LFM3-Audio-2B vs Qwen-Audio-3.1: un checkpoint, molte metriche

Chiedi quanto Qwen-Audio-3.1 costa e la prima risposta onesta è un'altra domanda: quale? Il nome copre una linea vocale ospitata a più livelli — un modello duplex in tempo reale, un livello flash in tempo reale, trascrizione in streaming e da file, e due modelli di sintesi — e ogni livello ha il proprio tariffario. LFM3-Audio-2B è il tipo opposto di oggetto: un unico checkpoint 2B di Liquid AI, rilasciato il 27 ottobre 2026 all'interno della famiglia LFM3 da sei modelli, scaricabile con la LFM Open License v1.0, con una build Ollama da 2,1 GB e nessun contatore per chiamata da nessuna parte. Confrontarli non è un confronto sulla qualità audio. È un confronto tra due forme di fatturazione, e l'aritmetica dà risultati diversi a seconda che il tuo traffico sia costante, a picchi o ancora ipotetico.

Anche le modalità di rilascio contano, perché stabiliscono le aspettative per la documentazione. Qwen-Audio-3.1 è improntato al catalogo: gli ID dei modelli sono documentati in Alibaba Cloud Model Studio, descritti in una o due righe ciascuno, con prezzo per token, senza pesi pubblicati e senza un conteggio pubblico dei parametri. LFM3-Audio-2B è improntato ai pesi: un repository, una model card, una pull request incorporata in llama.cpp e un paragrafo nel post della famiglia del suo fornitore. Uno è una linea di prodotti che noleggi. L'altro è un file che possiedi. Ogni differenza pratica illustrata di seguito deriva da questo.

Cosa comprende in realtà il nome

Qwen-Audio-3.1 non è un unico endpoint, e trattarlo come tale è l'errore più comune nei confronti. I livelli svolgono compiti diversi:

• qwen-audio-3.1-realtime-flash — voce duplex in tempo reale, testo e audio in ingresso e in uscita, con function calling, ricerca web, clonazione vocale e tre modalità di rilevamento del turno. È l'analogo più vicino a LFM3-Audio-2B, nonché il tier a cui questo articolo fa riferimento per il prezzo.

• qwen-audio-3.1-realtime-plus — il livello realtime più completo. Alibaba documenta per questo modello una conversione audio da 12,5 token al secondo e applica una tariffa di output sostanzialmente più alta rispetto al livello flash. Prodotto diverso, costo diverso.

qwen-audio-3.1-asr-flash-streaming — riconoscimento in streaming, con risultati intermedi, VAD, hotword e rimozione delle disfluenze. Nessun output vocale.

• qwen-audio-3.1-asr-flash-filetrans — la stessa attività di riconoscimento eseguita in batch su un file.

• Qwen-Audio-3.1-TTS e TTS-Next — sintesi, con il modello Next presentato come modello "Audiogen" per voce, effetti sonori e ambienza in un'unica passata a 48 kHz.

LFM3-Audio-2B accorpa quelle attività in un unico checkpoint. Riconoscimento, sintesi, traduzione, comprensione audio e chiamate vocali agli strumenti sono modalità dello stesso modello 2B, selezionate tramite prompt e profilo di serving. Non c'è alcuno SKU da scegliere e nessun misuratore separato per parlare rispetto ad ascoltare. Il compromesso è granularità in cambio di semplicità: non puoi pagare solo per il riconoscimento quando il riconoscimento è tutto ciò che ti serve, perché in ogni caso esegui l'intero modello.

Il disegno di legge, definito

Alibaba pubblica le tariffe per qwen-audio-3.1-realtime-flash in USD per milione di token. A Singapore: input testo $0,23, input audio $0,93, output testo $0,70, output audio $1,87. Pechino è leggermente più economica a $0,212, $0,848, $0,636 e $1,696. I limiti di frequenza sono 60 richieste al minuto e 100.000 token al minuto, senza un limite separato sulle connessioni WebSocket simultanee. La finestra di contesto è di 262.144 token, con un massimo di input di 245.760 e output di 16.384 — ma la cronologia audio è limitata a 50 turni o 300 secondi cumulativi, che è il limite che una conversazione lunga raggiunge effettivamente.

