LFM3-Audio-2B vs Voxtral 3: una descarga de 2,1 GB frente a una plataforma de voz

La forma honesta de abrir una comparación entre LFM3-Audio-2B y Voxtral 3 es decir que nadie ha publicado una ejecución de ella. Liquid AI publicó una tabla de referencia para su modelo de audio de 2 mil millones de parámetros, y Mistral publicó una para su suite de voz, y las dos tablas apenas comparten filas. Donde sí coinciden, los modelos que se miden no son de la misma generación. Cualquiera que te diga cuál de estos es "mejor" en un benchmark está comparando un número de un entorno de pruebas con un número de otro y esperando que no lo compruebes.

Así que este texto hace algo menos ordenado y más útil. Separa la pregunta que puedes responder de la que no puedes. Todavía no puedes decir qué modelo transcribe mejor el alemán, porque no hay una prueba multilingüe compartida entre ellos. Puedes decir, con confianza y a partir de la documentación de los propios dos proveedores, que no son en absoluto el mismo tipo de producto: uno es un archivo de 2.1 GB que ejecutas tú mismo, y el otro es un pipeline de cuatro modelos con un SDK de telefonía adjunto y sin pesos descargables.

Esa diferencia decide la mayoría de los despliegues reales antes de que se consulte siquiera una cifra de WER. El resto de este artículo trata sobre dónde no lo hace.

El Voxtral Liquid evaluado no es el Voxtral con el que se está comparando.

La ficha del modelo de Liquid coloca a LFM3-Audio-2B junto a seis competidores, y uno de ellos es un Voxtral. La fila está etiquetada como Voxtral Mini 3B, y en ASR en inglés supera al modelo de Liquid: una tasa de error de palabras del 5,51 % frente al 6,23 %. Esa es la única comparación directa con Voxtral que Liquid publicó, y es fácil interpretarla como «el modelo de audio de Mistral transcribe con mayor precisión».

No es la comparación que el titular sugiere. Voxtral Mini 3B es mistralai/Voxtral-Mini-3B-2507 — un modelo de 3B publicado en julio de 2025 bajo Apache 2.0, diseñado para despliegue local y en el edge. Es quince meses anterior a Voxtral 3 y pertenece a una generación de producto distinta. La suite de Mistral del 20 de octubre de 2026 no contiene ningún modelo llamado Voxtral Mini 3B; su transcriptor más pequeño es Voxtral Mini Transcribe 3, con 4B parámetros y 0,0035 $ por minuto.

También hay una discrepancia dentro de la tabla. La columna de parámetros de esa fila indica 5B, en una fila que lleva el nombre de un modelo de 3B. Eso no es motivo para desconfiar de las cifras de WER, que provienen de una evaluación con nombre —ESB y el conjunto del leaderboard Open ASR, promediados—. Es motivo para leer los encabezados de las columnas en las tablas de los proveedores antes de leer las cifras.

La consecuencia merece decirse sin rodeos, porque es el dato más útil de este artículo: no existe ninguna comparación directa publicada entre LFM3-Audio-2B y ningún modelo Voxtral 3. Ni de Liquid, ni de Mistral, ni de un evaluador independiente. Liquid comparó su nuevo modelo con el modelo de audio de pesos abiertos de Mistral de 2025, lo cual es una elección defendible para una comparación justa entre abiertos — y también es el único tipo de comparación posible ahora, porque Voxtral 3 no incluye pesos. La comparación de audio de pesos abiertos de 2026 no puede realizarse en absoluto contra Voxtral 3.

Qué son en realidad los dos productos

La asimetría es más fácil de ver en la forma del lanzamiento que en las especificaciones.

