LFM3-Audio-2B vs StepAudio 3: il 2B open contro la linea di prodotti con punteggio

StepAudio 3 Realtime ha un numero associato a ciò su cui vengono giudicati i prodotti vocali: 98,9% nella classifica Conversational Dynamics di Artificial Analysis, primo posto. LFM3-Audio-2B ha una licenza. Non è un contrasto retorico — è lo stato effettivo delle prove. La famiglia di StepFun, StepAudio 3, è uscita il 15 settembre 2026 come cinque modelli audio commerciali su un'unica piattaforma, con posizionamenti di terze parti e un prezzo di anteprima pari a zero. LFM3-Audio-2B di Liquid AI è apparso il 27 ottobre all'interno del rilascio LFM3 da sei modelli come checkpoint open-weight da 2B con una tabella del fornitore e nessun punteggio indipendente. Uno è un prodotto misurato che noleggi. L'altro è un file non misurato che puoi possedere. La decisione tra i due riguarda meno la qualità audio e più quale di quelle due frasi descrive il tuo vincolo.

C'è la tentazione di dichiarare vincitore il modello che ha ottenuto un punteggio e passare oltre. Resisti per un paragrafo. Il punteggio di StepAudio 3 Realtime misura le dinamiche conversazionali — alternanza dei turni, ripresa dopo un'interruzione, backchannel — su un sistema ospitato con un WebSocket persistente e un set di addestramento incentrato primariamente sul cinese. LFM3-Audio-2B non è in quella classifica, non è duplex e non verrebbe misurato da essa anche se qualcuno lo inserisse. I due modelli non competono per lo stesso slot in uno stack. Il confronto utile riguarda ciò che ciascuno può fare e l'altro no, e quanto ti costa scoprirlo in ciascun caso.

Che cos'è realmente StepAudio 3

Il nome copre una famiglia, e il livello che scegli cambia il confronto. StepFun ha rilasciato cinque modelli audio il 15 settembre: Realtime, ASR, TTS, Gen e Music, tutti disponibili sulla sua piattaforma aperta come API commerciali. Un livello Chat con contesto da 256K e output testuale completa la superficie dedicata agli sviluppatori.

• StepAudio 3 Realtime — conversazione full-duplex nativa, che ragiona direttamente sul parlato invece di trascriverlo prima, con invocazione di strumenti ed esecuzione asincrona di attività lunghe mentre la conversazione continua. Il modello di punta, e l'analogo più vicino a un modello vocale generale.

• StepAudio 3 ASR — riconoscimento, con un tasso di errore sulle parole dell'1,7% nella classifica di accuratezza ASR non in streaming di Artificial Analysis, a pari merito al primo posto.

• StepAudio 3 TTS — sintesi in streaming, sei lingue (inglese, cinese, giapponese, coreano, francese, spagnolo), 12 voci di sistema, fino a 1.000 caratteri di input.

• StepAudio 3 Gen — generazione unificata di voce, effetti sonori, ambienti sonori, musica di sottofondo e canto a partire dal linguaggio naturale, attualmente disponibile in anteprima gratuita limitata.

• StepAudio 3 Music — generazione di brani zero-shot con controllo multi-turno tramite notazione ABC, vocal-to-arrangement e cover.

LFM3-Audio-2B è un checkpoint che tenta di svolgere diversi di questi compiti contemporaneamente: riconoscimento, sintesi, traduzione, comprensione audio e chiamate vocali a strumenti, selezionati tramite prompt e profilo di serving. Non genera musica, e il suo repertorio di effetti sonori è quello che emerge da un modello audio generale. Ciò che possiede è un file di pesi. StepAudio 3 non ne ha nessuno — è una famiglia di API commerciali, non un rilascio aperto, e nessun livello distribuisce i pesi.

Il tabellone, e chi lo ha realizzato

I numeri di StepFun sono la base di prove più solida in questo confronto, e sono anche i più facili da sovrainterpretare. La cifra del 98,9% di Conversational Dynamics è un posizionamento di terze parti su Artificial Analysis, il che la rende più credibile di una tabella del fornitore. La cifra del 99,7% di speech-reasoning è citata da StepFun, non riprodotta in modo indipendente. Il tasso di errore di parola ASR dell'1,7% è un posizionamento di Artificial Analysis, a pari merito al primo posto, e appartiene al livello ASR anziché al modello Realtime. Questi sono tre tipi diversi di affermazione che indossano la stessa divisa.

La tabella di LFM3-Audio-2B è interamente dichiarata dal fornitore e interamente relativa al suo predecessore, LFM2.5-Audio-1.5B: WER ASR inglese 6,23 contro 6,13, 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 del tool-calling a 58,50. Non vengono indicati set di test, harness o varianza, e non siamo riusciti a trovare alcuna riproduzione indipendente di nessuna riga.

