LFM3-Audio-2B vs Qwen-Audio-3.1 : un seul point de contrôle, de nombreux compteurs

Si vous demandez combien coûte Qwen-Audio-3.1, la première réponse honnête est une autre question : laquelle ? Le nom recouvre une gamme vocale hébergée à plusieurs niveaux — un modèle duplex temps réel, un niveau flash temps réel, la transcription en streaming et à partir de fichiers, et deux modèles de synthèse — et chaque niveau a sa propre grille tarifaire. LFM3-Audio-2B est l’objet inverse : un seul checkpoint 2B de Liquid AI, publié le 27 octobre 2026 au sein de la famille LFM3 de six modèles, téléchargeable sous licence LFM Open License v1.0, avec une build Ollama de 2,1 Go et aucun compteur à l’appel où que ce soit. Les comparer n’est pas comparer la qualité audio. C’est comparer deux formes de facturation, et le calcul donne un résultat différent selon que votre trafic est régulier, en pics ou encore hypothétique.

Les modalités de publication comptent aussi, car elles définissent les attentes en matière de documentation. Qwen-Audio-3.1 est axé catalogue : les ID de modèle sont documentés dans Alibaba Cloud Model Studio, décrits en une ou deux lignes chacun, facturés au token, sans poids publiés ni nombre de paramètres public. LFM3-Audio-2B est axé poids : un dépôt, une fiche modèle, une pull request fusionnée dans llama.cpp et un paragraphe dans le billet de présentation de la gamme de son fournisseur. L'une est une gamme de produits que vous louez. L'autre est un fichier que vous possédez. Toutes les différences pratiques ci-dessous en découlent.

Ce que le nom couvre en réalité

Qwen-Audio-3.1 n'est pas un point de terminaison unique, et le traiter comme tel est l'erreur la plus courante dans les comparaisons. Les différents niveaux remplissent des fonctions différentes :

• qwen-audio-3.1-realtime-flash — parole duplex en temps réel, texte et audio en entrée et en sortie, avec appel de fonctions, recherche web, clonage vocal et trois modes de détection de tour de parole. C'est l'équivalent le plus proche de LFM3-Audio-2B, et le niveau de gamme dont cet article donne le prix.

• qwen-audio-3.1-realtime-plus — l’offre temps réel la plus complète. Alibaba documente pour celle-ci une conversion audio à 12,5 tokens par seconde et facture un tarif de sortie nettement plus élevé que celui de l’offre flash. Produit différent, facture différente.

• qwen-audio-3.1-asr-flash-streaming — reconnaissance sur un flux, avec résultats intermédiaires, VAD, mots-clés et suppression des disfluences. Pas de sortie vocale.

• qwen-audio-3.1-asr-flash-filetrans — la même tâche de reconnaissance traitée par lots sur un fichier.

• Qwen-Audio-3.1-TTS et TTS-Next — synthèse, le modèle Next étant présenté comme un modèle « Audiogen » pour la voix, les effets sonores et l’ambiance en une seule passe à 48 kHz.

LFM3-Audio-2B regroupe ces tâches dans un seul checkpoint. La reconnaissance, la synthèse, la traduction, la compréhension audio et les appels d’outils vocaux sont des modes du même modèle 2B, sélectionnés par le prompt et par le profil de service. Il n’y a pas de SKU à choisir ni de compteur distinct pour la parole par rapport à l’écoute. Le compromis consiste à sacrifier la granularité au profit de la simplicité : vous ne pouvez pas payer uniquement pour la reconnaissance lorsque la reconnaissance est tout ce dont vous avez besoin, car vous exécutez de toute façon le modèle entier.

L'addition, calculée

Alibaba publie les tarifs de qwen-audio-3.1-realtime-flash en USD par million de tokens. À Singapour : entrée texte 0,23 USD, entrée audio 0,93 USD, sortie texte 0,70 USD, sortie audio 1,87 USD. Pékin est légèrement moins cher, à 0,212, 0,848, 0,636 et 1,696 USD. Les limites de débit sont de 60 requêtes par minute et de 100 000 tokens par minute, sans plafond distinct pour les connexions WebSocket simultanées. La fenêtre de contexte est de 262 144 tokens, avec un maximum d’entrée de 245 760 et de sortie de 16 384 — mais l’historique audio est plafonné à 50 tours ou 300 secondes cumulées, ce qui est la limite réellement atteinte lors d’une longue conversation.