LFM3-Audio-2B es un modelo, lanzado el 27 de octubre de 2026 como parte de la familia LFM3 de seis modelos. Acepta texto o audio de 16 kHz como entrada, y genera texto, voz de 24 kHz o texto y voz intercalados, además de llamadas a herramientas. Un nuevo codificador de audio causal interno le permite hacer prefill mientras tú todavía estás hablando. Su LiquidCodec tokenizador comprime 80 milisegundos de voz en 12 tokens discretos, decodificados en paralelo en lugar de secuencialmente, a aproximadamente 87 veces el tiempo real en un solo hilo de CPU de un M4 Max — una cifra de rendimiento del códec, no un requisito de hardware.

Voxtral 3, anunciado el 20 de octubre de 2026, es una suite: un transcriptor por lotes, un segundo transcriptor por lotes más pequeño, un transcriptor en streaming, un modelo TTS, un producto de adaptación de voz y un SDK de agentes de voz basado en LiveKit que los conecta entre sí mediante SIP y WebRTC. No eliges Voxtral 3. Eliges un pipeline, y Voxtral 3 aporta las etapas.

• Pesos — LFM3-Audio-2B distribuye pesos abiertos bajo la LFM Open License v1.0; Voxtral 3 no publica pesos descargables, y el material de lanzamiento de Mistral describe en su lugar acceso mediante API, entornos de prueba de Studio y despliegue en infraestructura privada.

• Huella — 2,1 GB en Ollama frente a un endpoint; no hay ningún archivo de Voxtral 3 del que calcular el tamaño.

• Contexto — 32K tokens para LFM3-Audio-2B, entrada más salida. Mistral no publica ninguna cifra de contexto para los transcriptores en absoluto; en cambio, cobra por minuto.

• Modalidades — LFM3-Audio-2B es de cualquier modalidad a cualquier modalidad en un solo modelo: oye, habla, comprende, traduce y llama a herramientas. Voxtral 3 reparte todo eso entre modelos y endpoints separados; los transcriptores y el modelo TTS no forman parte del mismo sistema.

• Licencia — LFM Open License v1.0, gratuita para uso comercial por debajo de los 10 millones de dólares de ingresos anuales; Voxtral 3 es una API comercial cuyos términos se aplican por llamada.

• Diarización y sesgo contextual — Voxtral 3 tiene ambas, con un cpWER del 18,4 % en el conjunto de diarización propio de Mistral y la recuperación de frases clave aumenta del 81,4 % al 94,6 % cuando se proporciona contexto. LFM3-Audio-2B no publica ninguna de las dos capacidades.

La cobertura de idiomas es la única brecha que no está cerca de cerrarse.

LFM3-Audio-2B admite 18 idiomas en 19 configuraciones regionales, que se enumeran en la tarjeta: árabe, danés, alemán, griego, inglés (el británico y el estadounidense se cuentan por separado), finés, francés, hebreo, italiano, japonés, coreano, neerlandés, polaco, portugués, español, sueco, turco y chino. Evalúa ASR multilingüe en nueve de ellos y reporta una tasa de error media de 6,03 en FLEURS, usando la tasa de error de caracteres para chino, japonés y coreano.

Los transcriptores de Voxtral 3 cubren 50 o más idiomas. El modelo en tiempo real afirma 35+ en un lugar de la página y 40+ en otro, que es el tipo de inconsistencia que suele significar que la cifra cambió durante la semana de lanzamiento y nadie concilió el texto.

Si tu audio llega en vietnamita, hindi, ruso, noruego o catalán, LFM3-Audio-2B no lo incluye, y Voxtral 3 habla los cinco; están entre los dieciocho idiomas de preajuste de voz que Mistral enumera. En toda la lista, no pudimos identificar ningún idioma que Liquid admita y que los más de 50 idiomas de transcripción de Mistral no afirmen cubrir. La advertencia honesta es que Mistral publica su lista de preajustes de voz completa y su cobertura de transcripción solo como un número, así que parte de esta comparación es una lista frente a un número.

