LFM3-Audio-2B vs StepAudio 3 : le 2B ouvert face à la gamme de produits notée

StepAudio 3 Realtime a un chiffre associé à ce sur quoi les produits vocaux sont jugés : 98,9 % au classement Conversational Dynamics d’Artificial Analysis, première place. LFM3-Audio-2B dispose d’une licence. Ce n’est pas un contraste rhétorique — c’est l’état réel des preuves. La famille de StepFun StepAudio 3 est sortie le 15 septembre 2026 sous la forme de cinq modèles audio commerciaux sur une seule plateforme, avec des placements tiers et un prix de prévisualisation à zéro. LFM3-Audio-2B de Liquid AI est apparu le 27 octobre dans la fournée LFM3 de six modèles en tant que checkpoint open-weight de 2B, avec un tableau du fournisseur et aucun score indépendant. L’un est un produit mesuré que vous louez. L’autre est un fichier non mesuré que vous pouvez posséder. Le choix entre les deux tient moins à la qualité audio qu’à savoir laquelle de ces deux phrases décrit votre contrainte.

Il y a une tentation de déclarer le modèle évalué vainqueur et de passer à autre chose. Résistez-y pendant un paragraphe. Le score de StepAudio 3 Realtime mesure la dynamique conversationnelle — alternance des tours de parole, reprise après interruption, backchannels — sur un système hébergé avec un WebSocket persistant et un jeu d'entraînement centré d'abord sur le chinois. LFM3-Audio-2B ne figure pas sur ce tableau, n'est pas duplex, et ne serait pas mesuré par lui même si quelqu'un l'y inscrivait. Les deux modèles ne sont pas en concurrence pour le même emplacement dans une pile. La comparaison utile porte sur ce que chacun peut faire que l'autre ne peut pas, et sur ce que chacun vous coûte pour le découvrir.

Ce qu’est réellement StepAudio 3

Le nom couvre une famille, et le niveau que vous choisissez change la comparaison. StepFun a lancé cinq modèles audio le 15 septembre : Realtime, ASR, TTS, Gen et Music, tous disponibles sur sa plateforme ouverte en tant qu’API commerciales. Un niveau Chat avec un contexte de 256K et une sortie texte complète l’offre destinée aux développeurs.

• {{1}}StepAudio 3 Realtime{{/1}} — conversation native en duplex intégral, raisonnant directement sur la parole plutôt que de transcrire d'abord, avec appel d'outils et exécution asynchrone de tâches longues pendant que la conversation se poursuit. Le produit phare, et l'équivalent le plus proche d'un modèle vocal généraliste.

• StepAudio 3 ASR — reconnaissance, avec un taux d'erreur de mots de 1,7 % au classement de précision ASR non-streaming d'Artificial Analysis, à égalité à la première place.

• StepAudio 3 TTS — synthèse en streaming, six langues (anglais, chinois, japonais, coréen, français, espagnol), 12 voix système, jusqu’à 1 000 caractères d’entrée.

• StepAudio 3 Gen — génération unifiée de voix, d'effets sonores, d'ambiances, de musique de fond et de chant à partir du langage naturel, actuellement en aperçu gratuit limité.

• StepAudio 3 Music — génération de chansons zero-shot avec contrôle multi-tour via la notation ABC, conversion voix-vers-arrangement et reprises.

LFM3-Audio-2B est un point de contrôle qui tente plusieurs de ces tâches à la fois : reconnaissance, synthèse, traduction, compréhension audio et appels d'outils vocaux, sélectionnés par le prompt et le profil de service. Il ne génère pas de musique, et son répertoire d'effets sonores est celui qui découle d'un modèle audio général. Ce qu'il possède, en revanche, c'est un fichier de poids. StepAudio 3 n'en a aucun — c'est une famille d'API commerciale, pas une publication ouverte, et aucun niveau ne fournit de poids.

Le tableau des scores, et qui l'a produit

Les chiffres de StepFun constituent la base de preuves la plus solide de cette comparaison, et ce sont aussi les plus faciles à surinterpréter. Le chiffre de 98,9 % pour Conversational Dynamics est un classement tiers sur Artificial Analysis, ce qui le rend plus crédible qu’un tableau fournisseur. Le chiffre de 99,7 % pour le raisonnement vocal est cité par StepFun, sans reproduction indépendante. Le taux d’erreur de mot ASR de 1,7 % est un classement Artificial Analysis, à égalité en première position, et il relève du niveau ASR plutôt que du modèle Realtime. Ce sont trois types d’allégations différents qui portent le même uniforme.

Le tableau de LFM3-Audio-2B est uniformément déclaré par le fournisseur et uniformément relatif à son propre prédécesseur, LFM2.5-Audio-1.5B : WER d’ASR en anglais de 6,23 contre 6,13, WER/CER multilingue de 6,03, UTMOSv2 de 3,83 contre 3,22, VoiceBench de 73,13 contre 55,17, MMAR de 50,60 contre 25,85, et une évaluation interne d’appel d’outils à 58,50. Aucun jeu de test, harnais ou variance n’est nommé, et nous n’avons pu trouver aucune reproduction indépendante d’une quelconque ligne.

