LFM3-Audio-2B vs Dessa: uno si può scaricare, l'altro si può solo ascoltare

Di Liquid AI, LFM3-Audio-2B è un checkpoint da 2 miliardi di parametri con licenza aperta, un repository Hugging Face e una build da 2,1 GB che puoi scaricare su un laptop. Di Block, Dessa è un modello vocale full-duplex annunciato il 23 ottobre 2026 dietro una lista d'attesa, senza pesi, senza numero di parametri, senza API e senza benchmark pubblicati. Mettili fianco a fianco e il consueto confronto crolla prima ancora di iniziare: uno di questi può essere eseguito, messo a punto e misurato da chiunque stia leggendo questo, e l'altro può solo essere ascoltato. La domanda utile non è quale suoni meglio. È ciò che ciascuna azienda ha scelto di pubblicare, e ciò che quella scelta ti consente di fare lunedì mattina.

Arrivano entrambi con la stessa etichetta di avvertimento, da direzioni opposte. LFM3-Audio-2B è stato rilasciato il 27 ottobre 2026 all'interno del lancio della famiglia LFM3 composta da sei modelli, e il ramo audio ha ricevuto un solo paragrafo del post di Liquid sulla famiglia più una model card. Non esiste un annuncio autonomo "Introducing LFM3-Audio", nessuna voce di prezzo audio sul sito di Liquid e — al momento in cui scriviamo — nessuna esecuzione di benchmark indipendente del modello da nessuna parte. Dessa ha il problema opposto: una dozzina di registrazioni di conversazioni curate e quasi nessuna specifica. Nessuna delle due aziende ha fornito a un esterno abbastanza informazioni per riprodurre un risultato.

Che cosa ciascuno ha effettivamente pubblicato

Togli gli aggettivi e il resoconto è breve. Tutto ciò che segue proviene dalla model card di Liquid, dal post sulla sua famiglia o dall'annuncio di Block stesso; nulla è stato verificato in modo indipendente.

• Cosa ricevi — LFM3-Audio-2B: un checkpoint BF16, conversioni GGUF e MLX a 4 bit, un tokenizer e i pesi del codec in una directory audio_tokenizer separata. Dessa: un modulo di lista d'attesa e una serie di videoclip.

• Dimensione — LFM3-Audio-2B: 2B parametri, 2,1 GB nella build Ollama. Dessa: non divulgato. Block afferma che entra in un MacBook Pro M4 Max, il che implica un modello abbastanza piccolo per 128 GB di memoria unificata, ma questa è un'inferenza, non un numero.

• Input e output — LFM3-Audio-2B: testo o audio a 16 kHz in ingresso; testo, parlato a 24 kHz oppure testo e parlato interlacciati in uscita. Dessa: audio in ingresso, audio in uscita, senza alcun intermedio testuale in nessun punto.

• Contesto — LFM3-Audio-2B: 32K token che coprono input e output. Non è il dato di 256K ripetuto in alcune trattazioni di LFM3; quello appartiene al modello testuale, LFM3-1.7B. Dessa: non pubblicato.

• Licenza — LFM3-Audio-2B: LFM Open License v1.0, gratuita per uso commerciale sotto i $10M di fatturato annuo. Dessa: nessun peso, quindi nessuna licenza da leggere.

• Benchmark — LFM3-Audio-2B: una tabella del fornitore a sei righe. Dessa: nessuna.

L'ultima riga è il punto in cui il confronto diventa interessante. Liquid ha pubblicato numeri e nessun testimone indipendente. Block ha pubblicato testimoni — giornalisti che hanno ascoltato le stesse clip — e nessun numero. Un lettore che cerca di scegliere tra i due sta scegliendo quale tipo di lacuna tollerare.