LFM3-Audio-2B n'a pas de grille tarifaire, car Liquid ne le vend pas comme point de terminaison. Le coût, c'est la machine sur laquelle vous l'exécutez, le téléchargement de 2,1 Go et le seuil de licence : gratuit pour un usage commercial en dessous de 10 M$ de revenu annuel, payant au-delà. Sur un ordinateur portable, c'est proche de zéro ; sur un GPU, c'est ce que vous payez déjà pour de la capacité inactive. Le codec est l'argument d'efficacité qu'il vaut la peine de connaître — LiquidCodec compresse 80 ms de parole en 12 tokens et décode à environ 87× le temps réel sur un seul thread CPU d'un M4 Max — mais cela mesure le codec, pas le modèle de langage, et ne doit pas être interprété comme le débit de bout en bout sur votre matériel.

Maintenant, la partie qui tranche. Un modèle temps réel hébergé facture au token de conversation, y compris l’audio qu’il génère, et le coût d’un agent vocal se trouve dans la sortie. Un modèle auto-hébergé facture à l’heure de matériel, que quelqu’un parle ou non. Pour un centre de contact fonctionnant à charge constante, le coût fixe s’amortit et le montant horaire peut passer sous n’importe quelle grille tarifaire. Pour un produit à trafic en pics — une équipe de conformité qui transcrit mille appels le dernier jour du trimestre et rien pendant onze semaines —, la facturation à l’appel l’emporte, parce que les GPU facturent pendant le silence. Aucune des deux formes n’est moins chère en général. Elles sont moins chères à des taux d’utilisation différents.

Couverture, latence et les affirmations qui ne tiennent pas

• Langues — LFM3-Audio-2B : 18 langues, 19 locales, avec un ASR en direct limité à l’anglais et une traduction plus performante vers l’anglais ou depuis l’anglais. Qwen-Audio-3.1 : la documentation d’Alibaba pour l’offre flash en temps réel ne publie pas de liste de langues ; ses paliers de reconnaissance sont documentés autour du mandarin, du cantonais, du sichuanais et d’autres dialectes chinois, avec détection automatique de la langue. Considérez la couverture comme inconnue pour Qwen tant que la documentation ne l’énumère pas.

• Latence — LFM3-Audio-2B : « aussi bas que 50 ms » de temps jusqu’au premier token, mesuré par le fournisseur sur du matériel Apple nommé, sans percentile ni harnais de mesure. Qwen-Audio-3.1 : le chiffre phare de 92 ms jusqu’au premier token annoncé par la famille d’Alibaba provient de son propre benchmark à forte concurrence sur une spécification 0,6B, et non de tests tiers. Aucun des deux n’est un chiffre typique.

• Duplex — LFM3-Audio-2B : requête-réponse avec streaming ; un encodeur causal permet le préremplissage pendant que vous parlez, mais aucune prise en charge du barge-in n’est revendiquée. Qwen-Audio-3.1 realtime-flash : explicitement duplex, avec VAD côté serveur et un mode smart-turn qui gère les interruptions.

• Contexte — LFM3-Audio-2B : 32K jetons, entrée plus sortie. Il ne s'agit pas du chiffre de 256K répété dans certaines présentations de LFM3 ; celui-ci appartient au modèle texte. Qwen-Audio-3.1 realtime-flash : 262K jetons, avec la limite d'historique audio ci-dessus.

Cette ligne duplex est celle qui change l’architecture. Si votre produit doit pouvoir être interrompu en milieu de phrase, LFM3-Audio-2B n’a pas la bonne forme de modèle, et aucun prompt n’y remédie. Si votre produit lit un enregistrement et répond à une question à son sujet, le duplex n’est pas pertinent et le checkpoint 2B est l’objet le plus simple.

