LFM3-Audio-2B vs Dessa: Satu Bisa Diunduh, Satu Hanya Bisa Didengar

milik Liquid AI LFM3-Audio-2B adalah checkpoint 2B parameter dengan lisensi terbuka, repositori Hugging Face, dan build 2,1 GB yang dapat Anda unduh ke laptop. Milik Block, Dessa adalah model ucapan full-duplex yang diumumkan pada 23 Oktober 2026 di balik daftar tunggu, tanpa bobot, tanpa jumlah parameter, tanpa API, dan tanpa tolok ukur yang dipublikasikan. Jika keduanya disandingkan, perbandingan yang biasa langsung runtuh sebelum dimulai: salah satunya dapat dijalankan, di-fine-tune, dan diukur oleh siapa pun yang membaca ini, sedangkan yang lain hanya dapat didengarkan. Pertanyaan yang berguna bukanlah mana yang terdengar lebih baik, melainkan apa yang dipilih masing-masing perusahaan untuk dipublikasikan, dan apa yang memungkinkan Anda lakukan dengan pilihan itu pada Senin pagi.

Keduanya hadir dengan label peringatan yang sama, dari arah yang berlawanan. LFM3-Audio-2B dirilis pada 27 Oktober 2026 dalam peluncuran keluarga LFM3 yang terdiri dari enam model, dan cabang audio hanya mendapat satu paragraf dari postingan keluarga Liquid plus kartu model. Tidak ada pengumuman mandiri "Introducing LFM3-Audio", tidak ada entri harga audio di situs Liquid, dan — per saat tulisan ini dibuat — tidak ada uji benchmark independen atas model ini di mana pun. Dessa mengalami masalah sebaliknya: selusin rekaman percakapan terkurasi dan hampir tanpa spesifikasi. Tidak ada perusahaan yang memberi orang luar cukup informasi untuk mereproduksi hasil.

Apa yang sebenarnya diterbitkan oleh masing-masing

Singkirkan kata sifatnya, dan catatannya singkat. Semua yang di bawah ini berasal dari kartu model Liquid, postingan keluarga produknya, atau pengumuman Block sendiri; tidak ada yang telah diverifikasi secara independen.

Apa yang Anda terima — LFM3-Audio-2B: checkpoint BF16, konversi 4-bit GGUF dan MLX, tokenizer, serta bobot codec di direktori audio_tokenizer terpisah. Dessa: formulir daftar tunggu dan sekumpulan klip video.

• Ukuran — LFM3-Audio-2B: 2B parameter, 2,1 GB sebagai build Ollama. Dessa: tidak diungkapkan. Block menyatakan model ini muat di MacBook Pro M4 Max, yang menyiratkan model cukup kecil untuk memori terpadu 128 GB, tetapi itu adalah inferensi, bukan angka.

• Masukan dan keluaran — LFM3-Audio-2B: teks atau audio 16 kHz masuk; teks, ucapan 24 kHz, atau teks dan ucapan yang saling berselang-seling keluar. Dessa: audio masuk, audio keluar, tanpa perantara teks pada titik mana pun.

• Konteks — LFM3-Audio-2B: 32K token mencakup input dan output. Ini bukan angka 256K yang disebut berulang dalam beberapa liputan LFM3; angka itu milik model teks, LFM3-1.7B. Dessa: belum diterbitkan.

• Lisensi — LFM3-Audio-2B: LFM Open License v1.0, gratis untuk penggunaan komersial dengan pendapatan tahunan di bawah $10 juta. Dessa: tidak ada bobot, jadi tidak ada lisensi yang perlu dibaca.

• Benchmark — LFM3-Audio-2B: tabel pemasok enam baris. Dessa: tidak ada.

Baris terakhir itulah tempat perbandingan menjadi menarik. Liquid menerbitkan angka dan tidak ada saksi independen. Block menerbitkan saksi — jurnalis yang mendengarkan klip yang sama — dan tidak ada angka. Pembaca yang mencoba memilih di antara keduanya sedang memilih jenis celah mana yang bisa ditoleransi.

