LFM3-Audio-2B לעומת StepAudio 3: ה-2B הפתוח מול קו המוצרים המדורג

StepAudio 3 Realtimeיש לו מספר שמחובר לדבר שלפיו נשפטים מוצרי קול: 98.9% בלוח ה-Conversational Dynamics של Artificial Analysis, מקום ראשון. LFM3-Audio-2Bיש לו רישיון. זה אינו ניגוד רטורי — זהו מצב הראיות בפועל. משפחת StepAudio 3 של StepFun יצאה ב-15 בספטמבר 2026 כחמישה מודלי אודיו מסחריים בפלטפורמה אחת, עם מיקומים של צד שלישי ומחיר תצוגה מקדימה של אפס. LFM3-Audio-2B של Liquid AI הופיע ב-27 באוקטובר בתוך השקת LFM3 בת ששת המודלים כנקודת ביקורת במשקלים פתוחים בגודל 2B עם טבלת ספק וללא ציון עצמאי. אחד הוא מוצר מדוד שאתם שוכרים. האחר הוא קובץ לא מדוד שאתם יכולים להחזיק בו כבעלים. ההחלטה ביניהם היא פחות עניין של איכות אודיו ויותר של איזה משני המשפטים הללו מתאר את האילוץ שלכם.

יש פיתוי להכריז שהמודל שקיבל את הניקוד הוא המנצח ולעבור הלאה. התנגדו לכך למשך פסקה. הניקוד של StepAudio 3 Realtime מודד דינמיקה שיחתית — תורות דיבור, התאוששות מהפרעה, תגובות גיבוי — במערכת מתארחת עם WebSocket מתמשך וסט אימון שסינית היא שפתו הראשית. LFM3-Audio-2B אינו בלוח הזה, אינו דו-כיווני, ולא יימדד על ידו גם אם מישהו ירשום אותו. שני המודלים אינם מתחרים על אותו מקום במערך. ההשוואה המועילה היא מה כל אחד מהם יכול לעשות שהאחר אינו יכול, ומה העלות שתשלם כדי לגלות זאת.

מהו בעצם StepAudio 3

השם מכסה משפחה שלמה, והשכבה שתבחרו משנה את ההשוואה. StepFun השיקה חמישה מודלים של אודיו ב-15 בספטמבר: Realtime, ASR, TTS, Gen ו-Music, כולם פעילים בפלטפורמה הפתוחה שלה כממשקי API מסחריים. שכבת Chat עם חלון הקשר של 256K ופלט טקסט משלימה את המשטח המיועד למפתחים.

• StepAudio 3 Realtime — שיחה דו-כיוונית מלאה ונייטיבית, הסקה ישירות על גבי הדיבור ולא תמלול תחילה, עם קריאה לכלים וביצוע אסינכרוני של משימות ארוכות בזמן שהשיחה נמשכת. מוצר הדגל, והאנלוג הקרוב ביותר למודל קולי כללי.

• StepAudio 3 ASR — זיהוי, עם שיעור שגיאות מילים של 1.7% בלוח הדיוק של ASR לא-סטרימינג של Artificial Analysis, במקום הראשון בצוותא.

• StepAudio 3 TTS — סינתזה בזרימה, שש שפות (אנגלית, סינית, יפנית, קוריאנית, צרפתית, ספרדית), 12 קולות מערכת, עד 1,000 תווים של קלט.

• StepAudio 3 Gen — יצירה מאוחדת של קול, אפקטי סאונד, אווירה, מוזיקת רקע ושירה משפה טבעית, שנמצאת כעת בתצוגה מקדימה חינמית מוגבלת.

• StepAudio 3 Music — יצירת שירים ב-zero-shot עם שליטה רב-תורית באמצעות סימון ABC, המרה מווקאל לעיבוד וגרסאות כיסוי.

LFM3-Audio-2B הוא צ'קפוינט אחד שמנסה לבצע כמה מהמשימות האלה בבת אחת: זיהוי, סינתזה, תרגום, הבנת אודיו וקריאות כלים קוליות, שנבחרות לפי פרומפט ופרופיל הגשה. הוא לא ייצור מוזיקה, ומאגר אפקטי הקול שלו הוא כל מה שנובע ממודל אודיו כללי. מה שכן יש לו הוא קובץ משקלים. ל-StepAudio 3 אין כזה — זו משפחת API מסחרית, לא מהדורה פתוחה, ואף רמה לא מספקת משקלים.