LFM3-Audio-2B non ha un listino prezzi perché Liquid non lo vende come endpoint. Il costo è la macchina su cui lo esegui, il download da 2,1 GB e la soglia di licenza: gratuito per uso commerciale sotto i 10 milioni di dollari di fatturato annuo, a pagamento oltre tale soglia. Su un laptop è quasi zero; su una GPU è quanto già paghi per la capacità inattiva. Il codec è la promessa di efficienza che vale la pena conoscere — LiquidCodec comprime 80 ms di parlato in 12 token e decodifica a circa 87× il tempo reale su un singolo thread CPU di un M4 Max — ma questo misura il codec, non il modello linguistico, e non va interpretato come throughput end-to-end sul tuo hardware.

Ora la parte che decide. Un modello realtime ospitato fattura per token di conversazione, inclusa l'audio che genera, e il costo di un agente vocale risiede nell'output. Un modello self-hosted fattura per ora di hardware, che qualcuno stia parlando o meno. Per un contact centre che opera a carico costante, il costo fisso si ammortizza e il valore per ora può scendere sotto qualsiasi listino. Per un prodotto con traffico a picchi — un team di compliance che trascrive mille chiamate l'ultimo giorno del trimestre e nulla per undici settimane — vince la fatturazione per chiamata, perché le GPU fatturano anche durante il silenzio. Nessuna delle due forme è più economica in generale. Sono più economiche a livelli di utilizzo diversi.

Copertura, latenza e le dichiarazioni che non soddisfano

• Lingue — LFM3-Audio-2B: 18 lingue, 19 varianti locali, con ASR in tempo reale limitato all'inglese e traduzione più efficace da o verso l'inglese. Qwen-Audio-3.1: la documentazione di Alibaba per il livello flash in tempo reale non pubblica un elenco delle lingue; i suoi livelli di riconoscimento sono documentati intorno a mandarino, cantonese, sichuanese e altri dialetti cinesi, con rilevamento automatico della lingua. Considerare la copertura sconosciuta per Qwen finché la documentazione non la elenca.

• Latenza — LFM3-Audio-2B: "fino a 50 ms" di tempo al primo token, misurati dal fornitore su hardware Apple specificamente indicato, senza percentile né harness. Qwen-Audio-3.1: il dato di punta della famiglia Alibaba di 92 ms al primo token proviene dal suo benchmark interno ad alta concorrenza su una specifica 0,6B, non da test di terze parti. Nessuno dei due è un valore tipico.

• Duplex — LFM3-Audio-2B: richiesta e risposta con streaming; un encoder causale consente il prefill mentre parli, ma non viene dichiarato il barge-in. Qwen-Audio-3.1 realtime-flash: esplicitamente duplex, con VAD lato server e una modalità smart-turn che gestisce le interruzioni.

• Contesto — LFM3-Audio-2B: 32K token, input più output. Questa non è la cifra di 256K ripetuta in alcune trattazioni su LFM3; quella appartiene al modello di testo. Qwen-Audio-3.1 realtime-flash: 262K token, con il limite della cronologia audio di cui sopra.

Quella linea duplex è quella che cambia l'architettura. Se il tuo prodotto deve essere interrotto a metà frase, LFM3-Audio-2B è il modello dalla forma sbagliata e nessun prompt lo risolve. Se il tuo prodotto legge una registrazione e risponde a una domanda su di essa, il duplex è irrilevante e il checkpoint 2B è l'oggetto più semplice.

