LFM3-Audio-2B ב-Ollama: דיבור טוב יותר, אותן אוזניים

הדגם של Liquid AI LFM3-Audio-2B הפך הבוקר להורדה בפקודה אחת. הפקודה ollama run lfm3-audio מושכת 2.1 GB ומפעילה מודל בעל 2B פרמטרים שמקבל טקסט או אודיו ומשיב בטקסט, בדיבור ב-24 kHz, או בשניהם. המודל עצמו בן יום — הוא שוחרר ב-27 באוקטובר 2026, כחלק ממשפחת LFM3 בת ששת המודלים. מה שחדש ב-28 באוקטובר הוא ההפצה, והדבר הראשון שכדאי לדעת נמצא בטבלת הבנצ'מרקים של Liquid עצמה: לעומת LFM2.5-Audio-1.5B שאותו הוא מחליף, איכות הדיבור עלתה בחדות, הבנת אודיו כמעט הוכפלה, וזיהוי דיבור באנגלית לא השתפר כלל.

שאר הקטע הזה מפריד בין מה שניתן לבדוק היום לבין מה שלא. ענף האודיו קיבל פסקה אחת מתוך פוסט בבלוג משפחתי וכרטיס מודל — אין הכרזה עצמאית מסוג "Introducing LFM3-Audio" — ולא הצלחנו למצוא שום הרצת בנצ'מרק בלתי תלויה של המודל הזה בשום מקום. כל מספר למטה הוא של Liquid אלא אם המשפט אומר אחרת.

מה שוחרר, וכמה דלה הייתה ההודעה על כך

הפוסט של Liquid מ-27 באוקטובר, "מציגים את LFM3: כל מודאליות לאינטליגנציה מתמחה", הכריז על שישה מודלים בדרגת 2B שאומנו מ-LFM3-1.7B-Base: טקסט, חזות, אודיו, אומני, ושני מודלי החלטה שהתמחו מענפי החזות והאומני. אודיו הוא אחד מארבעה ענפי מודאליות ומקבל פסקה אחת בלבד — שיפור UTMOSv2, נתון זמן עד לטוקן הראשון של 50 מ״ש, קודק בזמן אמת פי 87. אין פוסט ייעודי לאודיו, אין בלוג בנצ׳מרק לאודיו, ואין רשומת תמחור עבור אף מודל LFM3 בעמוד התמחור של Liquid.

שלושה ארטפקטים הציבו את המודל לפני קורא השבוע:

• משקלים — LiquidAI/LFM3-Audio-2B ב-Hugging Face, תחת LFM Open License v1.0, עם כרטיס מודל הכולל את טבלת ההשוואה המלאה.

• llama.cpp — PR #31257, שמוזג ב-27 באוקטובר, מוסיף את LFM3-Audio-2B ואת LFM3-Omni-2B. הוא משאיר את הקונבולוציות של מקודד האודיו ואת הקודק ללא קוונטיזציה, חושף קול גברי או נשי דרך דגל TTS, ומסמן ASR חי כ-PR המשך ולא כחלק מהמיזוג.

• Ollama — lfm3-audio, 2.1 GB, תגיות latest ו-2b, עם 19 הורדות ו"עודכן לפני שעה" בזמן הלכידה. כותרת העמוד מציינת חמישה מודלים; שתי שורות פורסמו.

הרשומה של Ollama היא החשובה ביותר, מפני שזהו המסלול היחיד שאינו מתחיל בקריאת כרטיס מודל. היא גם הגיעה בלי שום הכרזה — אין פוסט, אין יומן שינויים, ואין שום דבר בכרטיס של המודל עצמו שמצביע עליה.

גיליון המפרט, כולל הנתון שכמעט כולם העתיקו באופן שגוי

• פרמטרים — 2B בסך הכול, על שלדת LFM3 עם מקודד אודיו סיבתי פנימי והטוקנייזר LiquidCodec

• קלט — טקסט, או אודיו שנדגם ב-16 kHz

• פלט — טקסט, דיבור ב־24 קילו־הרץ, או טקסט ודיבור משולבים

• הקשר — 32K טוקנים הכוללים קלט ופלט. זהו לא הנתון של 256K שמוחזר בסיקור ההשקה: הוא שייך ל-LFM3-1.7B, מודל הטקסט. העמוד של ענף האודיו עצמו אומר 32K.

• שפות — 18, הרשומות כ־19 לוקאלים משום שאנגלית מופיעה פעמיים, כגרסה בריטית וכגרסה אמריקאית. זיהוי דיבור חי (ASR) הוא באנגלית בלבד; התרגום הוא החזק ביותר אל אנגלית וממנה.

