LFM3-Audio-2B vs Ming-3.0-audio-flash : un checkpoint pour ordinateur portable face à une oreille à huit GPU

Le premier nombre qui sépare LFM3-Audio-2B de Ming-3.0-audio-flash n'est pas un benchmark. C'est huit. Ming-3.0-audio-flash, le mixture-of-experts audio-langage de 126B paramètres d'InclusionAI avec 6,5B actifs, nécessite un parallélisme tensoriel sur huit H800 de 80 Go pour servir son profil complet de contexte 128K avec sortie vocale — quatre GPU vous offrent un chemin SGLang validé, mais uniquement texte, car le module Talker ne rentre pas. LFM3-Audio-2B, que Liquid AI a livré le 27 octobre 2026 au sein de la famille LFM3 de six modèles, est un checkpoint 2B qui arrive sous la forme d'un téléchargement Ollama de 2,1 Go. Les deux sont à poids ouverts. Un seul des deux est une décision qu'un développeur seul peut prendre cet après-midi.

Cet écart, c’est tout l’enjeu de la comparaison, et il vaut la peine de résister à l’erreur évidente qui consisterait à y voir un classement de qualité. Ming-3.0-audio-flash entend bien plus que LFM3-Audio-2B : de longs enregistrements, plusieurs locuteurs, de la musique, des scènes acoustiques, des sons non vocaux. LFM3-Audio-2B est conçu pour une boucle vocale sur un ordinateur portable — reconnaissance, synthèse, traduction et appels d’outils vocaux en 18 langues. Ming est une oreille à laquelle une bouche est attachée ; le modèle de Liquid est une bouche à laquelle une oreille est attachée. La question est de savoir quel travail vous avez réellement.

Deux navires silencieux, deux formes de silence différentes

Aucun des deux modèles n’a eu de lancement conventionnel, et la différence dans leur façon d’apparaître vous indique à quoi vous attendre de chaque dépôt.

Ming-3.0-audio-flash a été téléversé sur Hugging Face le 3 septembre 2026 sans aucune annonce, puis est resté inutilisable pendant six semaines, jusqu’à ce que le code de serving, les exemples et la fiche réécrite soient mis en ligne entre le 15 et le 19 octobre. Le dépôt GitHub a été créé le 15 ; la fiche était encore en cours de modification le 19. La page HF affiche 22 téléchargements le mois dernier. Il est sous licence MIT, et les fichiers YAML de déploiement de référence se trouvent dans le dépôt.

LFM3-Audio-2B est apparu le 27 octobre comme l’un des six modèles du lancement de la famille Liquid, partageant le socle LFM3-1.7B-Base. La branche audio a eu droit à un paragraphe dans l’article sur la famille ainsi qu’à une fiche modèle ; il n’existe ni annonce audio autonome ni entrée tarifaire pour ce modèle sur le site de Liquid. En l’espace d’un jour, il disposait d’une pull request llama.cpp fusionnée (#31257) et d’une build Ollama. La différence tient à la rapidité de l’outillage, non à la profondeur de la documentation : Ming propose des panneaux de benchmark sous forme d’images, Liquid un tableau à six lignes sans harnais nommé.

Ce que chacun peut entendre

• Entrée — LFM3-Audio-2B : texte ou audio à 16 kHz. Ming-3.0-audio-flash : audio plus une instruction textuelle.

• Sortie — LFM3-Audio-2B : texte, parole à 24 kHz, ou texte et parole entrelacés. Ming-3.0-audio-flash : texte, ou texte avec parole synthétisée via le Talker facultatif.

• Contexte — LFM3-Audio-2B : 32 K jetons, entrée et sortie. Ming-3.0-audio-flash : 128 K jetons, porté de 8 192 à cette valeur dans un commit d’octobre.

• Langues — LFM3-Audio-2B : 18 langues répertoriées comme 19 locales, car l’anglais apparaît en variantes américaine et britannique ; l’ASR en direct est uniquement en anglais. Ming-3.0-audio-flash : chinois et anglais, y compris accents et dialectes — le cantonais, le shanghaïen, le hunanais et le hokkien sont cités dans la couverture de la famille.

Licence — LFM3-Audio-2B : LFM Open License v1.0, gratuite pour un usage commercial en dessous de 10 M$ de chiffre d'affaires annuel. Ming-3.0-audio-flash : MIT.

• Configuration matérielle minimale — LFM3-Audio-2B : utilisable sur CPU via GGUF, 2,1 Go. Ming-3.0-audio-flash : huit H800 de 80 Go pour le profil audio complet, quatre pour le texte seul.

C’est sur la ligne des langues que les deux sont le plus souvent mal interprétés. Dix-huit langues paraissent plus larges que deux, et pour la synthèse, elles le sont. Mais les 18 sont surtout européennes, auxquelles s’ajoutent le japonais, le coréen et le chinois, et Liquid limite explicitement l’ASR en direct à l’anglais. Les deux langues de Ming s’accompagnent d’une couverture dialectale qui compte davantage dans un centre de contact chinois qu’une longue liste de paramètres régionaux. Si votre audio est du mandarin avec alternance codique, l’argument linguistique de Ming, qui semble étroit, est le plus fort ; si vous avez besoin d’une voix néerlandaise ou suédoise sur un ordinateur portable, LFM3-Audio-2B est le seul des deux à le revendiquer.

Le seul chiffre qui concorde, et pourquoi cela ne constitue toujours pas un verdict

Les deux fournisseurs publient une valeur VoiceBench, ce qui en fait l’équivalent le plus proche d’un axe commun ici. Ming-3.0-audio-flash annonce 86,74. LFM3-Audio-2B annonce 73,13. À première vue, cela représente un écart de 13,6 points en faveur de Ming.

