LFM3-Audio-2B vs Voxtral 3: Unduhan 2,1 GB Berbanding Platform Suara

Cara jujur untuk membuka perbandingan antara LFM3-Audio-2B dan Voxtral 3 adalah dengan mengatakan bahwa belum ada yang menerbitkan hasil uji coba keduanya. Liquid AI menerbitkan tabel benchmark untuk model audio 2 miliar parameternya, dan Mistral menerbitkan tabel untuk rangkaian model ucapan mereka, namun kedua tabel tersebut hampir tidak memiliki baris yang sama. Di bagian yang memang bersinggungan, model yang diukur bukanlah generasi yang sama. Siapa pun yang mengatakan kepada Anda mana di antara keduanya yang "lebih baik" berdasarkan benchmark sedang membandingkan angka dari satu rangkaian pengujian dengan angka dari rangkaian pengujian lain, sambil berharap Anda tidak memeriksanya.

Jadi bagian ini melakukan sesuatu yang kurang rapi tetapi lebih berguna. Ini memisahkan pertanyaan yang bisa Anda jawab dari pertanyaan yang tidak bisa Anda jawab. Anda belum bisa mengatakan model mana yang mentranskripsikan bahasa Jerman lebih baik, karena tidak ada uji multibahasa bersama di antara keduanya. Anda bisa mengatakan, dengan yakin dan berdasarkan dokumentasi kedua vendor itu sendiri, bahwa ini sama sekali bukan jenis produk yang sama: yang satu adalah file 2,1 GB yang Anda jalankan sendiri, dan yang lain adalah pipeline empat model dengan SDK teleponi yang menyertainya dan tanpa bobot yang dapat diunduh.

Perbedaan itu menentukan sebagian besar penerapan nyata sebelum satu angka WER pun dirujuk. Sisa artikel ini membahas kasus ketika hal itu tidak berlaku.

Voxtral Liquid yang di-benchmark bukanlah Voxtral yang Anda bandingkan.

Kartu model Liquid menempatkan LFM3-Audio-2B di samping enam pesaing, dan salah satunya adalah Voxtral. Baris itu diberi label Voxtral Mini 3B, dan pada ASR bahasa Inggris model ini mengalahkan model Liquid: tingkat kesalahan kata 5,51% versus 6,23%. Itulah satu-satunya perbandingan langsung Voxtral yang dipublikasikan Liquid, dan mudah ditafsirkan sebagai "model audio Mistral mentranskripsikan lebih akurat."

Ini bukan perbandingan yang tersirat dalam judul. Voxtral Mini 3B adalah mistralai/Voxtral-Mini-3B-2507 — model 3B yang dirilis pada Juli 2025 di bawah Apache 2.0, dibuat untuk penerapan lokal dan edge. Model ini mendahului Voxtral 3 selama lima belas bulan dan termasuk dalam generasi produk yang berbeda. Rangkaian produk Mistral pada 20 Oktober 2026 tidak memuat model bernama Voxtral Mini 3B; transcriber terkecilnya adalah Voxtral Mini Transcribe 3 dengan 4B parameter dan $0,0035 per menit.

Ada juga ketidaksesuaian di dalam tabel. Kolom parameter pada baris itu tertulis 5B, pada baris yang dinamai untuk model 3B. Itu bukan alasan untuk tidak memercayai angka WER, yang berasal dari evaluasi bernama — ESB dan kumpulan leaderboard Open ASR, yang dirata-ratakan. Itu adalah alasan untuk membaca judul kolom pada tabel vendor sebelum Anda membaca angka-angkanya.

Konsekuensinya layak dinyatakan secara gamblang, karena ini adalah fakta paling berguna dalam artikel ini: tidak ada perbandingan langsung yang dipublikasikan antara LFM3-Audio-2B dan model Voxtral 3 mana pun. Bukan dari Liquid, bukan dari Mistral, dan bukan dari evaluator independen. Liquid membandingkan model barunya dengan model audio open-weights Mistral dari tahun 2025, yang merupakan pilihan yang dapat dipertahankan untuk perbandingan adil antara model terbuka dengan model terbuka — dan juga merupakan satu-satunya jenis perbandingan yang kini mungkin dilakukan, karena Voxtral 3 tidak merilis bobotnya. Perbandingan audio open-weight tahun 2026 sama sekali tidak dapat dijalankan terhadap Voxtral 3.

Apa sebenarnya kedua produk itu

Asimetri lebih mudah terlihat pada bentuk rilisnya daripada pada spesifikasinya.