Si on les met côte à côte, le constat honnête est qu’ils se recoupent à peine. StepAudio 3 Realtime est évalué sur le timing de conversation ; LFM3-Audio-2B est évalué sur la reconnaissance, la qualité de synthèse et le raisonnement audio. Le seul axe sur lequel les deux publient quelque chose est la reconnaissance, et même là, la comparaison est entachée : les 1,7 % de StepAudio sont un score de classement indépendant pour le niveau ASR, tandis que le 6,23 de Liquid est un chiffre fourni par le vendeur pour un modèle audio généraliste sur un ensemble non nommé. L’écart est suffisamment important pour que la direction soit probablement réelle. L’ampleur ne mesure rien que deux équipes auraient évalué ensemble.

Duplex est la gamme architecturale

StepAudio 3 Realtime est conçu pour un appel téléphonique. Il écoute pendant qu’il parle, gère les interruptions et raisonne sur l’audio brut plutôt que sur une transcription, ce qui, selon StepFun, préserve le ton et l’accentuation qu’un passage par le texte aplatirait. Sa documentation rend la distinction explicite : l’API Realtime apporte la reconnaissance vocale intégrée, la gestion du contexte, la VAD, la recherche web et la récupération ; l’API Chat vous impose d’implémenter chacun de ces éléments vous-même.

LFM3-Audio-2B est conçu pour répondre à une requête. Un encodeur audio causal lui permet de préremplir pendant que vous parlez, et LiquidCodec renvoie la parole en flux — 80 ms d’audio en 12 tokens, décodés à environ 87× le temps réel sur un seul thread CPU d’un M4 Max. La valeur « aussi peu que 50 ms » pour le délai avant le premier token découle de cette conception. Mais diffuser une réponse en flux n’est pas la même chose que gérer une interruption, et Liquid ne revendique aucune capacité duplex. Si votre produit doit pouvoir être interrompu pendant qu’on lui parle, l’architecture en décide avant tout benchmark.

Il y a un hic de latence de l’autre côté. StepAudio 3 Realtime affiche un délai jusqu’au premier audio de 8,83 secondes sur le même classement où il remporte la dynamique conversationnelle — contre 1,18 seconde pour Gemini 3.8 Live et 1,24 à 1,34 seconde pour GPT-Live-1. Un modèle qui gagne en alternance des tours de parole mais met presque le temps d’une phrase à commencer à parler est un modèle dont vous risquez de ne jamais pouvoir démontrer la meilleure qualité en production. Testez la latence avant la qualité de conversation, et testez-la en dehors de l’infrastructure de service propre à StepFun si vous le pouvez.

Prix, licence et ce que vous achetez réellement

StepAudio 3 est en aperçu gratuit à durée limitée pour toute la gamme, sans tarif post-aperçu annoncé pour l’offre Realtime. L’offre TTS affiche un tarif catalogue public d’environ 0,36 $ pour 10 000 caractères via un catalogue tiers, mais il ne s’agit pas du prix Realtime et il ne faut pas l’utiliser comme tel. En pratique, StepAudio 3 Realtime est gratuit à évaluer aujourd’hui et sans prix annoncé pour la production — c’est le bon moment pour tester, mais un mauvais moment pour bâtir un modèle d’économie unitaire.

LFM3-Audio-2B coûte le prix de la machine sur laquelle il tourne. La LFM Open License v1.0 est gratuite pour un usage commercial en dessous de 10 M$ de chiffre d'affaires annuel, et payante au-delà. La version Ollama fait 2,1 Go et fonctionne sur CPU ; le support de llama.cpp a été fusionné le 27 octobre ; Transformers nécessite la version 5.20.2 ou plus récente avec trust_remote_code, et les poids du codec se chargent depuis un répertoire séparé, donc épinglez l'environnement. Il n'y a pas de compteur à la minute. Il n'y a pas non plus de SLA, pas de biper d'astreinte, et aucun fournisseur à appeler quand la sortie se dégrade.

• Ce que vous obtenez — {{1}}StepAudio 3 Realtime{{/1}} : un endpoint commercial, le produit phare actuel, avec support. {{2}}LFM3-Audio-2B{{/2}} : un checkpoint, une licence et la charge opérationnelle.

• Ce que vous pouvez inspecter — StepAudio 3 : documentation, positions dans le classement, pas de poids. LFM3-Audio-2B : architecture, fiche, poids, codec, parcours de fine-tuning.

• Structure des coûts — StepAudio 3 : par appel, nul en veille, sans tarification après l’aperçu. LFM3-Audio-2B : matériel fixe, coût marginal quasi nul, pas de compteur.

• Mode de défaillance — StepAudio 3 : un quota, une région, un problème de compte, un ticket d’assistance. LFM3-Audio-2B : c’est vous qui êtes d’astreinte.

La couverture linguistique n’est pas une égalité.