לוח התוצאות, ומי הפיק אותו

המספרים של StepFun הם בסיס הראיות החזק ביותר בעימות הזה, והם גם הקלים ביותר לפרשנות יתר. הנתון של 98.9% עבור Conversational Dynamics הוא מיקום של צד שלישי ב-Artificial Analysis, מה שהופך אותו לאמין יותר מטבלת ספק. הנתון של 99.7% עבור speech-reasoning מצוטט על ידי StepFun, ולא שוחזר באופן בלתי תלוי. שיעור שגיאת המילים של ASR, 1.7%, הוא מיקום ב-Artificial Analysis, במקום הראשון במשותף, והוא שייך לשכבת ה-ASR ולא למודל ה-Realtime. אלה שלושה סוגים שונים של טענות שלובשים אותם מדים.

הטבלה של LFM3-Audio-2B מבוססת כולה על דיווחי הספק וכולה יחסית לקודמתה, LFM2.5-Audio-1.5B: WER של ASR באנגלית 6.23 לעומת 6.13, WER/CER רב-לשוני 6.03, UTMOSv2 3.83 לעומת 3.22, VoiceBench 73.13 לעומת 55.17, MMAR 50.60 לעומת 25.85, והערכת tool-calling פנימית ב-58.50. לא צוינו מערך בדיקה, הרנס או שונות, ולא הצלחנו למצוא שחזור עצמאי של אף שורה.

הציבו את השניים זה לצד זה, והתצפית הכנה היא שהם בקושי חופפים. StepAudio 3 Realtime מדורג לפי תזמון שיחה; LFM3-Audio-2B מדורג לפי זיהוי, איכות סינתזה והסקה אודיו. הציר היחיד שבו שניהם מפרסמים משהו הוא זיהוי, וגם שם ההשוואה מזוהמת: 1.7% של StepAudio הוא ציון עצמאי של לוח הדירוג עבור שכבת ASR, ואילו 6.23 של Liquid הוא נתון של ספק עבור מודל אודיו כללי על מערך לא מזוהה. הפער גדול מספיק כדי שהכיוון כנראה אמיתי. הגודל אינו מדידה של משהו ששתי קבוצות הריצו יחד.

דופלקס הוא הקו האדריכלי

StepAudio 3 Realtime בנוי לשיחת טלפון. הוא מקשיב בזמן שהוא מדבר, מטפל בקטיעות, ומבצע הסקה על אודיו גולמי ולא על תמלול, מה שלדברי StepFun שומר על טון והדגשה שמעבר דרך טקסט היה משטח. התיעוד שלו מבהיר את החלוקה: ה-Realtime API מביא זיהוי דיבור מובנה, ניהול הקשר, VAD, חיפוש ואחזור באינטרנט; ה-Chat API מחייב אתכם ליישם כל אחד מאלה בעצמכם.

LFM3-Audio-2B נבנה עבור בקשה. מקודד אודיו סיבתי מאפשר לו לבצע מילוי מקדים (prefill) בזמן שאתה מדבר, ו־LiquidCodec מזרים דיבור בחזרה — 80 מ״ש של אודיו ל־12 טוקנים, מפוענחים בקצב של בערך פי 87 מזמן אמת על ת׳רד CPU אחד של M4 Max. נתון זמן־עד־לטוקן־הראשון של "עד 50 מ״ש" נובע מהתכנון הזה. אבל הזרמת תגובה אינה אותו דבר כמו טיפול בהפרעה באמצע הדיבור (barge-in), ו־Liquid אינה טוענת לדופלקס. אם המוצר שלך צריך לאפשר לדבר מעליו, הארכיטקטורה קובעת זאת לפני שכל בנצ׳מרק קובע.

יש מלכוד השהיה בצד השני. StepAudio 3 Realtime רושם זמן עד לאודיו ראשון של 8.83 שניות באותו לוח מובילים שבו הוא מנצח בדינמיקה שיחתית — לעומת 1.18 שניות עבור Gemini 3.8 Live ו-1.24 עד 1.34 שניות עבור GPT-Live-1. מודל שמנצח בחילופי תורות אך לוקח לו רוב הזמן של משפט שלם להתחיל לדבר הוא מודל שאולי לא תצליח להדגים את איכותו הטובה ביותר בייצור. בדוק השהיה לפני איכות שיחה, ובדוק אותה מחוץ למערך ההגשה של StepFun עצמה אם תוכל.

