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 nombra ningún conjunto de prueba, harness ni varianza, y no pudimos encontrar ninguna reproducción independiente de ninguna fila.

Si se ponen los dos uno al lado del otro, la observación honesta es que apenas se solapan. StepAudio 3 Realtime se evalúa en cuanto a los tiempos de conversación; LFM3-Audio-2B se evalúa en reconocimiento, calidad de síntesis y razonamiento de audio. El único eje en el que ambos publican algo es el reconocimiento, e incluso ahí la comparación está contaminada: el 1,7 % de StepAudio es una puntuación de una tabla de clasificación independiente para el nivel ASR, mientras que el 6,23 de Liquid es una cifra del proveedor para un modelo de audio general sobre un conjunto no especificado. La brecha es lo bastante grande como para que la dirección probablemente sea real. La magnitud no es la medición de nada que dos equipos hayan ejecutado juntos.

Duplex es la línea arquitectónica

StepAudio 3 Realtime está diseñado para una llamada telefónica. Escucha mientras habla, gestiona las interrupciones y razona sobre audio sin procesar en lugar de sobre una transcripción, lo que, según StepFun, preserva el tono y el énfasis que un salto a texto aplanaría. Su documentación deja clara la división: la Realtime API incluye reconocimiento de voz, gestión de contexto, VAD, búsqueda web y recuperación integrados; la Chat API te obliga a implementar cada uno de esos elementos por tu cuenta.

LFM3-Audio-2B está diseñado para atender una solicitud. Un codificador de audio causal le permite hacer prefill mientras hablas, y LiquidCodec devuelve la voz en streaming: 80 ms de audio en 12 tokens, decodificados a aproximadamente 87× el tiempo real en un hilo de CPU de un M4 Max. La cifra de tiempo hasta el primer token de «hasta 50 ms» procede de ese diseño. Pero transmitir una respuesta en streaming no es lo mismo que gestionar la interrupción del usuario, y Liquid no afirma que ofrezca dúplex. Si tu producto necesita que el usuario pueda hablarle por encima, la arquitectura lo decide antes que cualquier benchmark.

Hay un problema de latencia en el otro lado. StepAudio 3 Realtime registra un tiempo hasta el primer audio de 8,83 segundos en la misma tabla de clasificación donde gana en dinámica conversacional, frente a 1,18 segundos de Gemini 3.8 Live y de 1,24 a 1,34 segundos de GPT-Live-1. Un modelo que gana en la toma de turnos pero tarda casi lo que dura una frase en empezar a hablar es un modelo cuya mejor calidad quizá nunca puedas demostrar en producción. Prueba la latencia antes que la calidad de la conversación, y pruébala fuera de la propia configuración de servicio de StepFun si puedes.

Precio, licencia y qué estás comprando realmente

StepAudio 3 está en vista previa gratuita por tiempo limitado en toda la familia, y no se ha anunciado ninguna tarifa posterior a la vista previa para el nivel Realtime. El nivel TTS tiene una tarifa de lista publicada de aproximadamente $0,36 por cada 10.000 caracteres a través de un catálogo de terceros, pero ese no es el precio de Realtime y no debería usarse como tal. La situación práctica es que StepAudio 3 Realtime es gratis para evaluar hoy y no tiene precio para producción: un buen momento para probar, un mal momento para construir un modelo de economía unitaria.

El costo de LFM3-Audio-2B es el de la máquina en la que se ejecuta. La LFM Open License v1.0 es gratuita para uso comercial por debajo de $10M de ingresos anuales y de pago por encima de esa cifra. La compilación de Ollama ocupa 2.1 GB y funciona con CPU; llama.cpp incorporó el soporte el 27 de octubre; Transformers necesita 5.20.2 o una versión más reciente con trust_remote_code, y los pesos del códec se cargan desde un directorio aparte, así que fija el entorno. No hay medidor por minuto. Tampoco hay SLA, ni buscapersonas, ni un proveedor al que llamar cuando la salida se degrada.

• Lo que obtienes — StepAudio 3 Realtime: un endpoint comercial, el buque insignia actual, con soporte. LFM3-Audio-2B: un checkpoint, una licencia y la carga operativa.

• Lo que puedes inspeccionar — StepAudio 3: documentación, posiciones en la clasificación, sin pesos. LFM3-Audio-2B: arquitectura, ficha, pesos, códec, ruta de ajuste fino.

• Estructura de costos — StepAudio 3: por llamada, cero cuando está inactivo, sin precio después de la vista previa. LFM3-Audio-2B: hardware fijo, costo marginal casi nulo, sin medición.

• Modo de fallo — StepAudio 3: una cuota, una región, un problema de cuenta, un ticket de soporte. LFM3-Audio-2B: tú eres el responsable del buscapersonas.

