LFM3-Audio-2B vs StepAudio 3: 2B Terbuka Melawan Lini Produk yang Dinilai

StepAudio 3 Realtime memiliki angka yang melekat pada hal yang menjadi dasar penilaian produk suara: 98,9% pada papan Conversational Dynamics milik Artificial Analysis, peringkat pertama. LFM3-Audio-2B memiliki lisensi. Itu bukan kontras retoris — itulah keadaan bukti yang sebenarnya. Di sisi StepFun, StepAudio 3 — keluarga ini — dirilis pada 15 September 2026 sebagai lima model audio komersial di satu platform, dengan penempatan pihak ketiga dan harga pratinjau nol. LFM3-Audio-2B milik Liquid AI muncul pada 27 Oktober dalam peluncuran LFM3 yang terdiri atas enam model sebagai checkpoint berbobot terbuka 2B dengan tabel vendor dan tanpa skor independen. Yang satu adalah produk terukur yang Anda sewa. Yang lain adalah berkas tak terukur yang dapat Anda miliki. Keputusan di antara keduanya bukan terutama soal kualitas audio, melainkan soal kalimat mana dari kedua kalimat tersebut yang menggambarkan kendala Anda.

Ada godaan untuk menyatakan model yang punya skor sebagai pemenang lalu beranjak. Tahanlah selama satu paragraf. Skor StepAudio 3 Realtime mengukur dinamika percakapan — giliran bicara, pemulihan setelah interupsi, backchannel — pada sistem terkelola dengan WebSocket persisten dan set pelatihan yang mengutamakan bahasa Mandarin. LFM3-Audio-2B tidak ada di papan itu, bukan dupleks, dan tidak akan diukur olehnya bahkan jika seseorang memasukkannya. Kedua model tidak bersaing untuk slot yang sama dalam sebuah stack. Perbandingan yang berguna adalah apa yang masing-masing bisa lakukan dan tidak bisa dilakukan yang lain, serta berapa biaya yang harus Anda keluarkan untuk mengetahuinya.

Apa sebenarnya StepAudio 3

Nama itu mencakup sebuah keluarga, dan tier yang Anda pilih mengubah perbandingannya. StepFun merilis lima model audio pada 15 September: Realtime, ASR, TTS, Gen, dan Music, semuanya tersedia di platform terbukanya sebagai API komersial. Tier Chat dengan konteks 256K dan output teks melengkapi cakupan yang tersedia bagi pengembang.

• StepAudio 3 Realtime — percakapan full-duplex native, bernalar langsung atas ucapan alih-alih mentranskripsikannya terlebih dahulu, dengan pemanggilan alat dan eksekusi asinkron tugas-tugas panjang saat percakapan terus berlangsung. Produk unggulan, dan yang paling mendekati model suara umum.

• StepAudio 3 ASR — pengenalan, dengan tingkat kesalahan kata 1,7% pada papan akurasi ASR non-streaming Artificial Analysis, berbagi posisi pertama.

• StepAudio 3 TTS — sintesis streaming, enam bahasa (Inggris, Mandarin, Jepang, Korea, Prancis, Spanyol), 12 suara sistem, hingga 1.000 karakter masukan.

• StepAudio 3 Gen — generasi terpadu suara, efek suara, ambiens, musik latar, dan nyanyian dari bahasa alami, saat ini dalam pratinjau gratis terbatas.

• StepAudio 3 Music — pembuatan lagu zero-shot dengan kontrol multi-turn melalui notasi ABC, vokal-ke-aransemen, dan cover.

LFM3-Audio-2B adalah satu checkpoint yang mencoba beberapa tugas tersebut sekaligus: pengenalan, sintesis, terjemahan, pemahaman audio, dan panggilan alat lisan, yang dipilih berdasarkan prompt dan profil penyajian. Model ini tidak akan menghasilkan musik, dan repertoar efek suaranya adalah apa pun yang muncul dari model audio umum. Yang dimilikinya adalah file bobot. StepAudio 3 tidak memilikinya — itu adalah keluarga API komersial, bukan rilis terbuka, dan tidak ada tingkatan yang menyertakan bobot.