• רישיון — LFM Open License v1.0, חינמי לשימוש מסחרי מתחת להכנסה שנתית של $10M, עם רישיון מסחרי בתשלום מעל לסף זה.

• טביעת רגל — 2.1 GB בתור ה-build של Ollama.

שתיים מהשורות האלה ראויות לעצירה. מספר ההקשר הוא זה שתקציר יטעה בו במשך חודשים, כי הפוסט המשפחתי מוביל עם 256K וכרטיס האודיו אומר בשקט 32K. ומניין השפות הוא בעצם מניין לוקאלים בתחפושת: תשע־עשרה רשומות, שמונה־עשרה שפות, כששני הווריאנטים של האנגלית עושים את העבודה הנוספת. אף אחד מהם אינו שערורייה, ושניהם משנים את מה שהייתם מבטיחים למשתמש.

פקודה אחת, והשדה שסותר את הכרטיס

ollama run lfm3-audio הוא באמת כל ההתקנה. העמוד מתייג את המודל tools, audio ו-2b, וה-readme ממש מעל טבלת המודלים אומר שהוא מקבל טקסט או אודיו ומגיב בטקסט, בדיבור או בשניהם. טבלת המודלים חולקת על כך: שני התגים מפרטים את הקלט כ"טקסט" ואת ההקשר כמקף.

שווה להתייחס לזה ברצינות ולא לדחות את זה כמוזרות של רינדור. Ollama תומכת בקלט אודיו מאז v0.20 באפריל 2026, כאשר Gemma 4 הביאה יכולת אודיו, פקודת ollama transcribe ורכיבי input_audio בסגנון OpenAI. המנגנון קיים. מה שלא מאומת הוא אם הוא מחובר לצ'קפוינט הזה — תג האודיו הוא הצהרת יכולת, לא תוצאת בדיקה. אם התוכנית שלך מתחילה ב"להזרים WAV לתוך Ollama", אמת אותה עם קובץ אחד לפני שאתה מתכנן סביבה.

לפלט דיבור יש אותה צורה מהצד השני. המיזוג ב-llama.cpp חושף דגל קול TTS; העמוד של Ollama אינו מתעד מקבילה, וה-readme מתאר פלט דיבור כתכונה של המודל ולא כתכונה של ה-CLI. הפכו כל משפט והמסקנה עדיין תקפה: מסלול הטרמינל כיום הוא החצי הטקסטואלי של מודל דיבור. צ'אט קולי בדופלקס מלא דורש את מסלול Python או llama.cpp.

לוח התוצאות ש-Liquid פרסם

שישה מספרים, ולארבעה מהם יש ערך קודם. כולם מגיעים מכרטיס המודל של Liquid, בלי מערך בדיקה בשם, בלי harness ובלי שונות.

• ASR באנגלית, שיעור שגיאות מילים ↓ — 6.23 עבור LFM3-Audio-2B לעומת 6.13 עבור LFM2.5-Audio-1.5B. ללא שינוי, והשורה היחידה שלא זזה.

• ASR רב־לשוני, WER/CER ↓ — 6.03. לא פורסם נתון עבור הדגם הקודם.

• TTS באנגלית, UTMOSv2 ↑ — 3.83 לעומת 3.22. שינוי גדול; 4.0 נתפס בדרך כלל כקו הקרוב לרמת אדם.

• VoiceBench ↑ — 73.13 לעומת 55.17.

• הבנת אודיו, MMAR ↑ — 50.60 לעומת 25.85. כמעט כפול.

• קריאה לכלים מתוך דיבור, הערכה פנימית ↑ — 58.50. אין נתון קודם.

לעומת שאר המתחרים באותה טבלה, זהו מודל קטן וטוב ולא מוביל. Voxtral Mini 3B מציג WER של 5.51 ו-NVIDIA Audex 2B מציג 5.99, ושניהם טובים מ-6.23. Qwen2.5-Omni 3B משיג בהבנת אודיו 54.41 לעומת 50.60. Gemma 4 E4B משיג בקריאת כלים 72.40 לעומת 58.50, ושורת הפרמטרים של Liquid עצמה מציבה את ה-Gemma הזה על 8B לעומת 2B של המודל הזה — השם "E4B" סופר פרמטרים פעילים, לא את הסך הכולל. הסיכום הכנה הוא ASR תחרותי, שיפור ברור בפלט קולי, והסקת אודיו מוצקה עבור 2B — לא שיאן באף עמודה.