La cobertura de idiomas no es un empate

LFM3-Audio-2B enumera 18 idiomas en 19 configuraciones regionales, con el inglés apareciendo dos veces como variantes de EE. UU. y Reino Unido. Esa es una amplia lista de síntesis para un modelo de 2B, y constituye el argumento práctico más sólido a su favor en un producto europeo o multilingüe. Los límites son igual de concretos: el ASR en vivo solo está disponible en inglés, y la traducción es más sólida hacia o desde el inglés.

StepAudio 3 prioriza el chino. La documentación del nivel Realtime no publica una lista completa de idiomas; el nivel TTS de la familia cubre seis idiomas, y el nivel ASR está construido en torno al chino y el inglés, con manejo de dialectos, alternancia de código, audio largo y canto. Si tu tráfico es mandarín con inglés mezclado, el stack de StepFun está diseñado para esa carga de trabajo y el de Liquid no. Si tu tráfico es sueco y neerlandés, el checkpoint de 18 idiomas es el único de los dos que lo afirma.

Dónde encaja un router y dónde no

StepAudio 3 no está en el catálogo de OrcaRouter, y LFM3-Audio-2B tampoco — uno es una API cerrada y el otro una descarga. Así que no hay ninguna historia que contar sobre la conmutación por error entre estos dos, ni motivo para fingir lo contrario.

La capa de enrutamiento importa un nivel más arriba, donde los agentes de voz realmente concentran su complejidad. StepAudio 3 Realtime admite llamadas a herramientas y tareas asincrónicas de larga duración, lo que significa que la conversación está constantemente delegando trabajo a modelos de texto ordinarios: una consulta, una extracción, una verificación de políticas. Esa capa de delegación es donde residen las caídas de los proveedores y la variación de costos. OrcaRouter pone más de 200 modelos de texto y multimodales detrás de una sola clave a precio de lista del proveedor y sin margen, con conmutación por error automática, un DSL de enrutamiento que compone varios modelos en una sola llamada y fusión de modelos cuando el criterio de un solo modelo no basta. Para un prototipo LFM3-Audio-2B, esa es la mitad de la pila que puedes poner detrás de un endpoint hoy mientras el modelo de audio permanece local.

Tres preguntas que lo deciden

¿Necesitas una conversación que se pueda interrumpir?

Entonces, StepAudio 3 Realtime es el único de estos dos que afirma tener ese comportamiento, y es el punto de partida correcto a pesar de la cuestión de la latencia. LFM3-Audio-2B es de solicitud y respuesta; ninguna cantidad de ajuste fino cambia la interfaz. Prueba la cifra de 8,83 segundos hasta el primer audio en tu propia red antes de decidirte.

¿Necesitas poseer el modelo o ejecutarlo sin conexión?

Entonces LFM3-Audio-2B es la única opción aquí, y el umbral de licencia es el número que debes comparar con tus ingresos. Acepta el contexto de 32K, el ASR en vivo solo en inglés y la ausencia de una evaluación independiente. Pasa tus propias grabaciones por él antes de confiar en la mejora de UTMOS.

¿Es suficiente la puntuación de un proveedor para elegir?

Todavía no, y la razón no es que las cifras de StepFun sean flojas. Es que las puntuaciones miden cosas distintas según el harness, y el modelo sin puntuación no es elegible para la tabla que produjo la cifra más citada. Un enfrentamiento neutral directo sobre el mismo conjunto de conversaciones resolvería más que la tabla de cualquiera de los dos proveedores. Mientras no exista, la elección es una cuestión de restricciones, no de calidad.

El veredicto

StepAudio 3 Realtime gana en el eje que el mercado mide actualmente —la dinámica conversacional— y cuenta con una base de evidencia más sólida porque un tercero produjo parte de ella. También arrastra un problema de latencia sin resolver, no tiene un precio publicado posterior a la vista previa, carece de pesos y presenta un perfil lingüístico centrado primero en el chino. Es la mejor opción para un agente de voz en tiempo real dirigido a usuarios de chino e inglés, siempre que supere la prueba de latencia y el precio de la vista previa no se convierta en una sorpresa.

LFM3-Audio-2B gana en propiedad y amplitud de síntesis, y pierde en evidencia. Tiene cuatro días, sus cifras las reporta el proveedor, su ASR está en la mitad de la tabla en su propia tabla, y su licencia tiene un umbral de ingresos. Es la mejor opción para un producto offline, una voz multilingüe o un equipo que no puede aceptar una facturación por llamada, y es el único de los dos que puedes evaluar por completo en tu propio hardware esta semana.

Lo que hay que observar es lo mismo en ambos lados: una evaluación neutral que ponga un modelo dúplex y un modelo de solicitud y respuesta sobre el mismo conjunto de conversaciones, y un precio de producción publicado para StepAudio 3. Lo primero te diría si el checkpoint 2B de Liquid está más cerca de la frontera de lo que sugiere su documentación. Lo segundo te diría si la ventaja de StepFun sobrevive al contacto con una factura.