L'unico vantaggio che Dessa ha e che non può essere scaricato

Dessa è progettata per il full duplex: ascolta mentre parla. Il modello può essere interrotto a metà frase, può lasciar cadere un «giusto» o un «mm-hm» mentre stai ancora parlando, e può adattare i suoi tempi ai tuoi. Le demo di Block si affidano molto a questo — una risata nel bel mezzo della propria frase, un cambio di volume su richiesta, il titolo di un film completato per un interlocutore che lo aveva dimenticato. The Verge, ascoltando le stesse registrazioni, ha trovato le conversazioni «un po' imbarazzanti e inquietanti», che è una descrizione adeguata di un sistema che impara i tempi in pubblico.

LFM3-Audio-2B non lo afferma. È un modello richiesta-e-risposta con streaming: un encoder audio causale gli consente di eseguire il prefill mentre parli, ed è da lì che deriva il dato di Liquid di «fino a 50 ms» per il time-to-first-token, mentre LiquidCodec trasmette in streaming l'audio vocale di risposta. Trasmettere in streaming una risposta non equivale a gestire il barge-in. Se il tuo prodotto richiede una conversazione in cui si può parlare sopra, LFM3-Audio-2B è il tipo sbagliato di modello, e nessuna quantità di fine-tuning cambia l'interfaccia.

Quello che la demo di Dessa non può dirti è con quale frequenza si comporta così quando nessuno sta selezionando il clip. Block afferma che le registrazioni sono dal vivo, non guidate e sottotitolate successivamente, il che esclude la forma più grossolana di frode dimostrativa. Non esclude però la selezione. Un team che registra molte conversazioni e pubblica le migliori ha dimostrato che esistono buone conversazioni, non che il modello sia affidabile.

I numeri pubblicati da Liquid e quanto valgono

La model card di Liquid riporta sei cifre, quattro con un valore del predecessore. Tutte confrontano LFM3-Audio-2B con LFM2.5-Audio-1.5B, il modello che sostituisce. Non viene indicato alcun test set, harness o varianza.

• ASR inglese, tasso di errore per parola — 6,23 rispetto a 6,13. Invariato. L'unica riga che non si è mossa, e un divario abbastanza piccolo da poter essere rumore di campionamento.

• ASR multilingue, WER/CER — 6,03. Nessun dato del predecessore pubblicato.

• TTS inglese, UTMOSv2 — 3,83 contro 3,22. Uno scarto di 0,6 punti, ben al di fuori del rumore, su una scala in cui 4,0 è solitamente considerato quasi umano.

• VoiceBench — 73,13 contro 55,17.

• Comprensione audio, MMAR — 50,60 contro 25,85. Quasi il doppio.

• Chiamata degli strumenti dalla voce, valutazione interna — 58.50. Nessun dato del predecessore.

Rispetto agli altri modelli nella tabella di Liquid, questo 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; Gemma 4 E4B ottiene 72,40 nel tool calling. Il riassunto onesto è riconoscimento competitivo, un chiaro passo avanti nella qualità vocale e un ragionamento solido per un 2B — nessun record in nessuna colonna.

Dessa non ha una riga equivalente, e l'assenza non è un tecnicismo. Un modello solo voce addestrato senza testo non ha un'interfaccia nativa per uno schema JSON, un PDF o una chiamata API. Block ammette le questioni aperte sulla propria pagina: con quale efficienza un modello solo voce apprenda fatti e lingue, e se l'apprendimento in contesto sopravviva senza pretraining testuale. Queste sono la differenza tra un interlocutore convincente e un assistente generale, e nessuna delle due aziende ha pubblicato il test che lo risolverebbe.

Licenza, accesso e chi può costruire su cosa

La licenza di LFM3-Audio-2B è la ragione pratica per cui vince la maggior parte delle trattative di procurement prima ancora che si discuta della qualità. La LFM Open License v1.0 consente l'uso commerciale sotto i 10 milioni di dollari di ricavi annuali e richiede una licenza a pagamento al di sopra. I pesi sono su Hugging Face; llama.cpp ha integrato il supporto nella PR #31257 il 27 ottobre; Ollama elenca una build da 2,1 GB; Transformers richiede la 5.20.2 o successiva con trust_remote_code. Il requisito del codice personalizzato è l'aspetto da fissare — il modello si carica dal proprio modulo e legge i pesi del codec da una directory separata, quindi un ambiente non bloccato è un ticket di supporto in attesa di accadere.