Qui a mesuré quoi

Liquid publie six chiffres pour LFM3-Audio-2B, tous comparés à son propre modèle précédent, LFM2.5-Audio-1.5B : WER ASR en anglais 6,23 (contre 6,13, stable), WER/CER multilingue 6,03, UTMOSv2 3,83 (contre 3,22), VoiceBench 73,13 (contre 55,17), MMAR 50,60 (contre 25,85) et une évaluation interne d’appel d’outils à 58,50. Aucun ensemble de test, harnais ni variance n’est précisé. Nous n’avons pu trouver aucune reproduction indépendante d’une quelconque ligne.

Les éléments de preuve de Qwen sont d’une autre nature. Il existe un rapport technique, « Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction », qui indique que le taux de réussite des tâches sur une adaptation semi-duplex de transcription parole-texte de τ-Voice passe de 78,4 % à 82,0 %, et que le taux de réponse à de la parole de fond sur Full-Duplex-Bench v1.5 chute de 73,0 % à 13,0 %. Ce sont les deux chiffres énoncés dans le résumé ; le corps du rapport contient des tableaux par modèle, mais je ne les ai pas vérifiés à l’aide d’un banc d’essai, et l’article est un rapport de fournisseur plutôt qu’une évaluation indépendante.

Ainsi, le tableau des scores honnête est le suivant : un modèle dispose d’un tableau de résultats de fournisseur sans publication, l’autre d’une publication de fournisseur sans banc d’essai reproductible, et aucun des deux n’apparaît dans un classement neutre sous son propre nom. Tout article qui place leurs chiffres dans des colonnes adjacentes dispose côte à côte deux affirmations non vérifiées et laisse la mise en page faire le travail de persuasion.

Là où un routeur trouve sa place, précisément

Ni LFM3-Audio-2B ni Qwen-Audio-3.1 ne figurent dans le catalogue OrcaRouter ; il n’y a donc aucune affirmation de routage à formuler concernant la couche vocale elle-même. La couche située au-dessus est une autre histoire. Un produit vocal construit sur l’un ou l’autre de ces modèles a toujours besoin d’un modèle texte pour résumer, classifier, extraire ou décider de ce que l’agent dira ensuite, et c’est cet appel qui fait réellement varier le coût et la fiabilité.

OrcaRouter met plus de 200 modèles texte et multimodaux derrière une seule clé au prix catalogue du fournisseur, sans marge, avec bascule automatique entre fournisseurs et un DSL de routage capable de composer plusieurs modèles en un seul appel. Pour cette confrontation, le schéma utile est un A/B : exécuter les mêmes conversations enregistrées via qwen-audio-3.1-realtime-flash et via LFM3-Audio-2B sur votre propre matériel, puis envoyer les deux transcriptions au même modèle en aval sur le même endpoint. La comparaison reste propre, et la partie texte ne devient jamais la variable que vous avez oublié de contrôler.

Quelle facture choisir

Choisissez Qwen-Audio-3.1 realtime-flash si vous avez besoin d’une conversation duplex, d’une pile de reconnaissance pensée d’abord pour le chinois, d’un contexte de 262K ou d’un SLA fournisseur — et si votre trafic est suffisamment irrégulier pour que la facturation au token soit un atout. Lisez attentivement les noms des niveaux avant d’annoncer un prix : realtime-plus et realtime-flash ne sont pas le même produit, et c’est le tarif de sortie qui détermine la facture d’un agent vocal.

Choisissez LFM3-Audio-2B si vous devez posséder le modèle, l'exécuter hors ligne, éviter une facturation à la minute ou synthétiser 18 langues sur un ordinateur portable. Acceptez le contexte de 32K, l'ASR en direct uniquement en anglais, le seuil de licence et le fait que sa précision de reconnaissance se classe au milieu du tableau dans la comparaison de son propre fournisseur.

Attendez, si vous avez besoin d’un chiffre défendable devant une équipe d’achats. Aucun des deux modèles n’en a encore. La première évaluation indépendante sur un corpus audio partagé — pas un tableau de fournisseur, pas un document de fournisseur — vaudra plus que tous les chiffres ci-dessus, et c’est ce qu’il faudra surveiller avant que l’un ou l’autre ne devienne un standard.