LFM3-Audio-2B vs Dessa : l'un que vous pouvez télécharger, l'autre que vous ne pouvez qu'écouter

Chez Liquid AI, LFM3-Audio-2B est un checkpoint de 2 milliards de paramètres sous licence ouverte, avec un dépôt Hugging Face et une version de 2,1 Go que l’on peut récupérer sur un ordinateur portable. Chez Block, Dessa est un modèle vocal full-duplex annoncé le 23 octobre 2026 derrière une liste d’attente, sans poids, sans nombre de paramètres, sans API et sans benchmark publié. Mettez-les côte à côte et la comparaison habituelle s’effondre avant même d’avoir commencé : l’un peut être exécuté, fine-tuné et mesuré par n’importe qui lisant ceci, tandis que l’autre ne peut qu’être écouté. La question utile n’est pas de savoir lequel sonne mieux. C’est ce que chaque entreprise a choisi de publier, et ce que ce choix vous permet de faire lundi matin.

Les deux arrivent avec la même étiquette d'avertissement, mais en provenance de directions opposées. LFM3-Audio-2B a été publié le 27 octobre 2026 dans le cadre de la livraison de la famille LFM3, forte de six modèles, et la branche audio n'a eu droit qu'à un paragraphe de l'article de Liquid sur la famille, plus une fiche de modèle. Il n'existe aucune annonce autonome « Introducing LFM3-Audio », aucune entrée tarifaire pour l'audio sur le site de Liquid et — à l'heure où j'écris ces lignes — aucun benchmark indépendant du modèle, où que ce soit. Dessa a le problème inverse : une douzaine d'enregistrements de conversations triés sur le volet et presque aucune spécification. Aucune des deux entreprises n'a donné à un tiers de quoi reproduire un résultat.

Ce que chacun a réellement publié

Enlevez les adjectifs, et le bilan est mince. Tout ce qui suit provient de la fiche modèle de Liquid, de son billet de présentation de la famille ou de l’annonce de Block ; rien n’a été vérifié de façon indépendante.

• Ce que vous recevez — LFM3-Audio-2B : un checkpoint BF16, des conversions 4 bits GGUF et MLX, un tokenizer et des poids de codec dans un répertoire audio_tokenizer séparé. Dessa : un formulaire de liste d'attente et un ensemble de clips vidéo.

• Taille — LFM3-Audio-2B : 2 milliards de paramètres, 2,1 Go pour la version Ollama. Dessa : non communiqué. Block affirme qu'il tient sur un MacBook Pro M4 Max, ce qui implique un modèle suffisamment petit pour 128 Go de mémoire unifiée, mais il s'agit d'une déduction, pas d'un chiffre.

• Entrées et sorties — LFM3-Audio-2B : texte ou audio à 16 kHz en entrée ; texte, parole à 24 kHz, ou texte et parole entrelacés en sortie. Dessa : audio en entrée, audio en sortie, sans texte intermédiaire à aucun moment.

• Contexte — LFM3-Audio-2B : 32K tokens couvrant l’entrée et la sortie. Il ne s’agit pas du chiffre de 256K répété dans certaines présentations de LFM3 ; celui-ci concerne le modèle texte, LFM3-1.7B. Dessa : non publié.

• Licence — LFM3-Audio-2B : LFM Open License v1.0, gratuite pour un usage commercial en dessous de 10 M$ de revenu annuel. Dessa : pas de poids, donc aucune licence à lire.

• Benchmark — LFM3-Audio-2B : un tableau de fournisseurs à six lignes. Dessa : aucun.

Cette dernière ligne est celle où la comparaison devient intéressante. Liquid publie des chiffres et aucun témoin indépendant. Block publie des témoins — des journalistes qui ont écouté les mêmes extraits — et aucun chiffre. Un lecteur qui cherche à choisir entre les deux choisit en réalité quel type de lacune tolérer.

Le seul avantage de Dessa qui ne peut pas être téléchargé

Dessa est conçu pour le duplex intégral : il écoute pendant qu’il parle. Le modèle peut être interrompu au milieu d’une phrase, peut lâcher un « c’est ça » ou un « mm-hm » pendant que vous parlez encore, et peut caler son rythme sur le vôtre. Les démos de Block s’appuient fortement là-dessus — un rire au milieu de sa propre phrase, un changement de volume sur demande, un titre de film terminé pour un interlocuteur qui l’avait oublié. The Verge, en écoutant les mêmes enregistrements, a trouvé ces conversations « un peu gênantes et troublantes », ce qui décrit assez bien un système qui apprend le timing en public.