Papan skor, dan siapa yang membuatnya

Angka-angka StepFun adalah basis bukti terkuat dalam perbandingan ini, dan juga yang paling mudah dibaca berlebihan. Angka 98,9% untuk Conversational Dynamics merupakan penempatan pihak ketiga di Artificial Analysis, yang membuatnya lebih kredibel daripada tabel vendor. Angka 99,7% untuk penalaran wicara dikutip oleh StepFun, bukan direproduksi secara independen. Tingkat kesalahan kata ASR sebesar 1,7% adalah penempatan Artificial Analysis, berbagi posisi pertama, dan itu termasuk dalam tier ASR, bukan model Realtime. Itu adalah tiga jenis klaim berbeda yang mengenakan seragam yang sama.

Tabel LFM3-Audio-2B seluruhnya dilaporkan oleh vendor dan seluruhnya relatif terhadap pendahulunya sendiri, LFM2.5-Audio-1.5B: WER ASR bahasa Inggris 6,23 dibandingkan 6,13, WER/CER multibahasa 6,03, UTMOSv2 3,83 dibandingkan 3,22, VoiceBench 73,13 dibandingkan 55,17, MMAR 50,60 dibandingkan 25,85, dan evaluasi pemanggilan alat internal sebesar 58,50. Tidak ada set pengujian, harness, atau varians yang disebutkan, dan kami tidak dapat menemukan reproduksi independen atas baris mana pun.

Jika keduanya diletakkan berdampingan, pengamatan jujur adalah bahwa keduanya hampir tidak tumpang tindih. StepAudio 3 Realtime dinilai berdasarkan timing percakapan; LFM3-Audio-2B dinilai berdasarkan pengenalan, kualitas sintesis, dan penalaran audio. Satu-satunya sumbu di mana keduanya mempublikasikan sesuatu adalah pengenalan, dan bahkan di situ perbandingannya terkontaminasi: 1,7% milik StepAudio adalah skor papan independen untuk tier ASR, sedangkan 6,23 milik Liquid adalah angka vendor untuk model audio umum pada himpunan data yang tidak disebutkan namanya. Selisihnya cukup besar sehingga arahnya mungkin nyata. Besarannya bukan pengukuran atas sesuatu yang dijalankan bersama oleh dua tim.

Duplex adalah lini arsitektural

StepAudio 3 Realtime dirancang untuk panggilan telepon. Model ini mendengarkan saat berbicara, menangani interupsi, dan bernalar atas audio mentah alih-alih transkrip, yang menurut StepFun menjaga nada dan penekanan yang akan hilang jika melalui perantara teks. Dokumentasinya menjelaskan pemisahan tersebut secara eksplisit: Realtime API menghadirkan pengenalan suara bawaan, manajemen konteks, VAD, pencarian web, dan retrieval; Chat API membuat Anda harus menerapkan masing-masing fitur itu sendiri.

LFM3-Audio-2B dirancang untuk memenuhi sebuah permintaan. Encoder audio kausal memungkinkannya melakukan prefill saat Anda berbicara, dan LiquidCodec mengalirkan ucapan kembali — 80 ms audio menjadi 12 token, didekode pada sekitar 87× waktu nyata di satu thread CPU M4 Max. Angka time-to-first-token "serendah 50 ms" berasal dari desain tersebut. Namun, mengalirkan balasan tidak sama dengan menangani barge-in, dan Liquid tidak mengklaim duplex. Jika produk Anda perlu menangani pengguna yang menyela pembicaraan, arsitekturlah yang menentukan hal ini sebelum benchmark mana pun.

Ada masalah latensi di sisi lain. StepAudio 3 Realtime mencatat waktu hingga audio pertama sebesar 8,83 detik pada papan peringkat yang sama tempat ia memenangkan dinamika percakapan — dibandingkan dengan 1,18 detik untuk Gemini 3.8 Live dan 1,24 hingga 1,34 detik untuk GPT-Live-1. Model yang memenangkan giliran bicara tetapi membutuhkan waktu hampir selama satu kalimat untuk mulai berbicara adalah model yang kualitas terbaiknya mungkin tidak akan pernah Anda tunjukkan di produksi. Uji latensi sebelum kualitas percakapan, dan uji di luar penyiapan penyajian milik StepFun sendiri jika bisa.