הפער בין 6.23 ל-6.13 נמצא בתוך מה שרעש דגימה מייצר ואין לקרוא אותו כרגרסיה. הפער בין 3.83 ל-3.22 אינו כזה — תזוזה של 0.6 נקודות ב-UTMOS נמצאת הרחק מחוץ לטווח הזה. הקריאה הניתנת להגנה היא ש-Liquid השקיעה את הדור הזה ביצירה: קול טוב יותר, הסקה שמעית טובה יותר, וחזית ASR שהחזיקה מעמד בזמן שהמקודדים השתנו מתחתיה. לא מצאנו שחזור צד שלישי של אף שורה, אז התייחסו לדירוג כהשערה עד שמישהו יפרסם אחד.

למה הקודק שורד יותר מהמודל

LiquidCodec הוא החלק במהדורה הזו שראוי לשים לב אליו מעבר ל-checkpoint. הוא אורז 80 מ״ש של דיבור ל-12 טוקנים בדידים, מפענח חזרה ל-24 ק״הרץ עם תמיכה בסטרימינג, ו-Liquid מודדת אותו בכ-87× מזמן אמת על thread CPU בודד של M4 Max. המקודד הסיבתי הוא מה שמאפשר prefill במהלך הדיבור ולא אחריו, ומשם מגיע נתון הזמן עד לטוקן הראשון של "עד 50 מ״ש".

שני המספרים האלה הם הדברים המצוטטים ביותר והפחות ניתנים לשחזור בהשקה. שניהם מדידות של ספק על חומרת Apple נקובה בשם, ללא רתמת בדיקה, ללא מערך אודיו וללא אחוזון. הם מתארים מקרה מיטבי. טלפון, Raspberry Pi או מכונה וירטואלית x86 משותפת לא ישיגו אותם, ושום דבר בהודעה לא אומר מה יושג במקומם.

תמיכת זמן הריצה רחבה באופן יוצא דופן עבור מודל בן יום: Transformers 5.20.2 או חדש יותר עם trust_remote_code, vLLM ו-SGLang עבור צ'קפוינט BF16, llama.cpp עבור GGUF, MLX 4-bit על Apple silicon, ONNX Runtime לשם ניידות, וכיוונון עדין על GPU יחיד. דרישת הקוד המותאם היא הדבר שחייבים לנעוץ. LFM3-Audio נטען מהמודול של עצמו וקורא משקולות codec מתוך ספריית audio_tokenizer נפרדת, כך שסביבה ללא נעיצת גרסאות היא קריאת תמיכה שמחכה לקרות.

דיבור מקומי מול נקודת קצה מתארחת

הסיבה שמודל אודיו בנפח 2B ובגודל 2.1 GB מעניין היא שהחלופה גובה ממך על כל שנייה של אודיו. אירוח עצמי הוא בעלות קבועה — מכונה שכבר יש לך, הורדה, בלי חיוב לפי דקה. נקודת קצה מתארחת היא בעלות שולית לכל טוקן ובלי שום משטח תפעולי.

היו מדויקים לגבי מה שכל צד מכסה. שירות המרת טקסט לדיבור מתארח — מהסוג שאנחנו מנתבים, כגון gpt-4o-mini-tts במחיר $0.60 בקלט ו-$12.00 בפלט למיליון טוקנים, או gemini-2.5-flash-preview-tts במחיר $0.50 ו-$10.00 — הופך טקסט לדיבור, ותו לא. LFM3-Audio-2B גם מקשיב, מתמלל ומתרגם, ופועל כשהרשת מנותקת. כל אחד מהם פותר חצי אחר של אותו סוכן קולי.

LFM3-Audio-2B אינו זמין ב-OrcaRouter. מודלי האודיו שאנו מספקים הם נקודות קצה לדיבור באירוח, ולכן החלוקה הכנה עבור מוצר קולי החודש היא דיבור מקומי פנימה והחוצה עם מודל Liquid, וכל מה שקשור לטקסט מאחורי נקודת קצה אחת ל-200+ מודלים — 0% תוספת על מחיר המחירון של הספק, מעבר אוטומטי בין ספקים כשספק נתקל בבעיה, ו-DSL לניתוב אם רוצים להרכיב כמה מודלים לקריאה אחת. זה מה שהופך תצורה של שתי סביבות הרצה לברת-קיימא: חוזה אחד לחצי המאוחסן, והורדה אחת לחצי המקומי.

עבור החצי המקומי העלות אינה אפס: 2.1 ג'יגה-בייט של משקלים, תהליך שצריך לשמור פעיל, ואין SLA. אם האודיו לעולם לא יוצא מהבניין, הפשרה הזו קלה. אם הוא כן יוצא, המחיר של השירות המתארח קטן מספיק עד שהעומס התפעולי בדרך כלל מכריע את השאלה.