Considérez cela comme une hypothèse, non comme un résultat. Les deux chiffres proviennent de versions différentes du harnais, de prompts différents et de réglages de décodage différents, et aucun des deux dépôts ne nomme la configuration exacte. Les propres documents de Ming avertissent que les modèles de comparaison ont été reproduits dans le cadre de la configuration d’évaluation d’inclusionAI et peuvent différer des rapports officiels en raison des prompts, du décodage, des versions et des pipelines. Le tableau de Liquid ne nomme pas du tout son jeu de test. Comparer le chiffre d’un fournisseur avec celui d’un autre fournisseur revient à ordonner deux affirmations, non à mesurer deux modèles.

La même prudence s’applique au reste du panel de Ming : CER moyen en ASR chinois 3,45, WER anglais 3,69, CER dialectal 9,40, BigBenchAudio 99,40, MMAU 82,00 — tous rapportés par le fournisseur, tous affichés à titre indicatif. Face au WER anglais de 6,23 et au MMAR de 50,60 de LFM3-Audio-2B, la tendance est cohérente : Ming est le meilleur auditeur. L’ampleur n’est établie par rien de ce que l’un ou l’autre laboratoire a publié.

Ce que la licence apporte, et ce qu’elle coûte

MIT est la licence la plus nette, et l’écart est loin d’être serré. La LFM Open License v1.0 est gratuite en dessous d’un seuil de revenus et exige une licence commerciale payante au-dessus ; MIT n’a aucun seuil. Pour une entreprise qui prévoit de dépasser $10M, cette différence est un poste dans le budget achats, pas une note de bas de page.

La licence constitue également la moitié la plus faible du coût. La configuration minimale de huit GPU de Ming est une décision d’investissement assortie d’un plan d’amortissement, d’une baie et d’un bipeur. Le téléchargement de 2,1 Go de Liquid tourne sur un CPU d’ordinateur portable via GGUF, avec MLX 4-bit pour Apple silicon et ONNX Runtime pour la portabilité. Le coût marginal de la millième heure d’audio est presque nul dans les deux cas ; le coût fixe diffère de trois ordres de grandeur.

Cela ne rend pas Ming coûteux. Cela fait de Ming un achat différent. Si votre charge de travail est stable et que votre audio ne peut pas quitter le bâtiment, posséder une oreille 126B peut être moins cher que de payer à la minute pendant des années — le point de bascule est un calcul d’utilisation, pas un benchmark. Si votre charge de travail est un prototype, une démo ou un produit dont le volume audio est encore inconnu, le profil à huit GPU est un pari placé avant que les preuves n’arrivent.

Essayer avant d'acheter

Le problème pratique est le même pour les deux modèles : impossible de savoir, à partir d’une fiche de modèle, si l’un ou l’autre fonctionne sur vos enregistrements. La chaîne de service de Ming suppose un matériel que la plupart des équipes n’ont pas ; celle de Liquid fonctionne partout, mais n’a fait l’objet d’aucune évaluation indépendante. Dans les deux cas, la solution la moins coûteuse consiste à mesurer sur un petit échantillon avant de s’engager.

OrcaRouter n’héberge aucun de ces checkpoints, donc l’argumentaire de routage ne s’applique pas à la couche audio elle-même. Il s’applique un cran au-dessus. Un pipeline vocal est un modèle audio plus un modèle texte qui classe, résume ou route ce qui a été entendu, et c’est ce second appel où un routeur justifie sa place : plus de 200 modèles derrière une seule clé au prix catalogue des fournisseurs, sans majoration, avec basculement automatique entre fournisseurs, et un DSL de routage si vous voulez en combiner plusieurs en un seul appel. Faites passer vos vingt pires enregistrements dans le modèle audio, puis faites passer les transcriptions dans le même modèle en aval sur le même endpoint — cela garde la comparaison propre et ne coûte presque rien.

Lequel choisir

Choisissez LFM3-Audio-2B si le modèle doit tourner sur une machine que vous possédez déjà, si vous avez besoin d’une sortie vocale dans une langue que Ming ne couvre pas, ou si vous prototypez une boucle vocale d’appel d’outils et souhaitez que le modèle soit sur la même machine que les outils. Acceptez que la partie reconnaissance soit en milieu de tableau et que l’ASR en direct soit uniquement en anglais et reste une pull request de suivi dans llama.cpp.

Choisissez Ming-3.0-audio-flash si la tâche relève de la compréhension plutôt que de la conversation : réunions longues, enregistrements bruyants à plusieurs locuteurs, raisonnement audio, ou charge de travail en chinois où la couverture des dialectes compte. Prévoyez les huit GPU, ou acceptez le profil texte uniquement à quatre GPU et renoncez au Talker. Ensuite, réalisez votre propre évaluation avant de croire au panel de l’un ou l’autre fournisseur.

Ne choisissez ni l’un ni l’autre, pour l’instant, si vous ne pouvez pas nommer laquelle de ces deux tâches est la vôtre. Les modèles ont respectivement quatre jours et six semaines, la documentation des deux est plus mince que les capacités qu’ils revendiquent, et la première comparaison directe indépendante sur un corpus partagé vaudra plus que tous les chiffres de cet article. En attendant qu’elle existe, le seuil matériel minimal est le départage le plus honnête disponible : l’un des deux tient sur votre ordinateur portable, et l’autre tient dans une baie.