מחיר, רישיון, ומה שאתם בעצם קונים

StepAudio 3 נמצא בתצוגה מקדימה חינם לזמן מוגבל בכל המשפחה, ללא תעריף שהוכרז לאחר התצוגה המקדימה עבור שכבת Realtime. לשכבת TTS יש תעריף מחירון מפורסם של כ-0.36 דולר ל-10,000 תווים דרך קטלוג צד שלישי, אך זה אינו מחיר Realtime ואין להשתמש בו ככזה. המצב המעשי הוא ש-StepAudio 3 Realtime חינם להערכה היום וחסר תמחור לייצור — זמן טוב לבדוק, זמן רע לבנות מודל כלכלת יחידות.

LFM3-Audio-2B גובה מחיר מהמכונה שעליה הוא רץ. LFM Open License v1.0 הוא חינמי לשימוש מסחרי מתחת להכנסה שנתית של $10M ובתשלום מעליה. גרסת Ollama היא 2.1 GB ותומכת ב-CPU; llama.cpp מיזגה תמיכה ב-27 באוקטובר; Transformers דורש 5.20.2 או חדש יותר עם trust_remote_code, ומשקולות ה-codec נטענות מספרייה נפרדת, לכן יש לנעול את הסביבה. אין מונה לפי דקה. אין גם SLA, אין איתורית, ואין ספק להתקשר אליו כשהפלט מדרדר.

• מה מקבלים — StepAudio 3 Realtime: נקודת קצה מסחרית, הדגם המוביל הנוכחי, עם תמיכה. LFM3-Audio-2B: צ'קפוינט, רישיון והנטל התפעולי.

• מה ניתן לבדוק — StepAudio 3: תיעוד, מיקומים בלוח הדירוג, ללא משקלים. LFM3-Audio-2B: ארכיטקטורה, כרטיס דגם, משקלים, קודק, נתיב כוונון עדין.

• מבנה עלויות — StepAudio 3: לפי קריאה, אפס בזמן סרק, ללא תמחור לאחר תצוגה מקדימה. LFM3-Audio-2B: חומרה קבועה, עלות שולית כמעט אפסית, ללא מונה.

• מצב כשל — {{1}}StepAudio 3{{/1}}: מכסה, אזור, בעיית חשבון, כרטיס תמיכה. {{2}}LFM3-Audio-2B{{/2}}: הביפר באחריותך.

כיסוי השפות אינו תיקו

LFM3-Audio-2B מפרט 18 שפות ב-19 לוקאלים, כאשר אנגלית מופיעה פעמיים כגרסאות אמריקאית ובריטית. זו רשימת סינתזה רחבה עבור מודל 2B, והיא הטיעון המעשי החזק ביותר בעדו במוצר אירופי או רב-לשוני. המגבלות ספציפיות באותה מידה: ASR בזמן אמת הוא באנגלית בלבד, והתרגום הוא החזק ביותר מאנגלית או אליה.

StepAudio 3 מכוון קודם כל לסינית. התיעוד של שכבת ה-Realtime אינו מפרסם רשימת שפות מלאה; שכבת ה-TTS של המשפחה מכסה שש שפות, ושכבת ה-ASR בנויה סביב סינית ואנגלית, עם טיפול בניבים, החלפת קוד, אודיו ארוך ושירה. אם התעבורה שלכם היא מנדרינית עם אנגלית משולבת, הסטאק של StepFun בנוי לעומס העבודה הזה וזה של Liquid לא. אם התעבורה שלכם היא שוודית והולנדית, ה-checkpoint בעל 18 השפות הוא היחיד מבין השניים שמצהיר על כך.

היכן נתב מתאים, והיכן לא

StepAudio 3 אינו נמצא בקטלוג של OrcaRouter, וגם LFM3-Audio-2B לא — האחד הוא API סגור, והשני הוא הורדה. לכן אין סיפור של מעבר-כשל בין השניים לספר, ואין סיבה להעמיד פנים אחרת.