Satu-satunya keunggulan yang dimiliki Dessa yang tidak dapat diunduh

Dessa dibangun untuk dupleks penuh: ia mendengarkan sambil berbicara. Model dapat disela di tengah kalimat, dapat menyelipkan "ya" atau "mm-hm" saat Anda masih berbicara, dan dapat menyesuaikan waktunya dengan waktu Anda. Demo Block sangat bergantung pada hal ini — tawa di tengah kalimatnya sendiri, perubahan volume saat diminta, judul film yang diselesaikan untuk pembicara yang lupa. The Verge, yang mendengarkan rekaman yang sama, menemukan percakapan itu "agak canggung dan aneh", yang merupakan deskripsi yang adil untuk sistem yang mempelajari waktu di depan publik.

LFM3-Audio-2B tidak mengklaim hal itu. Model ini bersifat permintaan-dan-respons dengan streaming: encoder audio kausal memungkinkannya melakukan prefill saat Anda berbicara, dan dari situlah angka time-to-first-token Liquid "serendah 50 ms" berasal, sementara LiquidCodec mengalirkan ucapan kembali. Mengalirkan balasan tidak sama dengan menangani barge-in. Jika produk Anda memerlukan percakapan yang bisa disela saat sedang berbicara, LFM3-Audio-2B adalah bentuk model yang salah, dan sebanyak apa pun fine-tuning tidak akan mengubah antarmukanya.

Apa yang tidak dapat diberitahukan oleh demo Dessa kepada Anda adalah seberapa sering ia berperilaku seperti itu ketika tidak ada yang memilih klip tersebut. Block mengatakan bahwa rekaman itu live, tanpa pengarahan, dan diberi subtitel setelahnya, yang menyingkirkan bentuk penipuan demo paling kasar. Hal itu tidak menyingkirkan kemungkinan seleksi. Tim yang merekam banyak percakapan dan menerbitkan yang terbaik di antaranya telah membuktikan bahwa percakapan yang baik itu ada, bukan bahwa model tersebut andal.

Angka yang dipublikasikan Liquid, dan berapa nilainya

Kartu model Liquid memuat enam angka, empat di antaranya memiliki nilai pendahulu. Semuanya membandingkan LFM3-Audio-2B dengan LFM2.5-Audio-1.5B, model yang digantikannya. Tidak ada set pengujian, harness, atau varians yang disebutkan.

• ASR bahasa Inggris, tingkat kesalahan kata — 6,23 berbanding 6,13. Datar. Satu-satunya baris yang tidak bergerak, dan selisihnya cukup kecil sehingga bisa jadi hanya noise pengambilan sampel.

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

• TTS bahasa Inggris, UTMOSv2 — 3,83 versus 3,22. Kenaikan 0,6 poin, jauh di luar noise, pada skala yang nilai 4,0 biasanya dianggap mendekati kualitas manusia.

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

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

• Pemanggilan alat dari ucapan, evaluasi internal — 58,50. Tidak ada angka pendahulu.

Dibandingkan dengan model lain dalam tabel Liquid sendiri, ini adalah model kecil yang baik, 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 unggul dalam pemahaman audio dengan 54,41; Gemma 4 E4B unggul dalam pemanggilan alat dengan 72,40. Ringkasan jujurnya adalah pengenalan yang kompetitif, peningkatan yang jelas dalam kualitas suara, dan penalaran yang solid untuk 2B — bukan rekor di kolom mana pun.

Dessa tidak memiliki baris yang setara, dan ketiadaannya bukan sekadar formalitas teknis. Model khusus ucapan yang dilatih tanpa teks tidak memiliki antarmuka bawaan untuk skema JSON, PDF, atau panggilan API. Block mengakui pertanyaan-pertanyaan terbuka di halamannya sendiri: seberapa efisien model khusus ucapan mempelajari fakta dan bahasa, dan apakah pembelajaran dalam konteks tetap bertahan tanpa pra-pelatihan teks. Itu adalah perbedaan antara mitra percakapan yang memikat dan asisten umum, dan tidak ada perusahaan yang telah menerbitkan uji yang dapat menyelesaikannya.

Lisensi, akses, dan siapa yang dapat membangun di atas apa

Lisensi LFM3-Audio-2B adalah alasan praktis mengapa model ini memenangkan sebagian besar pembicaraan pengadaan sebelum kualitas dibahas. LFM Open License v1.0 mengizinkan penggunaan komersial di bawah pendapatan tahunan $10 juta dan mewajibkan lisensi berbayar di atasnya. Bobot tersedia di Hugging Face; dukungan gabungan llama.cpp ada di PR #31257 pada 27 Oktober; Ollama mencantumkan build 2.1 GB; Transformers memerlukan versi 5.20.2 atau lebih baru dengan trust_remote_code. Persyaratan kode kustom adalah hal yang perlu dipastikan — model dimuat dari modulnya sendiri dan membaca bobot codec dari direktori terpisah, jadi lingkungan yang versinya tidak dikunci akan menjadi tiket dukungan yang tinggal menunggu terjadi.