Hay un filo más afilado dentro de la propia documentación de Liquid. El modo ASR en vivo del modelo —el que transcribe a medida que entra el audio, en fragmentos de aproximadamente 0,96 segundos— solo admite inglés. La transcripción por lotes cubre la lista completa de 18 idiomas; la ruta de transmisión no. Cualquiera que planee una función de subtitulado multilingüe en tiempo real a partir de LFM3-Audio-2B debería leer esa línea dos veces, porque descarta el modelo para el trabajo independientemente de la tabla de WER.

Dos cifras de latencia que no miden lo mismo

Liquid anuncia un tiempo hasta el primer token "de tan solo 50 ms". Mistral anuncia menos de 500 ms para su transcriptor en tiempo real y un turno completo de agente en menos de un segundo. Esas cifras no son comparables, y la diferencia no es un error de redondeo.

La cifra de 50 ms corresponde a una ruta de voz a voz: el codificador causal empieza a procesar antes de que termines la frase, por lo que el modelo puede empezar a emitir el primer token de su respuesta mientras el audio aún sigue llegando. Es una afirmación sobre la interactividad en un modelo conversacional. La cifra de menos de 500 ms es la latencia de transcripción —el retraso antes de que aparezca el texto— y las propias tablas de Mistral muestran lo que cuesta. En su benchmark en tiempo real, Voxtral Mini Transcribe Realtime 3 con 960 ms de latencia registra un 6,0 % de WER; con 480 ms es del 6,4 %; con 240 ms es del 7,4 %. La latencia y la precisión se compensan directamente entre sí, y Mistral te permite elegir el punto de esa curva.

Liquid no publica ninguna curva equivalente. Publica un mínimo —50 ms— sin hardware especificado, sin conjunto de pruebas y sin precisión a esa latencia. El mínimo puede ser real. Aún no es una especificación con la que se pueda planificar un producto.

Los cálculos de costes, desarrollados y no solo afirmados

Comparar un modelo de pesos abiertos con una API por minuto se reduce al volumen, y la aritmética es lo bastante sencilla como para hacerla bien.

Transcripción, 1.000 horas de audio — 60.000 minutos. Voxtral Mini Transcribe 3 a $0,0035/minuto cuesta $210. Voxtral Small Transcribe 3 a $0,004 cuesta $240. Voxtral Mini Transcribe Realtime 3 a $0,008 cuesta $480. LFM3-Audio-2B es una descarga gratuita que se ejecuta en hardware que ya tienes, por lo que su coste marginal es la electricidad.

Síntesis de voz, 1.000 horas — a aproximadamente 900 caracteres por minuto de habla, eso equivale a 54 millones de caracteres. Voxtral Mini TTS 3, a 13 USD por millón de caracteres, supone 702 USD. LFM3-Audio-2B no cuesta nada por carácter y ofrece dos opciones de voz, masculina y femenina, seleccionadas mediante prompt. Voxtral clona una voz a partir de 30 minutos de audio y ofrece controles de emoción, ritmo y énfasis.

Un agente de voz en vivo, 1.000 horas de conversación — Mistral calcula el precio del pipeline ensamblado en 0,04 $ por minuto con Mistral Small 4 encargándose del razonamiento, y 0,08 $ con un modelo más grande. Eso supone entre 2.400 y 4.800 $. LFM3-Audio-2B se encarga de escuchar y hablar en local, pero sigue necesitando un modelo de razonamiento para cualquier tarea que supere su propia competencia, y su ficha indica claramente que no se recomienda para razonamiento complejo de varios pasos.

Ahora viene la parte que normalmente se omite: el punto de equilibrio. Una máquina de $1000 se amortiza tras unas 4760 horas de Voxtral Mini Transcribe 3 — aproximadamente 200 días de audio continuo, o año y medio a ocho horas al día. Con volúmenes pequeños, la API es más barata que comprar hardware, y es más barata el día que empiezas. El caso de los pesos abiertos no es "gratis". Es "costo fijo en lugar de costo marginal", y solo gana cuando hay volumen suficiente, el requisito de privacidad es estricto o el dispositivo no tiene conexión de red.

