LFM3-Audio-2B su Ollama: voce migliore, le stesse orecchie

Di Liquid AI, LFM3-Audio-2B è diventato questa mattina un download con un solo comando. ollama run lfm3-audio scarica 2,1 GB e avvia un modello da 2 miliardi di parametri che accetta testo o audio e risponde con testo, parlato a 24 kHz o entrambi. Il modello stesso ha un giorno di vita — è stato rilasciato il 27 ottobre 2026, all'interno della famiglia LFM3 da sei modelli. La novità del 28 ottobre è la distribuzione, e la prima cosa che vale la pena sapere si trova nella tabella di benchmark della stessa Liquid: rispetto a LFM2.5-Audio-1.5B che sostituisce, la qualità del parlato è aumentata nettamente, la comprensione audio è quasi raddoppiata e il riconoscimento del parlato in inglese non è migliorato affatto.

Il resto di questo articolo separa ciò che è verificabile oggi da ciò che non lo è. Il ramo audio ha ricevuto un solo paragrafo di un post del blog della famiglia e una scheda modello — non esiste un annuncio "Introducing LFM3-Audio" a sé stante — e non siamo riusciti a trovare alcuna esecuzione indipendente di benchmark di questo modello da nessuna parte. Ogni numero riportato di seguito è di Liquid, salvo diversa indicazione nella frase.

Cosa è stato rilasciato e quanto è stato scarno l'annuncio

Il post del 27 ottobre di Liquid, "Introduzione a LFM3: ogni modalità per l'intelligenza specializzata", ha annunciato sei modelli di classe 2B addestrati da LFM3-1.7B-Base: testo, visione, audio, omni e due modelli decisionali specializzati dai rami visione e omni. L'audio è uno dei quattro rami di modalità e riceve un solo paragrafo — il miglioramento di UTMOSv2, il valore di 50 ms di tempo al primo token, il codec 87× in tempo reale. Non esiste un post specifico per l'audio, né un blog di benchmark audio, né una voce di prezzo per alcun modello LFM3 sulla pagina dei prezzi di Liquid.

Tre artefatti hanno messo il modello davanti a un lettore questa settimana:

• Pesi — LiquidAI/LFM3-Audio-2B su Hugging Face, con la LFM Open License v1.0, con una model card che riporta la tabella comparativa completa.

• llama.cpp — PR #31257, unita il 27 ottobre, aggiunge LFM3-Audio-2B e LFM3-Omni-2B. Mantiene non quantizzate le convoluzioni dell'encoder audio e il codec, espone una voce maschile o femminile tramite un flag TTS e contrassegna l'ASR live come PR successiva anziché come parte del merge.

• Ollama — lfm3-audio, 2,1 GB, tag latest e 2b, mostra 19 download e "aggiornato un'ora fa" al momento della cattura. L'intestazione della pagina indica cinque modelli; sono pubblicate due righe.

La voce di Ollama è quella che conta di più, perché è l'unica via che non inizia con la lettura di una model card. È anche arrivata senza alcun tipo di annuncio — nessun post, nessun changelog, nulla sulla card stessa del modello che vi faccia riferimento.

La scheda tecnica, inclusa la cifra che quasi tutti hanno copiato sbagliata

• Parametri — 2B in totale, sul backbone LFM3 con un encoder audio causale interno e il tokenizer LiquidCodec

• Input — testo, oppure audio campionato a 16 kHz

• Output — testo, parlato a 24 kHz, oppure testo e parlato intercalati

• Contesto — 32K token che coprono input e output. Non è la cifra di 256K che viene ripetuta nella copertura del lancio: quella appartiene a LFM3-1.7B, il modello testuale. La pagina del ramo audio stesso indica 32K.

• Lingue — 18, elencate come 19 varianti locali perché l'inglese compare due volte, come variante britannica e americana. L'ASR in tempo reale è disponibile solo in inglese; la traduzione è più affidabile da o verso l'inglese.