LFM3-Audio-2B adalah sebuah model, dirilis pada 27 Oktober 2026 sebagai bagian dari keluarga LFM3 yang terdiri atas enam model. Model ini menerima masukan teks atau audio 16 kHz, dan menghasilkan teks, ucapan 24 kHz, atau teks dan ucapan yang berselang-seling, plus panggilan alat. Encoder audio kausal internal yang baru memungkinkannya melakukan prefill saat Anda masih berbicara. Tokenizer LiquidCodec miliknya memampatkan 80 milidetik ucapan menjadi 12 token diskret, yang didekode secara paralel alih-alih secara berurutan, pada sekitar 87 kali waktu nyata di satu thread CPU M4 Max — angka throughput codec, bukan persyaratan perangkat keras.

Voxtral 3, yang diumumkan pada 20 Oktober 2026, adalah sebuah rangkaian: pentranskripsi batch, pentranskripsi batch kedua yang lebih kecil, pentranskripsi streaming, model TTS, produk adaptasi suara, dan SDK agen suara berbasis LiveKit yang menyatukan semuanya melalui SIP dan WebRTC. Anda tidak memilih Voxtral 3. Anda memilih sebuah pipeline, dan Voxtral 3 menyediakan tahap-tahapnya.

• Bobot — LFM3-Audio-2B merilis bobot terbuka di bawah LFM Open License v1.0; Voxtral 3 tidak menerbitkan bobot yang dapat diunduh, dan materi peluncuran Mistral justru menjelaskan akses API, playground Studio, serta penerapan infrastruktur privat.

• Jejak — 2,1 GB pada Ollama terhadap endpoint; tidak ada file Voxtral 3 untuk diukur ukurannya.

• Konteks — 32K token untuk LFM3-Audio-2B, input ditambah output. Mistral sama sekali tidak mempublikasikan angka konteks untuk para transkriper; sebagai gantinya, mereka menetapkan harga per menit.

• Modalitas — LFM3-Audio-2B bersifat any-to-any dalam satu model: mendengar, berbicara, memahami, menerjemahkan, memanggil alat. Voxtral 3 memecahnya ke model dan endpoint terpisah; model transkripsi dan model TTS bukan sistem yang sama.

• Lisensi — LFM Open License v1.0, gratis untuk penggunaan komersial dengan pendapatan tahunan di bawah $10 juta; Voxtral 3 adalah API komersial yang ketentuannya berlaku per panggilan.

• Diarisasi dan pembobotan konteks — Voxtral 3 memiliki keduanya, dengan cpWER 18,4% pada set diarisasi milik Mistral sendiri dan recall frasa kunci naik dari 81,4% menjadi 94,6% saat Anda menyediakan konteks. LFM3-Audio-2B tidak mempublikasikan keduanya.

Cakupan bahasa adalah satu-satunya kesenjangan yang masih jauh dari tertutup.

LFM3-Audio-2B mendukung 18 bahasa di 19 lokal, yang tercantum pada kartu: Arab, Denmark, Jerman, Yunani, Inggris (Britania dan Amerika dihitung terpisah), Finlandia, Prancis, Ibrani, Italia, Jepang, Korea, Belanda, Polandia, Portugis, Spanyol, Swedia, Turki, dan Tionghoa. Model ini melakukan benchmark ASR multibahasa pada sembilan di antaranya dan melaporkan tingkat kesalahan rata-rata 6,03 pada FLEURS, menggunakan character error rate untuk Tionghoa, Jepang, dan Korea.

Transcriber Voxtral 3 mencakup 50 bahasa atau lebih. Model realtime-nya mengklaim 35+ bahasa di satu bagian halaman dan 40+ di bagian lain, sebuah ketidakonsistenan yang biasanya berarti angka itu berubah selama minggu peluncuran dan tidak ada yang menyelaraskan salinan teksnya.

Jika audio Anda datang dalam bahasa Vietnam, Hindi, Rusia, Norwegia, atau Katalan, LFM3-Audio-2B tidak mencantumkannya, dan Voxtral 3 dapat berbicara dalam kelima bahasa itu — kelimanya termasuk di antara delapan belas bahasa preset suara yang disebut Mistral. Di seluruh daftar, kami tidak dapat mengidentifikasi bahasa yang didukung Liquid yang tidak diklaim dapat dicakup oleh 50+ bahasa transkripsi Mistral. Catatan jujur yang perlu disampaikan adalah bahwa Mistral menerbitkan daftar preset suaranya secara lengkap dan cakupan transkripsinya hanya sebagai jumlah, jadi sebagian dari perbandingan ini adalah membandingkan daftar dengan angka.