שכבת הניתוב חשובה ברמה אחת גבוה יותר, שם סוכני קול באמת משקיעים את המורכבות שלהם. StepAudio 3 Realtime תומך בקריאה לכלים ובמשימות אסינכרוניות ארוכות טווח, מה שאומר שהשיחה כל הזמן מעבירה עבודה למודלי טקסט רגילים: חיפוש, חילוץ, בדיקת מדיניות. שכבת ההאצלה הזו היא המקום שבו נמצאים תקלות ספקים ושונות בעלויות. OrcaRouter מציבה יותר מ-200 מודלים טקסט ומולטימודליים מאחורי מפתח אחד במחיר המחירון של הספק ללא תוספת, עם מעבר אוטומטי לגיבוי, DSL לניתוב שמרכיב כמה מודלים לקריאה אחת, ומיזוג מודלים כאשר שיקול הדעת של מודל אחד אינו מספיק. עבור אב-טיפוס LFM3-Audio-2B, זהו החצי של המחסנית שאפשר לשים מאחורי נקודת קצה היום בזמן שמודל האודיו נשאר מקומי.

שלוש שאלות שמכריעות את העניין

האם אתה צריך שיחה שאפשר להפריע בה?

אז StepAudio 3 Realtime הוא היחיד מבין השניים שטוען להתנהגות הזו, והוא נקודת ההתחלה הנכונה למרות שאלת ההשהיה. LFM3-Audio-2B הוא בקשה־ותגובה; שום כמות של כוונון עדין לא משנה את הממשק. בדוק את נתון 8.83 השניות לשמע הראשון ברשת שלך לפני שאתה מתחייב.

האם אתה צריך להחזיק בבעלותך את המודל או לפעול באופן לא מקוון?

אז LFM3-Audio-2B היא האפשרות היחידה כאן, וסף הרישיון הוא המספר שכדאי לבדוק מול ההכנסות שלך. קבל את ההקשר של 32K, את ה-ASR החי באנגלית בלבד, ואת היעדר ההערכה העצמאית. הרץ את ההקלטות שלך דרכו לפני שתסמוך על השיפור ב-UTMOS.

האם ציון של ספק מספיק כדי לבחור?

עדיין לא, והסיבה אינה שהמספרים של StepFun חלשים. הסיבה היא שהציונים מודדים דברים שונים ממערכי בדיקה שונים, והמודל בלי ציון אינו זכאי להיכלל בלוח שהפיק את המספר המצוטט ביותר. השוואה ראש בראש ניטרלית על אותה קבוצת שיחות תכריע יותר מאשר הטבלה של כל אחד מהספקים. עד שהיא תתקיים, הבחירה היא שאלה של אילוצים, לא שאלה של איכות.

פסק הדין

StepAudio 3 Realtime מנצח בציר שהשוק מודד כיום — דינמיקה שיחתית — ויש לו בסיס ראיות חזק יותר, משום שצד שלישי הפיק חלק ממנו. יש לו גם בעיית השהיה לא פתורה, אין מחיר מפורסם לאחר התצוגה המקדימה, אין משקולות, ופרופיל השפה שלו מתמקד בסינית בראש ובראשונה. זו הבחירה הטובה יותר עבור סוכן קולי בזמן אמת המיועד למשתמשי סינית ואנגלית, בתנאי שמבחן ההשהיה יעבור ושתמחור התצוגה המקדימה לא יהפוך להפתעה.

LFM3-Audio-2B מנצח בבעלות ובמגוון הסינתזה, ומפסיד בראיות. הוא בן ארבעה ימים בלבד, המספרים שלו מדווחים על ידי הספק, ה-ASR שלו נמצא באמצע הטבלה בטבלה שלו עצמו, והרישיון שלו כולל סף הכנסות. הוא הבחירה הטובה יותר עבור מוצר אופליין, קול רב-לשוני, או צוות שלא יכול להרשות לעצמו מונה חיובים לפי קריאה — והיחיד מבין השניים שאפשר להעריך במלואו על החומרה שלך השבוע.

מה שכדאי לעקוב אחריו זהה בשני הצדדים: הערכה ניטרלית שמעמידה מודל דופלקס ומודל בקשה־ותגובה על אותה קבוצת שיחות, ומחיר ייצור מפורסם ל-StepAudio 3. הראשון יגיד לך אם ה-checkpoint 2B של Liquid קרוב יותר לחזית ממה שהניירת שלו מרמזת. השני יגיד לך אם היתרון של StepFun שורד מפגש עם חשבון.