LFM3-Audio-2B ne prétend pas cela. C’est une architecture requête-réponse avec streaming : un encodeur audio causal lui permet de préremplir pendant que vous parlez, ce qui explique le chiffre de Liquid « dès 50 ms » pour le temps jusqu’au premier token, et LiquidCodec renvoie la parole en streaming. Diffuser une réponse en streaming n’est pas la même chose que gérer l’interruption. Si votre produit a besoin d’une conversation que l’on peut interrompre en parlant par-dessus, LFM3-Audio-2B n’est pas le bon type de modèle, et aucun fine-tuning ne changera l’interface.

Ce que la démo de Dessa ne peut pas vous dire, c’est à quelle fréquence elle se comporte ainsi lorsque personne ne sélectionne l’extrait. Block affirme que les enregistrements sont en direct, non pilotés et sous-titrés après coup, ce qui exclut la forme la plus grossière de fraude à la démonstration. Cela n’exclut pas la sélection. Une équipe qui enregistre de nombreuses conversations et publie les meilleures a prouvé que de bonnes conversations existent, pas que le modèle est fiable.

Les chiffres publiés par Liquid, et ce qu’ils valent

La fiche modèle de Liquid comporte six chiffres, dont quatre avec une valeur du prédécesseur. Tous comparent LFM3-Audio-2B à LFM2.5-Audio-1.5B, le modèle qu'il remplace. Aucun ensemble de test, harnais ni variance n'est nommé.

• ASR anglais, taux d'erreur sur les mots — 6,23 contre 6,13. Stable. La seule ligne qui n'a pas bougé, et un écart suffisamment faible pour relever du bruit d'échantillonnage.

• ASR multilingue, WER/CER — 6,03. Aucun chiffre publié pour le prédécesseur.

• TTS anglais, UTMOSv2 — 3,83 contre 3,22. Un écart de 0,6 point, bien au-delà du bruit, sur une échelle où 4,0 est généralement considéré comme proche de l’humain.

• VoiceBench — 73,13 contre 55,17.

• Compréhension audio, MMAR — 50,60 contre 25,85. Presque le double.

• Appel d'outils depuis la parole, évaluation interne — 58.50. Aucun chiffre pour le prédécesseur.

Face aux autres modèles du propre tableau de Liquid, il s’agit d’un bon petit modèle plutôt que d’un leader : Voxtral Mini 3B affiche un WER de 5,51 et NVIDIA Audex 2B affiche 5,99, tous deux meilleurs que 6,23 ; Qwen2.5-Omni 3B obtient 54,41 en compréhension audio ; Gemma 4 E4B obtient 72,40 en appel d’outils. Le résumé honnête est le suivant : une reconnaissance compétitive, une nette amélioration de la qualité vocale et un raisonnement solide pour un 2B — pas un record dans une seule colonne.

Dessa n’a pas de ligne équivalente, et cette absence n’est pas un détail technique. Un modèle uniquement vocal entraîné sans texte n’a pas d’interface native pour un schéma JSON, un PDF ou un appel d’API. Block reconnaît les questions ouvertes sur sa propre page : avec quelle efficacité un modèle uniquement vocal apprend des faits et des langues, et si l’apprentissage en contexte survit sans préentraînement sur du texte. C’est là la différence entre un partenaire de conversation convaincant et un assistant généraliste, et aucune des deux entreprises n’a publié le test qui permettrait de trancher.

Licence, accès et qui peut construire sur quoi

La licence de LFM3-Audio-2B est la raison pratique pour laquelle il remporte la plupart des discussions d'achat avant même que la qualité ne soit évoquée. La LFM Open License v1.0 autorise l'usage commercial en dessous de 10 M$ de chiffre d'affaires annuel et exige une licence payante au-delà. Les poids sont sur Hugging Face ; llama.cpp a fusionné le support dans la PR #31257 le 27 octobre ; Ollama liste une build de 2,1 Go ; Transformers nécessite la version 5.20.2 ou plus récente avec trust_remote_code. C'est l'exigence de code personnalisé qu'il faut verrouiller : le modèle se charge depuis son propre module et lit les poids du codec dans un répertoire séparé, si bien qu'un environnement non verrouillé est un ticket de support qui ne demande qu'à arriver.