• Licenza — LFM Open License v1.0, gratuita per uso commerciale al di sotto di 10 milioni di dollari di fatturato annuo, con licenza commerciale a pagamento al di sopra di tale soglia.

• Ingombro — 2,1 GB come build Ollama.

Due di quelle righe meritano una pausa. Il numero di contesto è quello che un riepilogo sbaglierà per mesi, perché il post della famiglia apre con 256K e la scheda audio dice tranquillamente 32K. E il conteggio delle lingue è un conteggio delle locale mascherato: diciannove voci, diciotto lingue, con le due varianti dell'inglese che fanno il lavoro extra. Nessuno dei due è uno scandalo, ed entrambi cambiano ciò che prometteresti a un utente.

Un comando, e il campo che contraddice la scheda

ollama run lfm3-audio è davvero l'intera configurazione. La pagina contrassegna il modello con i tag tools, audio e 2b, e il README direttamente sopra la tabella del modello dice che accetta testo o audio e risponde con testo, parlato o entrambi. La tabella del modello non è d'accordo: entrambi i tag indicano l'input come "Text" e il contesto come un trattino.

Vale la pena prenderlo sul serio invece di liquidarlo come una stranezza di rendering. Ollama supporta l'input audio dalla v0.20 di aprile 2026, quando Gemma 4 ha introdotto una capacità audio, un comando ollama transcribe e parti input_audio in stile OpenAI. Il meccanismo esiste. Ciò che non è confermato è se sia predisposto per questo checkpoint: il tag audio è un'affermazione di capacità, non un risultato di test. Se il tuo piano inizia con «inviare un WAV a Ollama tramite pipe», verificalo con un file prima di costruirci sopra il progetto.

L'output vocale ha la stessa forma dall'altro lato. Il merge di llama.cpp espone un flag per la voce TTS; la pagina di Ollama non documenta nulla di equivalente, e il readme descrive l'output vocale come una proprietà del modello anziché una funzionalità della CLI. Inverti ogni frase e la conclusione regge: il percorso terminale oggi è la metà testuale di un modello vocale. La chat vocale full-duplex richiede la via Python o llama.cpp.

Il tabellone pubblicato da Liquid

Sei numeri, quattro dei quali hanno un valore precedente. Provengono tutti dalla model card di Liquid, senza un set di test denominato, senza harness e senza varianza.

• ASR in inglese, tasso di errore sulle parole ↓ — 6,23 per LFM3-Audio-2B contro 6,13 per LFM2.5-Audio-1.5B. Invariato, e l'unica riga che non si è mossa.

• ASR multilingue, WER/CER ↓ — 6.03. Nessun valore del predecessore pubblicato.

• TTS inglese, UTMOSv2 ↑ — 3,83 contro 3,22. Un grande salto; 4,0 è solitamente considerato la soglia del quasi umano.

• VoiceBench ↑ — 73,13 contro 55,17.

• Comprensione audio, MMAR ↑ — 50,60 rispetto a 25,85. Quasi il doppio.

• Tool calling da voce, valutazione interna ↑ — 58.50. Nessun valore precedente.

Rispetto al resto del campo in quella stessa tabella, è un buon modello piccolo più che un leader. Voxtral Mini 3B registra 5,51 WER e NVIDIA Audex 2B registra 5,99, entrambi migliori di 6,23. Qwen2.5-Omni 3B ottiene 54,41 nella comprensione audio contro 50,60. Gemma 4 E4B ottiene 72,40 nel tool calling contro 58,50, e la riga dei parametri di Liquid stesso colloca quel Gemma a 8B contro i 2B di questo modello — il nome "E4B" conta i parametri attivi, non quelli totali. La sintesi onesta è: ASR competitivo, un chiaro passo avanti nell'output vocale e un solido ragionamento audio per 2B — non un detentore di record in nessuna colonna.