LFM3-Audio-2B répertorie 18 langues sur 19 locales, l’anglais apparaissant deux fois, en variantes américaine et britannique. Il s’agit d’une large liste de synthèse pour un modèle 2B, et c’est l’argument pratique le plus fort en sa faveur dans un produit européen ou multilingue. Les limites sont tout aussi précises : l’ASR en direct ne fonctionne qu’en anglais, et la traduction est plus performante vers ou depuis l’anglais.

StepAudio 3 est conçu en priorité pour le chinois. La documentation du niveau Realtime ne publie pas de liste complète des langues ; le niveau TTS de la famille couvre six langues, et le niveau ASR est construit autour du chinois et de l’anglais avec gestion des dialectes, de l’alternance codique, des audios longs et du chant. Si votre trafic est du mandarin avec de l’anglais mélangé, la stack de StepFun est faite pour cette charge de travail, contrairement à celle de Liquid. Si votre trafic est du suédois et du néerlandais, le checkpoint 18 langues est le seul des deux à revendiquer cette prise en charge.

Là où un routeur a sa place, et où il ne l'a pas

StepAudio 3 ne figure pas dans le catalogue OrcaRouter, et LFM3-Audio-2B non plus — l’un est une API fermée, l’autre un téléchargement. Il n’y a donc aucune histoire de bascule entre ces deux solutions à raconter, et aucune raison de prétendre le contraire.

La couche de routage compte un cran au-dessus, là où les agents vocaux concentrent réellement leur complexité. StepAudio 3 Realtime prend en charge l'appel d'outils et les tâches asynchrones de longue durée, ce qui signifie que la conversation confie en permanence du travail à des modèles texte ordinaires : une recherche, une extraction, un contrôle de règles. C'est à cette couche de délégation que se logent les pannes de fournisseurs et la variabilité des coûts. OrcaRouter met plus de 200 modèles texte et multimodaux derrière une seule clé, au prix catalogue du fournisseur sans majoration, avec bascule automatique, un DSL de routage qui compose plusieurs modèles en un seul appel, et la fusion de modèles lorsque le jugement d'un seul modèle ne suffit pas. Pour un prototype LFM3-Audio-2B, c'est la moitié de la pile que vous pouvez placer dès aujourd'hui derrière un point de terminaison pendant que le modèle audio reste local.

Trois questions qui décident de tout

Avez-vous besoin d’une conversation qui peut être interrompue ?

Ensuite, StepAudio 3 Realtime est le seul de ces deux à revendiquer ce comportement, et c’est le bon point de départ malgré la question de la latence. LFM3-Audio-2B fonctionne en requête-réponse ; aucun fine-tuning ne changera l’interface. Testez le chiffre de 8,83 secondes pour le premier audio sur votre propre réseau avant de vous engager.

Avez-vous besoin de posséder le modèle ou de l’exécuter hors ligne ?

Dans ce cas, LFM3-Audio-2B est la seule option ici, et le seuil de licence est le chiffre à comparer à votre chiffre d'affaires. Acceptez le contexte de 32K, l'ASR en direct uniquement en anglais, et l'absence d'évaluation indépendante. Passez vos propres enregistrements dedans avant de vous fier au gain UTMOS.

Un score fournisseur suffit-il pour choisir ?

Pas encore, et la raison n'est pas que les chiffres de StepFun soient faibles. C'est que les scores mesurent des choses différentes selon des harnais différents, et que le modèle dépourvu de score n'est pas éligible au tableau qui a produit le chiffre le plus cité. Un face-à-face neutre sur le même ensemble de conversations trancherait davantage que le tableau de l'un ou l'autre fournisseur. Tant qu'il n'existe pas, le choix est une question de contraintes, pas de qualité.

Le verdict

StepAudio 3 Realtime l'emporte sur l'axe que le marché mesure actuellement — la dynamique conversationnelle — et dispose d'une base de preuves plus solide parce qu'un tiers en a produit une partie. Il présente aussi un problème de latence non résolu, aucun prix publié après l'aperçu, aucun poids et un profil linguistique centré d'abord sur le chinois. C'est le meilleur choix pour un agent vocal en temps réel destiné aux utilisateurs chinois et anglophones, à condition que le test de latence soit réussi et que la tarification de l'aperçu ne se transforme pas en surprise.

LFM3-Audio-2B l'emporte sur la maîtrise et l'étendue de la synthèse, mais perd sur les preuves. Il n'a que quatre jours, ses chiffres sont déclarés par le fournisseur, son ASR figure en milieu de tableau dans son propre tableau, et sa licence comporte un seuil de chiffre d'affaires. C'est le meilleur choix pour un produit hors ligne, une voix multilingue ou une équipe qui ne peut pas accepter une facturation à l'appel — et le seul des deux que vous puissiez évaluer entièrement sur votre propre matériel cette semaine.

Les points à surveiller sont les mêmes des deux côtés : une évaluation neutre qui place un modèle duplex et un modèle requête-réponse sur le même ensemble de conversations, et un prix de production publié pour StepAudio 3. Le premier vous dirait si le checkpoint 2B de Liquid est plus proche de la frontière que ne le suggèrent ses documents. Le second vous dirait si l’avance de StepFun survit au contact d’une facture.