Ada batasan yang lebih tajam di dalam dokumentasi Liquid sendiri. Mode ASR langsung dari model — mode yang mentranskripsikan saat audio dialirkan masuk, dalam potongan sekitar 0,96 detik — hanya mendukung bahasa Inggris. Transkripsi batch mencakup daftar lengkap 18 bahasa; jalur streaming tidak. Siapa pun yang merencanakan fitur takarir multibahasa waktu nyata dari LFM3-Audio-2B harus membaca baris itu dua kali, karena hal itu menyingkirkan model tersebut untuk pekerjaan ini terlepas dari tabel WER.

Dua angka latensi yang tidak mengukur hal yang sama

Liquid mengiklankan waktu hingga token pertama "serendah 50 ms." Mistral mengiklankan di bawah 500 ms untuk transkriper real-time-nya dan satu giliran agen penuh dalam waktu kurang dari satu detik. Angka-angka itu tidak sebanding, dan selisihnya bukan kesalahan pembulatan.

Angka 50 ms merujuk pada jalur ucapan-ke-ucapan: encoder kausal mulai memproses sebelum Anda menyelesaikan kalimat, sehingga model dapat mulai mengeluarkan token pertama balasannya saat audio masih masuk. Ini adalah klaim tentang interaktivitas dalam model percakapan. Angka di bawah 500 ms adalah latensi transkripsi — jeda sebelum teks muncul — dan tabel Mistral sendiri menunjukkan biayanya. Dalam benchmark realtime-nya, Voxtral Mini Transcribe Realtime 3 pada latensi 960 ms membaca WER 6,0%; pada 480 ms sebesar 6,4%; pada 240 ms sebesar 7,4%. Latensi dan akurasi memiliki trade-off langsung satu sama lain, dan Mistral memungkinkan Anda memilih titik pada kurva itu.

Liquid tidak menerbitkan kurva yang setara. Liquid menerbitkan batas bawah — 50 ms — tanpa perangkat keras yang dinyatakan, tanpa set pengujian, dan tanpa akurasi pada latensi tersebut. Batas bawah itu mungkin nyata. Namun itu belum menjadi spesifikasi yang dapat Anda jadikan dasar untuk merencanakan produk.

Perhitungan biayanya, dijabarkan alih-alih sekadar diklaim

Membandingkan model open-weight dengan API per menit bermuara pada volume, dan hitungannya cukup sederhana untuk dilakukan dengan benar.

Transkripsi, 1.000 jam audio — 60.000 menit. Voxtral Mini Transcribe 3 dengan $0,0035/menit adalah $210. Voxtral Small Transcribe 3 dengan $0,004 adalah $240. Voxtral Mini Transcribe Realtime 3 dengan $0,008 adalah $480. LFM3-Audio-2B adalah unduhan gratis yang berjalan di perangkat keras yang sudah Anda miliki, jadi biaya marginalnya adalah listrik.

Sintesis suara, 1.000 jam — dengan sekitar 900 karakter per menit ucapan, itu berarti 54 juta karakter. Voxtral Mini TTS 3 dengan $13 per juta karakter adalah $702. LFM3-Audio-2B tidak memakan biaya per karakter, dan menawarkan dua opsi suara, pria dan wanita, yang dipilih melalui prompt. Voxtral mengkloning suara dari 30 menit audio dan menyediakan kontrol emosi, tempo, dan penekanan.

Agen suara langsung, 1.000 jam percakapan — Mistral menetapkan harga pipeline yang dirakit sebesar $0,04 per menit dengan Mistral Small 4 yang melakukan penalaran, $0,08 dengan model yang lebih besar. Itu berarti $2.400 hingga $4.800. LFM3-Audio-2B menangani pendengaran dan pembicaraan secara lokal, tetapi model ini masih memerlukan model penalaran untuk apa pun di luar kemampuannya sendiri, dan kartunya menyatakan terus terang bahwa model ini tidak direkomendasikan untuk penalaran multi-langkah yang kompleks.

Bagian yang biasanya dilewatkan: titik impas. Mesin seharga $1.000 mencapai titik impas setelah sekitar 4.760 jam Voxtral Mini Transcribe 3 — kira-kira 200 hari audio tanpa henti, atau satu setengah tahun dengan delapan jam sehari. Pada volume kecil, API lebih murah daripada membeli perangkat keras, dan lebih murah sejak hari Anda mulai. Kasus open-weights bukanlah "gratis." Ini adalah "biaya tetap alih-alih biaya marginal," dan hanya menang ketika volumenya ada, kebutuhan privasi ketat, atau perangkat tidak memiliki jaringan.