Il divario tra 6,23 e 6,13 rientra in ciò che produce il rumore di campionamento e non va letto come una regressione. Non lo è il divario tra 3,83 e 3,22: uno spostamento di 0,6 punti di UTMOS è ben al di fuori di quell'intervallo. La lettura difendibile è che Liquid abbia investito questa generazione sulla generazione: voce migliore, ragionamento audio migliore e un front end ASR che ha tenuto botta mentre gli encoder cambiavano sotto di esso. Non abbiamo trovato alcuna riproduzione di terze parti di nessuna riga, quindi trattate l'ordinamento come un'ipotesi finché qualcuno non ne pubblichi una.

Perché il codec sopravvive al modello

LiquidCodec è la parte di questa release che vale la pena tenere d'occhio oltre il checkpoint. Comprime 80 ms di parlato in 12 token discreti, decodifica di nuovo a 24 kHz con supporto per lo streaming, e Liquid la misura a circa 87× la velocità in tempo reale su un singolo thread CPU di un M4 Max. L'encoder causale è ciò che consente il prefill durante il parlato anziché dopo, ed è da lì che deriva il valore di time-to-first-token "fino a 50 ms".

Quei due numeri sono le cose più citate e meno riproducibili del lancio. Entrambi sono misurazioni del fornitore su hardware Apple specificamente indicato, senza harness, senza set audio e senza percentile. Descrivono uno scenario ottimale. Un telefono, un Raspberry Pi o una VM x86 condivisa non li raggiungeranno, e nulla nella release dice cosa raggiungeranno invece.

Il supporto runtime è insolitamente ampio per un modello vecchio di un giorno: Transformers 5.20.2 o versioni successive con trust_remote_code, vLLM e SGLang per il checkpoint BF16, llama.cpp per GGUF, MLX 4-bit su Apple silicon, ONNX Runtime per la portabilità e fine-tuning su una singola GPU. Il requisito del codice personalizzato è l'aspetto da bloccare. LFM3-Audio si carica dal proprio modulo e legge i pesi del codec da una directory audio_tokenizer separata, quindi un ambiente non bloccato è un ticket di assistenza pronto a succedere.

Riconoscimento vocale locale rispetto a un endpoint ospitato

Il motivo per cui un modello audio da 2B a 2,1 GB è interessante è che l'alternativa ti addebita ogni secondo di audio. L'hosting in proprio ha un costo fisso — una macchina che possiedi già, un download, nessuna tariffazione al minuto. Un endpoint ospitato ha un costo marginale per token e nessuna superficie operativa.

Sii preciso su cosa copre ciascuna delle due parti. Il text-to-speech ospitato — quello che instradiamo, come gpt-4o-mini-tts a $0,60 in ingresso e $12,00 in uscita per milione di token, oppure gemini-2.5-flash-preview-tts a $0,50 e $10,00 — trasforma il testo in parlato e nient'altro. LFM3-Audio-2B ascolta, trascrive e traduce anche, e funziona con la rete scollegata. Coprono due metà diverse dello stesso agente vocale.

LFM3-Audio-2B non è su OrcaRouter. I modelli audio che serviamo sono endpoint vocali ospitati, quindi la divisione onesta per un prodotto vocale questo mese è voce locale in entrata e in uscita con il modello Liquid, e tutto il lato testo dietro un unico endpoint per 200+ modelli — 0% di ricarico sul prezzo di listino del provider, failover automatico quando un provider ha un intoppo, e un DSL di routing se vuoi comporre diversi modelli in un'unica chiamata. È questo che rende sopravvivibile una configurazione a due runtime: un contratto per la metà ospitata, un download per la metà locale.

Per la metà locale il costo non è zero: 2,1 GB di pesi, un processo da mantenere attivo e nessun SLA. Se l'audio non lascia mai l'edificio, questo compromesso è facile. Se invece lo fa, il prezzo dell'hosted è abbastanza contenuto che di solito è il carico operativo a decidere la questione.