Harga, lisensi, dan apa yang sebenarnya Anda beli

StepAudio 3 berada dalam pratinjau gratis waktu terbatas di seluruh lini, tanpa tarif pasca-pratinjau yang diumumkan untuk tier Realtime. Tier TTS memiliki tarif daftar resmi sekitar $0,36 per 10.000 karakter melalui katalog pihak ketiga, tetapi itu bukan harga Realtime dan tidak boleh digunakan sebagai harga Realtime. Posisi praktisnya adalah StepAudio 3 Realtime gratis untuk dievaluasi saat ini dan belum ada harga untuk produksi — waktu yang baik untuk menguji, waktu yang buruk untuk membangun model ekonomi unit.

LFM3-Audio-2B membebani mesin yang menjalankannya. LFM Open License v1.0 gratis untuk penggunaan komersial di bawah pendapatan tahunan $10M dan berbayar di atasnya. Build Ollama berukuran 2,1 GB dan mampu berjalan di CPU; llama.cpp menggabungkan dukungan pada 27 Oktober; Transformers memerlukan 5.20.2 atau lebih baru dengan trust_remote_code, dan bobot codec dimuat dari direktori terpisah, jadi pin lingkungannya. Tidak ada meteran per menit. Juga tidak ada SLA, tidak ada pager, dan tidak ada vendor yang bisa dihubungi saat output menurun.

• Apa yang Anda dapatkan — StepAudio 3 Realtime: endpoint komersial, unggulan saat ini, dengan dukungan. LFM3-Audio-2B: checkpoint, lisensi, dan beban operasional.

• Apa yang dapat Anda periksa — StepAudio 3: dokumentasi, posisi di papan peringkat, tanpa bobot. LFM3-Audio-2B: arsitektur, kartu, bobot, codec, jalur fine-tuning.

• Bentuk biaya — StepAudio 3: per panggilan, nol saat menganggur, belum diberi harga setelah pratinjau. LFM3-Audio-2B: perangkat keras tetap, biaya marginal mendekati nol, tanpa meteran.

• Mode kegagalan — StepAudio 3: kuota, wilayah, masalah akun, tiket dukungan. LFM3-Audio-2B: Anda yang memegang pager.

Cakupan bahasa bukanlah hasil imbang

LFM3-Audio-2B mencantumkan 18 bahasa di 19 lokal, dengan bahasa Inggris muncul dua kali sebagai varian US dan UK. Itu adalah daftar sintesis yang luas untuk model 2B, dan merupakan argumen praktis terkuat untuknya dalam produk Eropa atau multibahasa. Batasannya pun sama spesifiknya: ASR langsung hanya tersedia dalam bahasa Inggris, dan terjemahan paling kuat ke atau dari bahasa Inggris.

StepAudio 3 mengutamakan bahasa Mandarin. Dokumentasi tier Realtime tidak menerbitkan daftar bahasa lengkap; tier TTS dari keluarga ini mencakup enam bahasa, dan tier ASR dibangun dengan fokus pada bahasa Mandarin dan Inggris, lengkap dengan penanganan dialek, code-switching, audio panjang, dan nyanyian. Jika lalu lintas Anda adalah bahasa Mandarin yang bercampur Inggris, stack StepFun dibangun untuk beban kerja tersebut, sedangkan stack Liquid tidak. Jika lalu lintas Anda adalah bahasa Swedia dan Belanda, checkpoint 18 bahasa adalah satu-satunya dari keduanya yang mengklaim kemampuan itu.

Di mana router cocok, dan di mana tidak

StepAudio 3 tidak ada dalam katalog OrcaRouter, dan LFM3-Audio-2B juga tidak — yang satu API tertutup, yang lain unduhan. Jadi tidak ada cerita failover antara keduanya untuk diceritakan, dan tidak ada alasan untuk berpura-pura sebaliknya.