Dessa n’a pas de voie comparable. L’accès passe par une liste d’attente et un accès anticipé pour un petit groupe de chercheurs en sécurité de l’IA qui en font la demande avec une adresse e-mail institutionnelle. Les raisons déclarées de Block — la curiosité, l’interaction humain-IA, la sécurité — sont compatibles avec le fait de garder dans une petite pièce une voix qui lit les émotions. Le compromis, c’est que l’accès restreint et l’évaluation indépendante tirent dans des directions opposées. Tant qu’un groupe extérieur n’aura pas publié de chiffres, le dossier public se résume aux extraits du fournisseur, plus les impressions de journalistes sur les extraits du fournisseur.

Il existe un coût de second ordre qui apparaît rarement dans les comparaisons. Un modèle téléchargeable est une dépendance dont vous êtes propriétaire : 2,1 Go, un processus à maintenir en fonctionnement, pas de SLA, et un seuil de licence à surveiller à mesure que vous grandissez. Un modèle en liste d’attente n’est pas du tout une dépendance — c’est un résultat de recherche que vous pouvez citer sans pouvoir le livrer. Pour une équipe qui choisit une pile vocale, ce ne sont pas deux points sur une même ligne. Ce sont deux décisions différentes.

Ce dont un agent vocal a besoin et qu’aucun des deux modèles ne fournit seul

Les systèmes vocaux de production sont rarement un seul modèle. Que le front-end soit duplex ou en requête-réponse, la conversation ne cesse de confier du travail à des modèles textuels ordinaires : une recherche, une extraction, une vérification de politique, un appel de raisonnement derrière une pause maintenue. C’est dans cette couche de délégation que réside la variance des coûts, et où une mauvaise heure chez un fournisseur devient votre panne.

Pour être précis sur notre propre couverture : LFM3-Audio-2B n'est pas sur OrcaRouter, et Dessa n'est pas du tout une API. Ce qu'OrcaRouter fournit, c'est la couche textuelle à laquelle un agent vocal délègue — plus de 200 modèles derrière une seule clé au prix catalogue du fournisseur, sans marge ajoutée, un basculement automatique en cas de défaillance d'un fournisseur, un DSL de routage qui compose plusieurs modèles en un seul appel, et une fusion de modèles lorsque le jugement d'un seul modèle ne suffit pas. Si vous faites du prototypage avec LFM3-Audio-2B en local, la moitié « appel d'outils » de la boucle est la partie que vous pouvez dès aujourd'hui placer derrière ce point de terminaison ; la moitié audio reste sur votre machine.

Le test qui permettrait de trancher

Pour LFM3-Audio-2B, les preuves manquantes sont précises : une exécution WER indépendante sur un ensemble standard, une mesure de latence sur du matériel qui n’est pas un M4 Max, et une reproduction du gain UTMOS par une personne qui ne travaille pas pour Liquid. Le suivi live-ASR dans llama.cpp compte aussi, car la transcription par lots est la voie prise en charge aujourd’hui et l’anglais uniquement est la limite lorsque le streaming arrivera.

Pour Dessa, la liste est plus courte et plus difficile : un ensemble de conversations tenu à l’écart, une latence de bout en bout incluant la première réaction audible, la reprise après interruption, l’intelligibilité dans le bruit, un budget de données et de calcul, et une certaine mesure de la rétention factuelle. Chacun de ces éléments transformerait une bande de démonstration en évaluation. Tous ensemble en feraient un produit.

D’ici là, la description exacte est étroite et utile. LFM3-Audio-2B est un modèle vocal 2B que vous pouvez télécharger en une minute, qui parle mieux que le modèle qu’il remplace, écoute à peu près aussi bien, et n’a pas encore de témoins indépendants. Dessa est la démo vocale la plus intéressante du mois, sans moyen de la vérifier. Si vous devez développer ce trimestre, une seule de ces phrases se termine par un déploiement.