Di mana sebuah router mendapatkan tempatnya dalam gambaran ini bukan pada salah satu model audio — baik LFM3-Audio-2B maupun Voxtral 3 tidak ada di katalog OrcaRouter saat ini, dan kami tidak akan berpura-pura sebaliknya. Tempatnya adalah pada tahap penalaran yang pada akhirnya dibutuhkan kedua arsitektur. Agen suara adalah sebuah rantai: transkripsi, penalaran, ucapan. Mata rantai tengahnya adalah LLM yang dihosting, dan itulah mata rantai yang diuntungkan oleh satu kunci untuk lebih dari 200 model, harga daftar penyedia diteruskan dengan markup 0% sehingga perubahan harga vendor sampai kepada Anda pada hari yang sama, dan failover otomatis ketika penyedia mengalami gangguan di tengah panggilan.

Apa yang terverifikasi, dan apa yang tidak

Ada tiga tingkat bukti yang berperan di sini, dan mencampuradukkannya adalah cara perbandingan menjadi keliru.

Diukur secara independen. Kualitas transkripsi Voxtral 3 memiliki angka dari pihak ketiga: Artificial Analysis menempatkan Voxtral Small Transcribe 3 pada 2,1% WER di indeksnya sendiri, peringkat ketiga secara keseluruhan per 21 Oktober 2026, dengan Voxtral Mini Transcribe 3 di 2,2%. TTS-nya berada di peringkat 13 pada arena Provider Voice dengan 1.217 Elo dan peringkat 14 pada Controlled Voice dengan 1.066 — di tengah-tengah, dan perlu dikatakan secara terus terang mengingat postingan sosial Mistral menyebutnya sebagai dua belas teratas.

Dilaporkan vendor, belum direproduksi. Setiap angka LFM3-Audio-2B dalam artikel ini adalah milik Liquid sendiri: WER bahasa Inggris 6.23, angka multibahasa 6.03, UTMOSv2 3.83, VoiceBench 73.13, evaluasi tool-calling internal 58.50, dan MMAR 50.60. Tidak ada entri Artificial Analysis untuk model ini pada saat tulisan ini dibuat, dan belum ada pihak ketiga yang menerbitkan reproduksi. Perlakukan semuanya sebagai klaim, bukan pengukuran.

Sama sekali tidak sebanding. Angka WER bahasa Inggris Liquid sebesar 6,23% dan angka FLEURS Mistral sebesar 4,0% serta angka Artificial Analysis sebesar 2,1% adalah tiga pengujian berbeda pada tiga kumpulan audio berbeda. Jangan mengurangkannya. Satu-satunya perbandingan dengan harness yang sama yang diterbitkan Liquid adalah terhadap Voxtral Mini 3B — model open-weights 2025. Di sana, model 2B Liquid mencetak 6,23 berbanding Voxtral 5,51 pada ASR bahasa Inggris, tetapi mengalahkannya pada ASR multibahasa 6,03 berbanding 7,76, VoiceBench 73,13 berbanding 65,78, MMAR 50,60 berbanding 50,10, dan tool calling 58,50 berbanding 44,50.

Apa yang sebenarnya dimaksud dengan "dirilis secara senyap" di sini

LFM3-Audio-2B tidak mendapat peluncuran tersendiri, dan perbedaan itu penting jika Anda sedang memutuskan seberapa besar Anda harus memercayai dokumentasinya.

Liquid mengumumkan keluarga LFM3 pada 27 Oktober 2026 melalui postingan berjudul "Introducing LFM3: Every Modality for Specialized Intelligence." Model audio muncul di sana sebagai salah satu dari enam model, dalam sebuah bagian — tidak ada postingan blog khusus LFM3-Audio, tidak ada peluncuran terpisah, dan tidak ada halaman produk tersendiri. Bobot dan kartu modelnya lengkap dan bersifat publik. Entri Ollama, ollama run lfm3-audio pada 2,1 GB, muncul pada 28 Oktober tanpa pengumuman terkait dari Liquid maupun Ollama, bersamaan dengan pull request llama.cpp yang menambahkan model audio dan omni dengan ASR langsung ditunda ke pembaruan lanjutan.