Donde un router se gana su lugar en este panorama no es en ninguno de los dos modelos de audio — ni LFM3-Audio-2B ni Voxtral 3 están hoy en el catálogo de OrcaRouter, y no vamos a fingir lo contrario. Es en la etapa de razonamiento que ambas arquitecturas acaban necesitando. Un agente de voz es una cadena: transcribir, razonar, hablar. El eslabón intermedio es un LLM alojado, y ese es el eslabón que se beneficia de una sola clave para más de 200 modelos, precios de lista de los proveedores traspasados con un 0 % de margen para que un cambio de precio de un proveedor te llegue el mismo día, y de un failover automático cuando un proveedor tiene una mala racha a mitad de llamada.

Qué está verificado y qué no

Aquí intervienen tres niveles de evidencia, y aplanarlos es lo que hace que las comparaciones fallen.

Medido de forma independiente. La calidad de transcripción de Voxtral 3 cuenta con cifras de terceros: Artificial Analysis situó a Voxtral Small Transcribe 3 en un 2,1 % de WER en su propio índice, en tercer puesto general a fecha de 21 de octubre de 2026, con Voxtral Mini Transcribe 3 en un 2,2 %. Su TTS quedó en el puesto 13 de la arena Provider Voice con 1.217 Elo y en el puesto 14 de Controlled Voice con 1.066 —en la mitad de la tabla, y conviene decirlo claramente, dado que la publicación en redes sociales de Mistral lo describió como uno de los doce mejores.

Reportado por el proveedor, no reproducido. Todas las cifras de LFM3-Audio-2B en este artículo son propias de Liquid: el WER en inglés de 6.23, la cifra multilingüe de 6.03, el 3.83 de UTMOSv2, el 73.13 de VoiceBench, la evaluación interna de invocación de herramientas de 58.50 y el 50.60 de MMAR. No hay entrada de Artificial Analysis para el modelo en el momento de escribir esto, y ningún tercero ha publicado una reproducción. Considéralas afirmaciones, no mediciones.

No son comparables en absoluto.El WER en inglés del 6,23 % de Liquid, la cifra del 4,0 % de Mistral en FLEURS y el 2,1 % de Artificial Analysis son tres pruebas distintas sobre tres conjuntos de audio distintos. No los reste. La única comparación con el mismo arnés que Liquid publicó es contra Voxtral Mini 3B —el modelo de pesos abiertos de 2025—. Ahí, el 2B de Liquid obtiene 6,23 frente a los 5,51 de Voxtral en ASR en inglés, pero lo supera en ASR multilingüe por 6,03 a 7,76, en VoiceBench por 73,13 a 65,78, en MMAR por 50,60 a 50,10 y en llamada de herramientas por 58,50 a 44,50.

¿Qué significa realmente "shipped quietly" en este caso?

LFM3-Audio-2B no tuvo un lanzamiento propio, y esa distinción importa si estás decidiendo cuánto confiar en la documentación.

Liquid anunció la familia LFM3 el 27 de octubre de 2026 con una publicación titulada «Presentamos LFM3: todas las modalidades para la inteligencia especializada». El modelo de audio aparece allí como uno de seis, en una sección: no hay una entrada de blog dedicada al LFM3-Audio, ni un lanzamiento separado, ni una página de producto propia. Los pesos y la tarjeta del modelo están completos y son públicos. El listado de Ollama, ollama run lfm3-audio con 2.1 GB, apareció el 28 de octubre sin un anuncio correspondiente por parte de Liquid ni de Ollama, junto con una pull request de llama.cpp que añadía los modelos de audio y omni, con el ASR en vivo pospuesto para una entrega posterior.

