LFM3-Audio-2B di Ollama: Ucapan Lebih Baik, Telinga yang Sama

Liquid AI LFM3-Audio-2B menjadi unduhan satu perintah pagi ini. ollama run lfm3-audio menarik 2,1 GB dan menjalankan model 2B parameter yang menerima teks atau audio dan menjawab dalam teks, ucapan 24 kHz, atau keduanya. Modelnya sendiri baru berumur sehari — dirilis pada 27 Oktober 2026, di dalam keluarga LFM3 yang berisi enam model. Yang baru pada 28 Oktober adalah cara pengirimannya, dan hal pertama yang perlu diketahui ada di tabel tolok ukur Liquid sendiri: dibandingkan LFM2.5-Audio-1.5B yang digantikannya, kualitas ucapan meningkat tajam, pemahaman audio hampir dua kali lipat, dan pengenalan ucapan bahasa Inggris tidak meningkat sama sekali.

Sisa artikel ini memisahkan apa yang dapat diperiksa hari ini dari apa yang tidak. Cabang audio hanya mendapat satu paragraf dari pos blog keluarga dan sebuah kartu model — tidak ada pengumuman "Introducing LFM3-Audio" tersendiri — dan kami tidak dapat menemukan uji benchmark independen untuk model ini di mana pun. Setiap angka di bawah ini adalah milik Liquid kecuali kalimat menyatakan sebaliknya.

Apa yang dirilis, dan betapa minimnya pengumuman itu

Pos Liquid tanggal 27 Oktober, "Introducing LFM3: Every Modality for Specialized Intelligence", mengumumkan enam model kelas 2B yang dilatih dari LFM3-1.7B-Base: teks, visi, audio, omni, dan dua model keputusan yang dispesialisasikan dari cabang visi dan omni. Audio adalah salah satu dari empat cabang modalitas dan hanya mendapat satu paragraf — peningkatan UTMOSv2, angka 50 ms waktu-ke-token-pertama, codec real-time 87×. Tidak ada pos khusus audio, tidak ada blog benchmark audio, dan tidak ada entri harga untuk model LFM3 mana pun di halaman harga Liquid.

Tiga artefak menempatkan model di hadapan pembaca minggu ini:

• Bobot — {{1}}LiquidAI/LFM3-Audio-2B{{/1}} di Hugging Face, di bawah {{2}}LFM Open License v1.0{{/2}}, dengan kartu model yang memuat tabel perbandingan lengkap.

• llama.cpp — PR #31257, digabungkan 27 Oktober, menambahkan LFM3-Audio-2B dan LFM3-Omni-2B. Ini mempertahankan konvolusi encoder audio dan codec tetap tanpa kuantisasi, menyediakan suara pria atau wanita melalui flag TTS, dan menandai ASR langsung sebagai PR lanjutan, bukan bagian dari penggabungan.

• Ollama — lfm3-audio, 2.1 GB, tag latest dan 2b, menunjukkan 19 unduhan dan "diperbarui satu jam yang lalu" pada saat pengambilan. Header halaman menyebutkan lima model; dua baris dipublikasikan.

Entri Ollama adalah yang paling penting, karena itu satu-satunya jalur yang tidak dimulai dengan membaca kartu model. Entri itu juga muncul tanpa pengumuman apa pun — tidak ada postingan, tidak ada log perubahan, tidak ada apa pun di kartu model itu sendiri yang mengarah ke sana.

Lembar spesifikasi, termasuk angka yang hampir semua orang salah salin

• Parameter — total 2B, pada backbone LFM3 dengan encoder audio kausal internal dan tokenizer LiquidCodec

• Masukan — teks, atau audio yang disampel pada 16 kHz

• Keluaran — teks, ucapan 24 kHz, atau teks dan ucapan yang berselang-seling

• Konteks — 32K token mencakup input dan output. Ini bukan angka 256K yang diulang-ulang dalam liputan peluncuran: angka itu milik LFM3-1.7B, model teks. Halaman cabang audio itu sendiri menyebut 32K.

• Bahasa — 18 bahasa, terdaftar sebagai 19 lokal karena bahasa Inggris muncul dua kali, sebagai varian Britania dan Amerika. ASR langsung hanya tersedia untuk bahasa Inggris; penerjemahan paling kuat ke atau dari bahasa Inggris.

• Lisensi — LFM Open License v1.0, gratis untuk penggunaan komersial di bawah pendapatan tahunan $10M, dengan lisensi komersial berbayar di atas ambang tersebut.