Dessa tidak memiliki jalur yang sebanding. Aksesnya berupa daftar tunggu ditambah akses awal bagi sekelompok kecil peneliti keselamatan AI yang mendaftar dengan email institusional. Alasan yang dinyatakan Block — rasa ingin tahu, interaksi manusia–AI, keselamatan — konsisten dengan menjaga suara yang membaca emosi tetap berada di ruang kecil. Trade-off-nya adalah akses terbatas dan evaluasi independen tarik-menarik ke arah yang berlawanan. Sampai kelompok luar menerbitkan angka, catatan publik adalah klip vendor ditambah kesan jurnalis terhadap klip vendor tersebut.

Ada biaya tingkat kedua yang jarang masuk ke dalam perbandingan. Model yang dapat diunduh adalah dependensi yang Anda miliki: 2,1 GB, proses yang harus tetap hidup, tanpa SLA, dan ambang lisensi yang perlu diawasi saat Anda berkembang. Model yang masih dalam daftar tunggu sama sekali bukan dependensi — itu adalah hasil penelitian yang bisa Anda kutip tetapi tidak bisa Anda rilis. Bagi tim yang memilih stack suara, itu bukan dua titik pada satu garis. Itu adalah dua keputusan yang berbeda.

Apa yang dibutuhkan agen suara yang tidak dapat disediakan oleh masing-masing model secara sendiri

Sistem suara produksi jarang berupa satu model saja. Baik front end-nya duplex maupun request-and-response, percakapan terus menyerahkan pekerjaan kepada model teks biasa: pencarian, ekstraksi, pemeriksaan kebijakan, panggilan penalaran di balik jeda yang ditahan. Lapisan delegasi itulah tempat variasi biaya berada, dan tempat satu jam buruk dari satu penyedia menjadi gangguan layanan Anda.

Tepatnya mengenai cakupan kami sendiri: LFM3-Audio-2B tidak ada di OrcaRouter, dan Dessa sama sekali bukan API. Yang disajikan OrcaRouter adalah lapisan teks yang didelegasikan oleh agen suara — lebih dari 200 model di balik satu kunci pada harga daftar penyedia tanpa tambahan markup, failover otomatis saat penyedia tersandung, DSL perutean yang menggabungkan beberapa model menjadi satu panggilan, dan fusi model ketika penilaian satu model saja tidak cukup. Jika Anda membuat prototipe dengan LFM3-Audio-2B secara lokal, separuh loop pemanggilan alat adalah bagian yang dapat Anda letakkan di balik endpoint tersebut hari ini; separuh audio tetap di mesin Anda.

Tes yang akan menyelesaikannya

Untuk LFM3-Audio-2B, bukti yang hilang bersifat spesifik: pengujian WER independen pada set standar, pengukuran latensi pada perangkat keras yang bukan M4 Max, dan reproduksi perolehan UTMOS oleh seseorang yang tidak bekerja untuk Liquid. Tindak lanjut ASR langsung di llama.cpp juga penting, karena transkripsi batch adalah jalur yang didukung saat ini dan hanya bahasa Inggris menjadi batasannya ketika streaming tersedia.

Bagi Dessa, daftarnya lebih pendek dan lebih sulit: kumpulan percakapan yang disisihkan, latensi end-to-end termasuk reaksi pertama yang terdengar, pemulihan dari interupsi, kejelasan dalam kebisingan, anggaran data dan komputasi, serta semacam ukuran retensi faktual. Salah satu saja dari itu akan mengubah reel demo menjadi evaluasi. Semuanya akan menjadikannya produk.

Sampai saat itu, deskripsi yang akurat bersifat sempit dan berguna. LFM3-Audio-2B adalah model ucapan 2B yang dapat Anda unduh dalam satu menit, yang berbicara lebih baik daripada model yang digantikannya, mendengarkan kurang lebih sama baiknya, dan belum memiliki saksi independen. Dessa adalah demo suara paling menarik bulan ini, tanpa cara untuk memeriksanya. Jika Anda perlu membangun kuartal ini, hanya salah satu dari kalimat itu yang berujung pada penerapan.