Chi ha misurato che cosa

Liquid pubblica sei valori per LFM3-Audio-2B, tutti confrontati con il proprio modello precedente, LFM2.5-Audio-1.5B: WER ASR inglese 6,23 (contro 6,13, invariato), WER/CER multilingue 6,03, UTMOSv2 3,83 (contro 3,22), VoiceBench 73,13 (contro 55,17), MMAR 50,60 (contro 25,85) e una valutazione interna di tool-calling a 58,50. Non viene indicato alcun set di test, harness o varianza. Non siamo riusciti a trovare alcuna riproduzione indipendente di nessuna riga.

Le prove di Qwen sono di natura diversa. Esiste un rapporto tecnico, "Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction", che riporta un miglioramento del successo sul compito in un adattamento speech-to-text half-duplex di τ-Voice dal 78,4% all'82,0%, e una riduzione del tasso di risposta al parlato di fondo su Full-Duplex-Bench v1.5 dal 73,0% al 13,0%. Queste sono le due cifre indicate nell'abstract; il corpo contiene tabelle a livello di modello, ma non le ho verificate rispetto a un harness, e il documento è un rapporto di fornitore anziché una valutazione indipendente.

Quindi il bilancio onesto è questo: un modello ha una tabella del fornitore senza alcun paper, l’altro ha un paper del fornitore senza un harness riproducibile, e nessuno dei due compare su una classifica neutrale con il proprio nome. Qualsiasi articolo che metta i loro numeri in colonne adiacenti sta disponendo due affermazioni non verificate e lasciando che sia l’impaginazione a persuadere.

Dove si inserisce un router, precisamente

Né LFM3-Audio-2B né Qwen-Audio-3.1 sono nel catalogo OrcaRouter, quindi non c’è alcuna dichiarazione di routing da fare riguardo al livello vocale stesso. Il livello superiore è un’altra storia. Un prodotto vocale basato su uno dei due modelli necessita comunque di un modello testuale per riassumere, classificare, estrarre o decidere ciò che l’agente dirà successivamente, ed è proprio in quella chiamata che costo e affidabilità variano davvero.

OrcaRouter mette più di 200 modelli testuali e multimodali dietro un'unica chiave al prezzo di listino del provider senza ricarico, con failover automatico tra provider e una DSL di routing che può comporre più modelli in un'unica chiamata. Per questo confronto, il pattern utile è un A/B: eseguire le stesse conversazioni registrate tramite qwen-audio-3.1-realtime-flash e tramite LFM3-Audio-2B sul proprio hardware, poi inviare entrambe le trascrizioni allo stesso modello downstream sullo stesso endpoint. Il confronto rimane pulito e la parte testuale non diventa mai la variabile che hai dimenticato di controllare.

Quale bolletta scegliere

Scegli Qwen-Audio-3.1 realtime-flash se ti serve una conversazione duplex, uno stack di riconoscimento pensato prima per il cinese, una finestra di contesto da 262K o un SLA del fornitore — e se il tuo traffico è abbastanza a picchi da rendere la fatturazione per token un vantaggio. Leggi con attenzione i nomi dei livelli prima di fare un preventivo: realtime-plus e realtime-flash non sono lo stesso prodotto, ed è sulla tariffa di output che si decide la bolletta di un agente vocale.

Scegli LFM3-Audio-2B se devi possedere il modello, eseguirlo offline, evitare una tariffazione al minuto o sintetizzare 18 lingue su un laptop. Accetta il contesto da 32K, l'ASR in tempo reale solo in inglese, la soglia di licenza e il fatto che la sua precisione di riconoscimento sia a metà classifica nel confronto del suo stesso fornitore.

Aspetta, se ti serve un numero che puoi difendere davanti a un team acquisti. Nessuno dei due modelli ne ha ancora uno. La prima valutazione indipendente su un corpus audio condiviso — non una tabella del fornitore, non un documento del fornitore — varrà più di ogni cifra sopra indicata, ed è la cosa da tenere d'occhio prima che uno di questi diventi uno standard.