• Jejak penggunaan — 2,1 GB pada build Ollama.

Dua dari baris itu perlu diperhatikan sejenak. Angka konteks adalah angka yang akan salah disebut dalam ringkasan selama berbulan-bulan, karena postingan lini produk memimpin dengan 256K sementara kartu audio diam-diam menyebut 32K. Dan jumlah bahasa itu sebenarnya adalah jumlah lokal yang menyamar: sembilan belas entri, delapan belas bahasa, dengan dua varian bahasa Inggris mengerjakan pekerjaan ekstra. Keduanya bukan skandal, dan keduanya mengubah apa yang akan Anda janjikan kepada pengguna.

Satu perintah, dan bidang yang bertentangan dengan kartu

ollama run lfm3-audio benar-benar merupakan keseluruhan penyiapannya. Halaman tersebut menandai model dengan tools, audio, dan 2b, dan readme tepat di atas tabel model menyatakan bahwa model ini menerima teks atau audio dan merespons dengan teks, ucapan, atau keduanya. Tabel model tidak sependapat: kedua tag mencantumkan input sebagai "Text" dan konteks sebagai tanda pisah.

Itu layak ditanggapi serius, bukan diabaikan sebagai keanehan rendering. Ollama telah mendukung input audio sejak v0.20 pada April 2026, ketika Gemma 4 membawa kemampuan audio, perintah ollama transcribe, dan bagian input_audio bergaya OpenAI. Infrastrukturnya sudah ada. Yang belum terkonfirmasi adalah apakah fitur itu sudah terhubung untuk checkpoint ini — tag audio adalah klaim kemampuan, bukan hasil pengujian. Jika rencana Anda dimulai dengan "pipe a WAV into Ollama", verifikasi dengan satu file sebelum Anda merancang berdasarkan fitur itu.

Keluaran suara memiliki bentuk yang sama dari sisi sebaliknya. Merge llama.cpp mengekspos flag suara TTS; halaman Ollama tidak mendokumentasikan padanan apa pun, dan readme menjelaskan keluaran suara sebagai properti model, bukan fitur CLI. Balikkan setiap kalimat dan kesimpulannya tetap berlaku: jalur terminal saat ini adalah separuh teks dari model suara. Obrolan suara dupleks penuh memerlukan jalur Python atau llama.cpp.

Papan skor yang diterbitkan Liquid

Enam angka, empat di antaranya memiliki nilai pendahulu. Semuanya berasal dari kartu model Liquid, tanpa set pengujian bernama, tanpa harness, dan tanpa varians.

• ASR bahasa Inggris, tingkat kesalahan kata ↓ — 6,23 untuk LFM3-Audio-2B dibandingkan 6,13 untuk LFM2.5-Audio-1.5B. Datar, dan satu-satunya baris yang tidak bergerak.

• ASR Multibahasa, WER/CER ↓ — 6,03. Tidak ada angka pendahulu yang dipublikasikan.

• TTS bahasa Inggris, UTMOSv2 ↑ — 3,83 dibandingkan 3,22. Peningkatan besar; 4,0 biasanya dianggap sebagai ambang mendekati manusia.

• VoiceBench ↑ — 73,13 dibandingkan dengan 55,17.

• Pemahaman audio, MMAR ↑ — 50,60 berbanding 25,85. Hampir dua kali lipat.

• Pemanggilan alat dari ucapan, eval internal ↑ — 58.50. Tidak ada angka pendahulu.

Dibandingkan dengan pesaing lain di tabel yang sama, ini adalah model kecil yang bagus, bukan yang terdepan. Voxtral Mini 3B mencatat WER 5,51 dan NVIDIA Audex 2B mencatat 5,99, keduanya lebih baik daripada 6,23. Qwen2.5-Omni 3B meraih pemahaman audio 54,41 berbanding 50,60. Gemma 4 E4B meraih pemanggilan tool 72,40 berbanding 58,50, dan baris parameter Liquid sendiri menempatkan Gemma tersebut pada 8B berbanding 2B untuk model ini — nama "E4B" menghitung parameter aktif, bukan total parameter. Ringkasan jujurnya: ASR yang kompetitif, peningkatan jelas dalam output suara, dan penalaran audio yang solid untuk model 2B — bukan pemegang rekor di kolom mana pun.