מי צריך להריץ את זה השבוע, ומי צריך לחכות

הריצו אותו אם אתם רוצים לולאת קול מקומית על מחשב נייד ומוכנים להסתפק בינתיים בפלט טקסט בטרמינל. הריצו אותו אם אתם צריכים פלט דיבור בשפה שבה הקול המארח שלכם חלש או יקר — שמונה עשרה שפות הן כיסוי רחב יותר ממה שרוב מודלי TTS קטנים מציעים. הריצו אותו אם יש לכם הקלטות שלא יכולות לצאת מהמחשב ואתם רוצים תמלול וגם סיכום ממודל אחד. הריצו אותו אם אתם בונים אב-טיפוס לקריאות כלים קוליות ורוצים שהמודל יהיה על אותו מחשב כמו הכלי.

רגע, אם דיוק ASR הוא המוצר. שיעור שגיאות מילים של 6.23 הוא מכובד והוא מאחורי שלושה מודלים בטבלה של Liquid עצמה. רגע, אם אתם צריכים תמלול בזרימה היום — ASR חי הוא PR המשך ב-llama.cpp, ויהיה באנגלית בלבד כשיגיע. רגע, אם אתם צריכים שהמודל ידע דברים: הכרטיס ממליץ על retrieval ובאופן מפורש לא ממליץ על agentic coding או הסקה רב-שלבית בגודל הזה. ורגע, אם אתם צריכים SLA מספק, כי בעמוד התמחור של Liquid מפורטים d1, d1-ultra ו-LFM2.5-24B-A2B ואין בכלל endpoint אודיו של LFM3.

שלוש שאלות שההשקה לא עונה עליהן

האם LFM3-Audio-2B הוא אותו מודל כמו LFM3-Omni-2B?

לא. הן חולקות את שלד ה-LFM3 ושתיהן הופיעו באותו pull request של llama.cpp, אבל Omni מוסיף ראייה על גבי אודיו ומהווה את ההתחייבות הגדולה מבין השתיים. אם המשימה היא שיחת טלפון, הקלטת פגישה או פקודה קולית, Audio הוא המודל הקטן יותר שעושה את העבודה הקטנה יותר. אם המשימה כוללת להסתכל על משהו תוך כדי האזנה לו, זה ענף ה-omni.

האם זה יכול לתמלל שידור חי?

עדיין לא דרך llama.cpp. ה-merge מסמן ASR בזמן אמת כמשימת המשך, וכרטיס המודל מבהיר במפורש ש-ASR בזמן אמת יהיה באנגלית בלבד גם כשיהיה קיים. תמלול באצווה של הקלטה הוא הנתיב הנתמך היום, עם 32K טוקנים של הקשר — בערך מגבלת האורך שכדאי לתכנן לפיה בקבצים ארוכים, מכיוון שטוקני אודיו וטוקני טקסט חולקים את אותו תקציב.

האם זה דורש GPU?

לא, וזו בדיוק הנקודה של בניית ה-GGUF. רכיב ה-Ollama בנפח 2.1 GB פועל על CPU. נתון ה-87× בזמן אמת מודד את ה-codec, לא את מודל השפה, לכן אל תקראו אותו כמהירות מקצה לקצה על החומרה שלכם. ל-Apple silicon יש את המסלול החלק ביותר דרך MLX או דרך התמיכה הממוזגת ב-llama.cpp; ב-x86 צפו לכך שפענוח ב-CPU יהיה צוואר הבקבוק, ומדדו לפני שאתם מבטיחים נתון השהיה למישהו.

מה היה משנה את פסק הדין הזה?

שלושה אותות, לפי סדר מידת החשיבות שלהם. ראשית, ההמשך החי של ASR שנוחת ב-llama.cpp — זה הופך מתמלל באצוות למשהו שאפשר להציב מאחורי מיקרופון, וזה תרחיש השימוש שרוב האנשים באמת רוצים. שנית, הרצת WER עצמאית על סט סטנדרטי; עד שתהיה כזו, הדבר היחיד שמחזיק את ה-ASR של המודל הזה ביושר הוא טבלת ספק שמשווה אותו למודל קודם של אותו ספק. שלישית, מחיר API מפורסם לענף האודיו, שיגיד לנו אם Liquid מתכוונת למכור האזנה כשירות או להשאיר את זה כמהלך של משקלים.

עד אז, התיאור המדויק הוא צר ושימושי: מודל דיבור של 2B שאפשר להוריד בדקה, שמדבר טוב יותר מהמודל שהוא מחליף, מקשיב בערך באותה מידה, ואין לו עדיין עדים בלתי תלויים. עבור אב־טיפוס על מחשב נייד, זה מספיק. עבור צינור תמלול בייצור, זה לא — והפער בין שני המשפטים האלה הוא בדיוק המרחק בין השקה לבין הערכה.