Mettili fianco a fianco e l’osservazione onesta è che si sovrappongono a malapena. StepAudio 3 Realtime viene valutato sui tempi di conversazione; LFM3-Audio-2B viene valutato su riconoscimento, qualità della sintesi e ragionamento audio. L’unico asse su cui entrambi pubblicano qualcosa è il riconoscimento, e anche lì il confronto è contaminato: l’1,7% di StepAudio è un punteggio indipendente di una classifica per il livello ASR, mentre il 6,23 di Liquid è un dato del fornitore per un modello audio generale su un set senza nome. Il divario è abbastanza ampio che la direzione è probabilmente reale. La grandezza non è la misura di nulla che due team abbiano eseguito insieme.

Duplex è la linea architettonica

StepAudio 3 Realtime è progettato per una chiamata telefonica. Ascolta mentre parla, gestisce l'interruzione e ragiona sull'audio grezzo anziché su una trascrizione, il che, secondo StepFun, preserva tono ed enfasi che un passaggio al testo appiattirebbe. La sua documentazione rende esplicita la distinzione: l'API Realtime offre riconoscimento vocale integrato, gestione del contesto, VAD, ricerca web e recupero; l'API Chat ti impone di implementare ognuno di questi elementi da solo.

LFM3-Audio-2B è progettato per una richiesta. Un encoder audio causale gli consente di eseguire il prefill mentre parli, e LiquidCodec trasmette in streaming il parlato di ritorno: 80 ms di audio in 12 token, decodificati a circa 87× il tempo reale su un singolo thread CPU di un M4 Max. Il valore di time-to-first-token "fino a 50 ms" deriva da questo design. Ma trasmettere una risposta in streaming non equivale a gestire il barge-in, e Liquid non avanza alcuna pretesa di duplexità. Se il tuo prodotto deve poter essere interrotto mentre parla, è l'architettura a deciderlo prima di qualsiasi benchmark.

C'è un rovescio della medaglia sul fronte della latenza. StepAudio 3 Realtime registra un tempo al primo audio di 8,83 secondi sulla stessa classifica in cui vince per dinamiche conversazionali — contro 1,18 secondi di Gemini 3.8 Live e 1,24-1,34 secondi di GPT-Live-1. Un modello che vince nell'alternanza dei turni ma impiega quasi il tempo di una frase per iniziare a parlare è un modello la cui migliore qualità potresti non riuscire mai a dimostrare in produzione. Testa la latenza prima della qualità della conversazione e, se puoi, testala al di fuori della configurazione di servizio di StepFun.

Prezzo, licenza e cosa stai effettivamente acquistando

StepAudio 3 è in anteprima gratuita a tempo limitato in tutta la famiglia, senza alcuna tariffa post-anteprima annunciata per il livello Realtime. Il livello TTS ha una tariffa di listino pubblicata di circa $0,36 per 10.000 caratteri tramite un catalogo di terze parti, ma non è il prezzo Realtime e non dovrebbe essere usato come tale. La posizione pratica è che StepAudio 3 Realtime è gratuito da valutare oggi e senza prezzo per la produzione — un buon momento per testare, un brutto momento per costruire un modello di economia unitaria.

LFM3-Audio-2B costa quanto la macchina su cui gira. La LFM Open License v1.0 è gratuita per uso commerciale sotto i 10 milioni di dollari di fatturato annuo e a pagamento al di sopra. La build Ollama è di 2,1 GB e funziona su CPU; llama.cpp ha integrato il supporto il 27 ottobre; Transformers richiede la 5.20.2 o superiore con trust_remote_code, e i pesi del codec si caricano da una directory separata, quindi blocca l'ambiente. Non c'è alcun contatore al minuto. Non c'è nemmeno un SLA, né un servizio di reperibilità, né un fornitore da chiamare quando l'output peggiora.

• Cosa ottieni — StepAudio 3 Realtime: un endpoint commerciale, l'attuale flagship, con supporto. LFM3-Audio-2B: un checkpoint, una licenza e l'onere operativo.

• Cosa puoi esaminare — StepAudio 3: documentazione, posizioni in classifica, nessun peso. LFM3-Audio-2B: architettura, scheda, pesi, codec, percorso di fine-tuning.

• Struttura dei costi — StepAudio 3: per chiamata, zero quando inattivo, senza prezzo dopo l'anteprima. LFM3-Audio-2B: hardware fisso, costo marginale quasi nullo, nessun contatore.

• Modalità di guasto — StepAudio 3: una quota, una regione, un problema di account, un ticket di supporto. LFM3-Audio-2B: il cercapersone è tuo.

La copertura linguistica non è un pareggio.

LFM3-Audio-2B elenca 18 lingue in 19 localizzazioni, con l'inglese presente due volte nelle varianti statunitense e britannica. Si tratta di un ampio elenco di sintesi per un modello 2B, ed è l'argomento pratico più forte a suo favore in un prodotto europeo o multilingue. I limiti sono altrettanto specifici: l'ASR in tempo reale è solo in inglese e la traduzione è più efficace da o verso l'inglese.