Selisih 6,23 terhadap 6,13 masih dalam rentang yang dihasilkan derau sampling dan tidak boleh dibaca sebagai regresi. Selisih 3,83 terhadap 3,22 tidak demikian — pergeseran UTMOS sebesar 0,6 poin jauh di luar rentang itu. Pembacaan yang dapat dipertahankan adalah bahwa Liquid menghabiskan generasi ini untuk kemampuan generatif: suara lebih baik, penalaran audio lebih baik, dan front end ASR yang mempertahankan posisinya saat encoder berubah di bawahnya. Kami tidak menemukan reproduksi pihak ketiga atas baris mana pun, jadi perlakukan urutan ini sebagai hipotesis sampai ada yang menerbitkannya.

Mengapa codec bertahan lebih lama daripada model

LiquidCodec adalah bagian dari rilis ini yang layak diperhatikan di luar checkpoint. Ia memadatkan 80 ms ucapan menjadi 12 token diskret, mendekode kembali ke 24 kHz dengan dukungan streaming, dan Liquid mengukurnya sekitar 87× waktu nyata pada satu thread CPU M4 Max. Encoder kausal-lah yang memungkinkan prefill selama ucapan berlangsung, bukan setelahnya; dari sinilah angka time-to-first-token "serendah 50 ms" berasal.

Kedua angka itu adalah hal yang paling banyak dikutip dan paling sulit direproduksi dalam peluncuran ini. Keduanya merupakan pengukuran vendor pada perangkat keras Apple tertentu, tanpa harness, tanpa set audio, dan tanpa persentil. Keduanya menggambarkan kasus terbaik. Ponsel, Raspberry Pi, atau VM x86 bersama tidak akan mencapainya, dan tidak ada bagian dalam rilis yang menyebutkan angka apa yang akan dicapai sebagai gantinya.

Dukungan runtime luar biasa luas untuk model yang baru berusia satu hari: Transformers 5.20.2 atau lebih baru dengan trust_remote_code, vLLM dan SGLang untuk checkpoint BF16, llama.cpp untuk GGUF, MLX 4-bit di Apple silicon, ONNX Runtime untuk portabilitas, dan fine-tuning pada satu GPU. Persyaratan kode kustom adalah hal yang perlu dipin. LFM3-Audio dimuat dari modulnya sendiri dan membaca bobot codec dari direktori audio_tokenizer terpisah, jadi lingkungan yang tidak dipin adalah tiket dukungan yang tinggal menunggu terjadi.

Ucapan lokal terhadap endpoint yang dihosting

Alasan model audio 2B berukuran 2,1 GB itu menarik adalah karena alternatifnya menagih Anda untuk setiap detik audio. Hosting sendiri memiliki biaya tetap — mesin yang sudah Anda miliki, sekali unduh, tanpa pengukuran per menit. Endpoint yang di-host memiliki biaya marginal per token dan sama sekali tidak ada permukaan operasional.

Bersikaplah tepat tentang apa yang dicakup masing-masing sisi. Text-to-speech yang dihosting — jenis yang kami rutekan, seperti gpt-4o-mini-tts dengan biaya $0.60 untuk input dan $12.00 untuk output per juta token, atau gemini-2.5-flash-preview-tts pada $0.50 dan $10.00 — mengubah teks menjadi suara dan tidak melakukan hal lain. LFM3-Audio-2B juga mendengarkan, mentranskripsikan, dan menerjemahkan, serta berjalan dengan jaringan terputus. Keduanya menyelesaikan dua bagian berbeda dari agen suara yang sama.

LFM3-Audio-2B tidak ada di OrcaRouter. Model audio yang kami layani adalah endpoint speech yang dihosting, jadi pembagian yang jujur untuk produk suara bulan ini adalah speech lokal masuk dan keluar dengan model Liquid, dan semua sisi teks di balik satu endpoint untuk 200+ model — 0% markup dari harga daftar penyedia, failover otomatis saat penyedia mengalami gangguan, dan DSL routing jika Anda ingin menggabungkan beberapa model menjadi satu panggilan. Itulah yang membuat penyiapan dua runtime dapat bertahan: satu kontrak untuk bagian yang dihosting, satu unduhan untuk bagian lokal.

Untuk sisi lokal, biayanya bukan nol: bobot 2,1 GB, proses yang harus tetap hidup, dan tanpa SLA. Jika audio tidak pernah keluar dari gedung, pertukaran itu mudah. Jika keluar, harga hosted cukup kecil sehingga beban operasional biasanya yang menentukan pilihan.