El planteamiento es el siguiente: el artefacto es real y está documentado, el lanzamiento fue un párrafo dentro de un anuncio de familia, y el soporte de ejecución local llegó un día después, en silencio. En la práctica, eso significa que la tarjeta del modelo es la autoridad —no una publicación de lanzamiento, porque no la hay—, y la tarjeta es inusualmente específica sobre las limitaciones, lo cual es un punto a su favor. Indica que LiveASR es solo en inglés. Dice que el modelo no está pensado para programación agéntica ni para razonamiento complejo de varios pasos. Remite las tareas con mucha carga de conocimiento a la recuperación. Un proveedor que oculta un modelo débil no suele dejar eso por escrito.

¿Quién debería tomar cuál?

Elija LFM3-Audio-2B si el audio no puede salir del dispositivo, si necesita un solo modelo que escuche y hable sin tener que combinar dos servicios, si sus idiomas están entre sus dieciocho y si su volumen es lo bastante alto como para que un costo fijo de hardware supere a una factura por minuto. También es la opción adecuada para prototipar una interfaz de voz sin ninguna adquisición —2,1 GB y un comando de Ollama—. Acepte que su ASR en inglés está por detrás de la última generación de Voxtral abierto, que el streaming es solo en inglés y que ningún evaluador independiente ha comprobado ninguna de sus cifras.

Elige Voxtral 3 si estás creando un agente telefónico en lugar de una función del modelo. La suite existe para ser ensamblada: transcriptor, modelo de razonamiento, TTS, sobre SIP y WebRTC, con interrupción y detección de fin de turno ya resueltas. Elígela también si necesitas más de 50 idiomas, diarización, sesgo de contexto para nombres y jerga, o clonación de voz — cuatro capacidades que LFM3-Audio-2B no ofrece de ninguna forma. El compromiso es que no puedes descargarla, no puedes inspeccionarla y tu costo se escala linealmente con cada minuto que sirves, para siempre.

Usa ambos si la arquitectura lo permite, y a menudo lo hace. Ejecuta LFM3-Audio-2B en el dispositivo para la palabra de activación, el dictado local y la ruta sin conexión; envía las llamadas que necesitan cobertura multilingüe, diarización o una voz clonada a Voxtral 3. Los dos no compiten por el mismo espacio en una pila. Uno es el modelo dentro de tu producto; el otro es el proveedor al que llamas cuando el producto es una línea telefónica.

La comparación a la que hay que prestar atención

Dos cosas resolverían esto como es debido, y ninguna de las dos existe todavía.

El primero es una evaluación independiente de LFM3-Audio-2B con el mismo harness que Artificial Analysis utiliza para los modelos Voxtral 3. Ese único número —su índice WER en una prueba compartida— convertiría la afirmación más trascendental de la tabla de Liquid de una aseveración del proveedor en una medición, y te diría si un modelo de 2B que se ejecuta en un portátil está realmente a menos de un punto de un 4B alojado.

El segundo es si Mistral llegará alguna vez a publicar los pesos de Voxtral 3. Los modelos de audio de 2025 de la compañía eran abiertos bajo Apache 2.0; la suite de 2026 no lo es. Si eso se invierte, la comparación justa entre abierto y abierto que Liquid decidió publicar vuelve a estar sobre la mesa, y la advertencia central de este artículo caduca.

Hasta que ocurra una de esas cosas, la posición defendible es la poco glamurosa. En amplitud de capacidades, Voxtral 3 gana por una distancia que ninguna disputa sobre benchmarks puede cerrar: cincuenta idiomas, diarización, clonación, telefonía. En capacidad de despliegue, LFM3-Audio-2B gana por un margen igual de grande, porque es el único de los dos que puedes tener en tus manos. Todo lo que queda en medio es una cifra de la tabla de un proveedor junto a una cifra de la de otro, y la respuesta honesta a «cuál es más preciso» es que nadie lo ha medido.