Jadi framing-nya adalah: artefak itu nyata dan terdokumentasi, peluncurannya hanyalah satu paragraf di dalam pengumuman keluarga model, dan dukungan runtime lokal baru tiba sehari kemudian, secara diam-diam. Secara praktis, artinya kartu model adalah otoritasnya — bukan postingan peluncuran, karena memang tidak ada — dan kartu itu luar biasa spesifik soal keterbatasan, yang merupakan nilai plus. Kartu itu menyebut LiveASR hanya untuk bahasa Inggris. Dikatakan bahwa model ini bukan untuk pengodean agentik atau penalaran multi-langkah yang kompleks. Model ini mengarahkan tugas-tugas yang sarat pengetahuan ke retrieval. Vendor yang menyembunyikan model lemah biasanya tidak menuliskan hal itu.

Siapa yang harus mengambil yang mana

Pilih LFM3-Audio-2B jika audio tidak boleh meninggalkan perangkat, jika Anda memerlukan satu model yang mendengar sekaligus berbicara tanpa menggabungkan dua layanan, jika bahasa Anda termasuk di antara delapan belas bahasanya, dan jika volume Anda cukup tinggi sehingga biaya perangkat keras tetap lebih unggul daripada tagihan per menit. Ini juga pilihan yang tepat untuk membuat prototipe antarmuka suara tanpa pengadaan sama sekali — 2,1 GB dan satu perintah Ollama. Terimalah bahwa ASR bahasa Inggris-nya tertinggal dari generasi terakhir Voxtral terbuka, bahwa streaming hanya tersedia dalam bahasa Inggris, dan bahwa belum ada evaluator independen yang memeriksa angka-angkanya.

Ambil Voxtral 3 jika Anda membangun agen telepon, bukan sekadar fitur model. Suite ini memang dirancang untuk dirakit: transcriber, model penalaran, TTS, melalui SIP dan WebRTC, dengan barge-in dan deteksi akhir giliran yang sudah terpecahkan. Ambil juga jika Anda membutuhkan 50+ bahasa, diarisasi, pembobotan konteks untuk nama dan jargon, atau kloning suara — empat kemampuan yang tidak ditawarkan LFM3-Audio-2B dalam bentuk apa pun. Konsekuensinya, Anda tidak dapat mengunduhnya, tidak dapat memeriksanya, dan biaya Anda meningkat secara linear untuk setiap menit layanan, selamanya.

Ambil keduanya jika arsitekturnya memungkinkan, dan sering kali memang demikian. Jalankan LFM3-Audio-2B di perangkat untuk wake-word, dikte lokal, dan jalur offline; kirim panggilan yang memerlukan cakupan multibahasa, diarisasi, atau suara hasil kloning ke Voxtral 3. Keduanya tidak bersaing untuk slot yang sama dalam tumpukan. Satu adalah model di dalam produk Anda; yang lainnya adalah vendor yang Anda hubungi ketika produknya adalah saluran telepon.

Perbandingan yang perlu diperhatikan

Dua hal akan menyelesaikan ini dengan semestinya, dan keduanya belum ada.

Yang pertama adalah evaluasi independen LFM3-Audio-2B pada harness yang sama yang digunakan Artificial Analysis untuk model Voxtral 3. Satu angka itu — indeks WER-nya pada tes bersama — akan mengubah klaim paling konsekuensial dalam tabel Liquid dari asersi vendor menjadi pengukuran, dan akan memberi tahu Anda apakah model 2B yang berjalan di laptop benar-benar berada dalam selisih satu poin dari model 4B yang dihosting.

Yang kedua adalah apakah Mistral pernah merilis bobot Voxtral 3. Model audio perusahaan itu pada 2025 terbuka di bawah Apache 2.0; rangkaian 2026 tidak. Jika itu berbalik, perbandingan adil terbuka-versus-terbuka yang dipilih Liquid untuk diterbitkan menjadi perbandingan yang aktual kembali, dan catatan peringatan utama artikel ini tidak berlaku lagi.

Sampai salah satu dari itu terjadi, posisi yang dapat dipertahankan adalah posisi yang tidak glamor. Dalam hal keluasan kemampuan, Voxtral 3 menang dengan selisih yang tidak dapat ditutup oleh perselisihan benchmark apa pun: lima puluh bahasa, diarisasi, kloning, teleponi. Dalam hal kemampuan penerapan, LFM3-Audio-2B menang dengan margin yang sama besarnya, karena hanya itu dari keduanya yang bisa Anda pegang. Semua yang di antaranya adalah angka dari tabel satu vendor di samping angka dari tabel vendor lain, dan jawaban jujur untuk "mana yang lebih akurat" adalah bahwa belum ada yang mengukurnya.