StepAudio 3 è pensato innanzitutto per il cinese. La documentazione del livello Realtime non pubblica un elenco completo delle lingue; il livello TTS della famiglia copre sei lingue, e il livello ASR è costruito attorno a cinese e inglese con gestione dei dialetti, code-switching, audio lungo e canto. Se il tuo traffico è mandarino con inglese mescolato, lo stack di StepFun è costruito per quel carico di lavoro e quello di Liquid no. Se il tuo traffico è svedese e olandese, il checkpoint a 18 lingue è l'unico dei due che lo dichiara.

Dove un router è adatto, e dove no

StepAudio 3 non è nel catalogo OrcaRouter, e nemmeno LFM3-Audio-2B — uno è un'API chiusa, l'altro un download. Quindi non c'è alcuna storia di failover tra questi due da raccontare, e nessun motivo per fingere il contrario.

Lo strato di routing conta un livello sopra, dove gli agenti vocali concentrano effettivamente la loro complessità. StepAudio 3 Realtime supporta il tool calling e attività asincrone di lunga durata, il che significa che la conversazione delega continuamente lavoro a normali modelli testuali: una ricerca, un'estrazione, un controllo delle policy. È in quello strato di delega che si annidano le interruzioni dei provider e la variabilità dei costi. OrcaRouter mette oltre 200 modelli testuali e multimodali dietro un'unica chiave al prezzo di listino del provider, senza ricarichi, con failover automatico, un DSL di routing che combina più modelli in un'unica chiamata e la fusione di modelli quando il giudizio di un solo modello non basta. Per un prototipo LFM3-Audio-2B, questa è la metà dello stack che puoi mettere dietro un endpoint già oggi, mentre il modello audio resta locale.

Tre domande che decidono tutto

Hai bisogno di una conversazione che possa essere interrotta?

Quindi StepAudio 3 Realtime è l'unico di questi due a dichiarare quel comportamento, ed è il punto di partenza giusto nonostante la questione della latenza. LFM3-Audio-2B è richiesta-e-risposta; nessuna quantità di fine-tuning cambia l'interfaccia. Verifica il valore di 8,83 secondi per il primo audio sulla tua rete prima di impegnarti.

Hai bisogno di possedere il modello o di eseguirlo offline?

Allora LFM3-Audio-2B è l'unica opzione qui, e la soglia della licenza è il numero da confrontare con i tuoi ricavi. Accetta il contesto da 32K, l'ASR live solo in inglese e l'assenza di una valutazione indipendente. Fai passare le tue registrazioni attraverso di esso prima di fidarti del guadagno UTMOS.

È sufficiente un punteggio del fornitore per scegliere?

Non ancora, e il motivo non è che i numeri di StepFun siano deboli. È che i punteggi misurano cose diverse in harness diversi, e il modello senza un punteggio non è idoneo per la classifica che ha prodotto il numero più citato. Un confronto diretto neutrale sullo stesso set di conversazioni chiarirebbe più di quanto faccia la tabella di uno o dell'altro fornitore. Finché non esiste, la scelta è una questione di vincoli, non di qualità.

Il verdetto

StepAudio 3 Realtime vince sull'asse che il mercato attualmente misura — le dinamiche conversazionali — e dispone di una base di evidenze più solida perché parte di essa è stata prodotta da una terza parte. Presenta inoltre un problema di latenza irrisolto, nessun prezzo pubblicato successivo all'anteprima, nessun peso e un profilo linguistico che privilegia il cinese. È la scelta migliore per un agente vocale in tempo reale rivolto a utenti cinesi e inglesi, a condizione che il test di latenza venga superato e che i prezzi dell'anteprima non si trasformino in una sorpresa.

LFM3-Audio-2B vince sulla proprietà e sull'ampiezza della sintesi, ma perde sul fronte delle prove. Ha solo quattro giorni, i suoi numeri sono dichiarati dal fornitore, il suo ASR è a metà classifica nella sua stessa tabella e la sua licenza prevede una soglia di fatturato. È la scelta migliore per un prodotto offline, per una voce multilingue o per un team che non può accettare una fatturazione a consumo per chiamata — e l'unico dei due che puoi valutare interamente sul tuo hardware questa settimana.

Cosa tenere d’occhio è lo stesso da entrambe le parti: una valutazione neutrale che metta un modello duplex e un modello richiesta-e-risposta sullo stesso insieme di conversazioni, e un prezzo di produzione pubblicato per StepAudio 3. Il primo ti direbbe se il checkpoint 2B di Liquid è più vicino alla frontiera di quanto suggerisca la sua documentazione. Il secondo ti direbbe se il vantaggio di StepFun sopravvive al contatto con una bolletta.