Siapa yang harus menjalankannya minggu ini, dan siapa yang harus menunggu

Jalankan jika Anda ingin loop suara lokal di laptop dan untuk sementara bisa menerima keluaran teks di terminal. Jalankan jika Anda membutuhkan keluaran suara dalam bahasa yang suara terhosting Anda lemah atau mahal — delapan belas bahasa adalah cakupan yang lebih luas daripada yang ditawarkan sebagian besar model TTS kecil. Jalankan jika Anda memiliki rekaman yang tidak boleh meninggalkan mesin dan ingin transkripsi plus ringkasan dari satu model. Jalankan jika Anda sedang membuat prototipe panggilan alat bersuara dan ingin model berada di mesin yang sama dengan alat tersebut.

Tunggu jika akurasi ASR adalah produknya. Tingkat kesalahan kata 6,23 cukup terhormat dan tertinggal dari tiga model dalam tabel Liquid sendiri. Tunggu jika Anda membutuhkan transkripsi streaming hari ini — ASR langsung adalah PR lanjutan llama.cpp, dan hanya untuk bahasa Inggris saat tersedia. Tunggu jika Anda memerlukan model yang mengetahui berbagai hal: kartu tersebut merekomendasikan retrieval dan secara eksplisit tidak merekomendasikan pengodean agentik atau penalaran multi-langkah pada ukuran ini. Dan tunggu jika Anda memerlukan SLA vendor, karena halaman harga Liquid mencantumkan d1, d1-ultra, dan LFM2.5-24B-A2B dan sama sekali tidak ada endpoint audio LFM3.

Tiga pertanyaan yang tidak dijawab oleh peluncuran ini

Apakah LFM3-Audio-2B model yang sama dengan LFM3-Omni-2B?

Tidak. Keduanya berbagi backbone LFM3 dan sama-sama muncul dalam pull request llama.cpp yang sama, tetapi Omni menambahkan visi di atas audio dan merupakan komitmen yang lebih besar di antara keduanya. Jika tugasnya adalah panggilan telepon, rekaman rapat, atau perintah suara, Audio adalah model yang lebih kecil yang mengerjakan tugas yang lebih kecil. Jika tugasnya melibatkan melihat sesuatu sambil mendengarkannya, itulah cabang omni.

Bisakah ini mentranskripsikan siaran langsung?

Belum melalui llama.cpp. Merge tersebut menandai ASR langsung sebagai tindak lanjut, dan kartu model secara eksplisit menyatakan bahwa ASR langsung hanya untuk bahasa Inggris bahkan setelah fitur itu ada. Transkripsi batch atas rekaman adalah jalur yang didukung saat ini, dengan konteks 32K token — kira-kira batas panjang yang perlu diperhitungkan untuk file panjang, karena token audio dan token teks berbagi anggaran tersebut.

Apakah ini memerlukan GPU?

Tidak, dan itulah inti dari build GGUF. Artefak Ollama 2,1 GB berjalan di CPU. Angka 87× real-time mengukur codec, bukan model bahasa, jadi jangan membacanya sebagai kecepatan end-to-end di perangkat keras Anda. Apple silicon memiliki jalur paling mulus melalui MLX atau dukungan llama.cpp yang telah digabungkan; pada x86, perkirakan decode CPU menjadi hambatan, dan ukur dulu sebelum Anda menjanjikan angka latensi kepada siapa pun.

Apa yang akan mengubah putusan ini

Tiga sinyal, dalam urutan seberapa besar dampaknya. Pertama, tindak lanjut ASR langsung yang hadir di llama.cpp — itu mengubah transkriper batch menjadi sesuatu yang bisa Anda letakkan di belakang mikrofon, yang merupakan kasus penggunaan yang paling diinginkan banyak orang. Kedua, pengujian WER independen pada set standar; sampai itu ada, satu-satunya yang menjaga ASR model ini tetap jujur adalah tabel vendor yang membandingkannya dengan model sebelumnya milik vendor itu sendiri. Ketiga, harga API yang dipublikasikan untuk cabang audio, yang akan memberi tahu kita apakah Liquid berniat menjual pendengaran sebagai layanan atau menjaganya sebagai strategi berbasis bobot.

Sampai saat itu, deskripsi yang akurat bersifat sempit dan berguna: model ucapan 2B yang dapat diunduh dalam satu menit, yang berbicara lebih baik daripada model yang digantikannya, mendengarkan kurang lebih sama baiknya, dan belum memiliki saksi independen. Untuk sebuah prototipe di laptop, itu sudah cukup. Untuk pipeline transkrip produksi, itu tidak cukup — dan jarak antara kedua kalimat itu persis merupakan jarak antara peluncuran dan evaluasi.