Lapisan routing menjadi penting satu tingkat di atas, di situlah agen suara benar-benar menaruh kompleksitasnya. StepAudio 3 Realtime mendukung pemanggilan alat dan tugas asinkron berdurasi panjang, yang berarti percakapan terus-menerus menyerahkan pekerjaan kepada model teks biasa: pencarian, ekstraksi, pemeriksaan kebijakan. Lapisan delegasi itulah tempat gangguan penyedia dan variasi biaya berada. OrcaRouter menempatkan lebih dari 200 model teks dan multimodal di balik satu kunci dengan harga daftar penyedia tanpa markup, dengan failover otomatis, DSL routing yang menyusun beberapa model menjadi satu panggilan, dan fusi model ketika penilaian satu model saja tidak cukup. Untuk prototipe LFM3-Audio-2B, itu adalah separuh tumpukan yang dapat Anda pasang di balik endpoint hari ini sementara model audio tetap lokal.

Tiga pertanyaan yang menentukan hasilnya

Apakah Anda perlu percakapan yang bisa disela?

Maka StepAudio 3 Realtime adalah satu-satunya dari kedua ini yang mengklaim perilaku tersebut, dan itu adalah titik awal yang tepat meskipun ada pertanyaan latensi. LFM3-Audio-2B bersifat permintaan-dan-respons; tidak ada jumlah fine-tuning yang mengubah antarmuka. Uji angka audio pertama 8,83 detik di jaringan Anda sendiri sebelum Anda berkomitmen.

Apakah Anda perlu memiliki modelnya atau menjalankannya secara offline?

{{1}}Dengan demikian, LFM3-Audio-2B adalah satu-satunya pilihan di sini{{/1}}, dan ambang lisensi adalah angka yang perlu diperiksa terhadap pendapatan Anda. {{2}}Terimalah konteks 32K, ASR langsung yang hanya untuk bahasa Inggris, dan tidak adanya evaluasi independen.{{/2}} {{3}}Ujikan rekaman Anda sendiri melalui model ini sebelum Anda memercayai peningkatan UTMOS.{{/3}}

Apakah skor vendor sudah cukup untuk memilih?

Belum, dan alasannya bukan karena angka StepFun lemah. Alasannya adalah skor-skor itu mengukur hal yang berbeda dari harness yang berbeda, dan model tanpa skor tidak memenuhi syarat untuk papan peringkat yang menghasilkan angka yang paling banyak dikutip. Perbandingan head-to-head yang netral pada set percakapan yang sama akan lebih menentukan daripada tabel vendor mana pun. Sampai itu ada, pilihannya adalah pertanyaan tentang batasan, bukan pertanyaan tentang kualitas.

Putusan

StepAudio 3 Realtime menang pada sumbu yang saat ini diukur pasar — dinamika percakapan — dan memiliki basis bukti yang lebih kuat karena pihak ketiga menghasilkan sebagiannya. Model ini juga memiliki masalah latensi yang belum terselesaikan, tidak ada harga pasca-pratinjau yang dipublikasikan, tidak ada bobot model, dan profil bahasa yang mengutamakan bahasa Mandarin. Ini adalah pilihan yang lebih baik untuk agen suara real-time yang ditujukan bagi pengguna bahasa Mandarin dan Inggris, asalkan uji latensinya lolos dan harga pratinjau tidak berubah menjadi kejutan.

LFM3-Audio-2B unggul dalam hal kepemilikan dan keluasan sintesis, tetapi kalah dalam hal bukti. Usianya baru empat hari, angkanya dilaporkan oleh vendor, ASR-nya berada di papan tengah dalam tabelnya sendiri, dan lisensinya memiliki ambang pendapatan. Ini adalah pilihan yang lebih baik untuk produk offline, suara multibahasa, atau tim yang tidak dapat menerima tagihan per panggilan — dan satu-satunya dari keduanya yang dapat Anda evaluasi sepenuhnya di perangkat keras Anda sendiri minggu ini.

Yang perlu diperhatikan sama di kedua sisi: evaluasi netral yang menempatkan model dupleks dan model permintaan-dan-respons pada kumpulan percakapan yang sama, dan harga produksi yang dipublikasikan untuk StepAudio 3. Yang pertama akan memberi tahu Anda apakah checkpoint 2B Liquid lebih dekat ke garis terdepan daripada yang tersirat dalam dokumennya. Yang kedua akan memberi tahu Anda apakah keunggulan StepFun bertahan saat berhadapan dengan tagihan.