Dessa non ha un percorso paragonabile. L'accesso prevede una lista d'attesa e un accesso anticipato per un piccolo gruppo di ricercatori sulla sicurezza dell'IA che presentano domanda con un'email istituzionale. Le ragioni dichiarate da Block — curiosità, interazione uomo-IA, sicurezza — sono coerenti con il mantenere una voce che legge le emozioni dentro una piccola stanza. Il compromesso è che l'accesso vincolato e la valutazione indipendente tirano in direzioni opposte. Finché un gruppo esterno non pubblica numeri, la documentazione pubblica consiste nei clip del fornitore più le impressioni dei giornalisti sui clip del fornitore.

C’è un costo di secondo ordine che raramente entra nei paragoni. Un modello scaricabile è una dipendenza di cui sei proprietario: 2,1 GB, un processo da mantenere in vita, nessun SLA e una soglia di licenza da monitorare man mano che cresci. Un modello in lista d’attesa non è affatto una dipendenza: è un risultato di ricerca che puoi citare e non puoi rilasciare. Per un team che sceglie uno stack vocale, non sono due punti sulla stessa linea. Sono due decisioni diverse.

Ciò che serve a un agente vocale e che nessuno dei due modelli fornisce da solo

I sistemi vocali in produzione raramente si basano su un solo modello. Che il front end sia duplex o basato su richiesta e risposta, la conversazione continua ad assegnare lavoro a normali modelli di testo: una ricerca, un'estrazione, un controllo delle policy, una chiamata di ragionamento dietro una pausa mantenuta. È in quel livello di delega che risiede la variabilità dei costi, e dove un'ora negativa di un provider diventa la tua interruzione del servizio.

Per essere precisi sulla nostra copertura: LFM3-Audio-2B non è su OrcaRouter, e Dessa non è affatto un'API. Ciò che OrcaRouter fornisce è il livello testuale a cui un agente vocale delega — più di 200 modelli dietro un'unica chiave al prezzo di listino del provider senza ricarichi aggiunti, failover automatico quando un provider incontra un problema, un DSL di routing che compone più modelli in un'unica chiamata e fusione di modelli quando il giudizio di un singolo modello non basta. Se stai prototipando con LFM3-Audio-2B in locale, la metà del ciclo dedicata al tool-calling è la parte che puoi mettere dietro quell'endpoint oggi; la metà audio resta sulla tua macchina.

Il test che lo risolverebbe

Per LFM3-Audio-2B, le prove mancanti sono specifiche: un'esecuzione WER indipendente su un set standard, una misurazione della latenza su hardware che non sia un M4 Max e una riproduzione del guadagno UTMOS da parte di qualcuno che non lavora per Liquid. Anche il follow-up live-ASR in llama.cpp è importante, perché oggi la trascrizione batch è il percorso supportato e il limite è solo l'inglese quando arriverà lo streaming.

Per Dessa, la lista è più breve e più difficile: un set di conversazioni hold-out, latenza end-to-end inclusa la prima reazione udibile, recupero dopo un'interruzione, intelligibilità in condizioni di rumore, un budget di dati e calcolo, e una qualche misura della ritenzione fattuale. Ognuno di questi elementi trasformerebbe un montaggio dimostrativo in una valutazione. Tutti insieme ne farebbero un prodotto.

Fino a quel momento, la descrizione accurata è ristretta e utile. LFM3-Audio-2B è un modello vocale da 2B che puoi scaricare in un minuto, parla meglio del modello che sostituisce, ascolta più o meno altrettanto bene e non ha ancora testimoni indipendenti. Dessa è la demo vocale più interessante del mese, senza alcun modo di verificarla. Se devi costruire questo trimestre, solo una di quelle frasi si conclude con un deployment.