Chi dovrebbe gestirlo questa settimana, e chi dovrebbe aspettare

Eseguilo se vuoi un ciclo vocale locale su un portatile e per ora puoi convivere con l'output testuale nel terminale. Eseguilo se ti serve un output vocale in una lingua in cui la voce ospitata che hai è debole o costosa — diciotto lingue sono una copertura maggiore di quella offerta dalla maggior parte dei piccoli modelli TTS. Eseguilo se hai registrazioni che non possono lasciare la macchina e vuoi trascrizione più riepilogo da un unico modello. Eseguilo se stai prototipando chiamate vocali agli strumenti e vuoi il modello sullo stesso computer dello strumento.

Attenzione se l'accuratezza ASR è il prodotto. Un word error rate di 6,23 è rispettabile e dietro a tre modelli nella tabella della stessa Liquid. Attenzione se ti serve la trascrizione in streaming oggi: l'ASR live è una PR successiva di llama.cpp, e solo in inglese quando arriverà. Attenzione se ti serve che il modello sappia le cose: la card raccomanda il retrieval e sconsiglia esplicitamente il coding agentico o il ragionamento multi-step a questa dimensione. E attenzione se ti serve un SLA del fornitore, perché la pagina dei prezzi di Liquid elenca d1, d1-ultra e LFM2.5-24B-A2B e nessun endpoint audio LFM3.

Tre domande a cui il lancio non risponde

LFM3-Audio-2B è lo stesso modello di LFM3-Omni-2B?

No. Condividono l'architettura di base LFM3 ed entrambi sono comparsi nella stessa pull request di llama.cpp, ma Omni aggiunge la visione all'audio ed è la scelta più impegnativa delle due. Se il lavoro è una chiamata telefonica, la registrazione di una riunione o un comando vocale, Audio è il modello più piccolo che svolge il compito più piccolo. Se il lavoro implica guardare qualcosa mentre lo si ascolta, quello è il ramo omni.

Può trascrivere un live stream?

Non ancora tramite llama.cpp. Il merge indica l'ASR live come follow-up, e la model card è esplicita sul fatto che l'ASR live è solo in inglese anche una volta che esisterà. La trascrizione batch di una registrazione è il percorso supportato oggi, con 32K token di contesto — all'incirca il limite di lunghezza da tenere presente per i file lunghi, dato che i token audio e i token di testo condividono quel budget.

Richiede una GPU?

No, e questo è il punto della build GGUF. L'artefatto Ollama da 2,1 GB gira su CPU. Il valore di 87× in tempo reale misura il codec, non il modello linguistico, quindi non interpretarlo come velocità end-to-end sul tuo hardware. Apple silicon ha il percorso più fluido tramite MLX o il supporto integrato di llama.cpp; su x86 aspettati che il decode su CPU sia il collo di bottiglia, e misura prima di promettere a chiunque un numero di latenza.

Che cosa cambierebbe questo verdetto?

Tre segnali, in ordine di quanto conterebbero. Primo, il follow-up ASR live che approda in llama.cpp: questo trasforma un trascrittore batch in qualcosa che potresti mettere dietro a un microfono, che è il caso d'uso che la maggior parte delle persone vuole davvero. Secondo, una valutazione WER indipendente su un set standard; finché non ne esiste una, l'unica cosa che tiene onesta l'ASR di questo modello è una tabella del fornitore che lo confronta con il modello precedente del fornitore stesso. Terzo, un prezzo API pubblicato per il ramo audio, che ci direbbe se Liquid intende vendere l'ascolto come servizio o tenerlo come una scommessa sui pesi.

Fino ad allora, la descrizione accurata è ristretta e utile: un modello vocale da 2B che puoi scaricare in un minuto, che parla meglio del modello che sostituisce, ascolta più o meno altrettanto bene e non ha ancora testimoni indipendenti. Per un prototipo su un laptop, basta. Per una pipeline di trascrizione in produzione, no — e il divario tra queste due frasi è esattamente la distanza tra un lancio e una valutazione.