LFM3-Audio-2B vs Voxtral 3: un download da 2,1 GB contro una piattaforma vocale

Il modo onesto di aprire un confronto tra LFM3-Audio-2B e Voxtral 3 è dire che nessuno ne ha pubblicato una prova. Liquid AI ha pubblicato una tabella di benchmark per il suo modello audio da 2 miliardi di parametri, e Mistral ne ha pubblicata una per la sua suite vocale, e le due tabelle hanno quasi nessuna riga in comune. Nei punti in cui si sovrappongono, i modelli misurati non appartengono alla stessa generazione. Chiunque ti dica quale di questi sia "migliore" su un benchmark sta confrontando un numero proveniente da un ambiente di test con un numero proveniente da un altro e sperando che tu non controlli.

Quindi questo pezzo fa qualcosa di meno ordinato e più utile. Separa la domanda a cui puoi rispondere da quella a cui non puoi. Non puoi ancora dire quale modello trascriva meglio il tedesco, perché non esiste un test multilingue condiviso tra loro. Puoi dire, con sicurezza e sulla base della documentazione fornita dai due fornitori, che non sono affatto lo stesso tipo di prodotto: uno è un file da 2,1 GB che esegui tu stesso, e l'altro è una pipeline composta da quattro modelli con un SDK per la telefonia allegato e nessun peso scaricabile.

Questa differenza decide la maggior parte delle implementazioni reali prima ancora che venga consultato un singolo dato WER. Il resto di questo articolo riguarda i casi in cui non è così.

Il Voxtral Liquid su cui è stato eseguito il benchmark non è il Voxtral con cui lo stai confrontando.

La model card di Liquid affianca LFM3-Audio-2B a sei concorrenti, e uno di questi è un Voxtral. La riga è etichettata Voxtral Mini 3B, e sull'ASR inglese batte il modello di Liquid: 5,51% di word error rate contro 6,23%. È l'unico confronto diretto con Voxtral che Liquid abbia pubblicato, ed è facile leggerlo come "il modello audio di Mistral trascrive in modo più accurato".

Non è il confronto che il titolo suggerisce. Voxtral Mini 3B è mistralai/Voxtral-Mini-3B-2507 — un modello da 3B rilasciato a luglio 2025 con licenza Apache 2.0, pensato per la distribuzione locale ed edge. Precede Voxtral 3 di quindici mesi e appartiene a una diversa generazione di prodotto. La suite di Mistral del 20 ottobre 2026 non contiene alcun modello chiamato Voxtral Mini 3B; il suo trascrittore più piccolo è Voxtral Mini Transcribe 3 con 4B parametri e 0,0035 $ al minuto.

C'è anche una discrepanza all'interno della tabella. La colonna dei parametri su quella riga riporta 5B, su una riga denominata per un modello 3B. Non è un motivo per dubitare dei dati WER, che provengono da una valutazione denominata — ESB e il set della classifica Open ASR, mediati. È un motivo per leggere le intestazioni delle colonne nelle tabelle dei fornitori prima di leggere i numeri.

La conseguenza merita di essere detta chiaramente, perché è il fatto più utile in assoluto di questo articolo: non esiste alcun confronto testa a testa pubblicato tra LFM3-Audio-2B e qualsiasi modello Voxtral 3. Non da Liquid, non da Mistral e non da un valutatore indipendente. Liquid ha confrontato il suo nuovo modello con il modello audio a pesi aperti di Mistral del 2025, che è una scelta difendibile per un confronto equo aperto contro aperto — ed è anche l'unico tipo di confronto ora possibile, perché Voxtral 3 non rilascia pesi. Il confronto audio a pesi aperti del 2026 non può essere eseguito affatto contro Voxtral 3.

Cosa sono in realtà i due prodotti

L'asimmetria è più facile da vedere nella forma del rilascio che nelle specifiche.

LFM3-Audio-2B è un modello, rilasciato il 27 ottobre 2026 come parte della famiglia LFM3 composta da sei modelli. Accetta in input testo o audio a 16 kHz e restituisce testo, parlato a 24 kHz oppure testo e parlato intercalati, oltre a chiamate a strumenti. Un nuovo encoder audio causale interno gli consente di eseguire il prefill mentre stai ancora parlando. Il suo LiquidCodec tokenizer comprime 80 millisecondi di parlato in 12 token discreti, decodificati in parallelo anziché in sequenza, a circa 87 volte il tempo reale su un singolo thread CPU di un M4 Max — un dato di throughput del codec, non un requisito hardware.

Voxtral 3, annunciato il 20 ottobre 2026, è una suite: un trascrittore batch, un secondo trascrittore batch più piccolo, un trascrittore in streaming, un modello TTS, un prodotto di adattamento vocale e un SDK per agenti vocali basato su LiveKit che li collega tra loro tramite SIP e WebRTC. Non si sceglie Voxtral 3. Si sceglie una pipeline, ed è Voxtral 3 a fornirne le fasi.

• Pesi — LFM3-Audio-2B distribuisce pesi aperti con la licenza LFM Open License v1.0; Voxtral 3 non pubblica pesi scaricabili, e il materiale di lancio di Mistral descrive invece accesso API, playground di Studio e distribuzione su infrastruttura privata.

• Ingombro — 2,1 GB su Ollama rispetto a un endpoint; non c'è alcun file Voxtral 3 di cui stimare le dimensioni.

• Contesto — 32K token per LFM3-Audio-2B, input e output. Mistral non pubblica affatto un dato sulla finestra di contesto per i trascrittori; applica invece una tariffa al minuto.

• Modalità — LFM3-Audio-2B è any-to-any in un unico modello: ascolta, parla, comprende, traduce, richiama strumenti. Voxtral 3 distribuisce queste funzioni su modelli ed endpoint separati; i trascrittori e il modello TTS non sono lo stesso sistema.

• Licenza — LFM Open License v1.0, gratuita per uso commerciale sotto i 10 milioni di dollari di fatturato annuo; Voxtral 3 è un'API commerciale i cui termini si applicano per chiamata.

• Diarizzazione e bias contestuale — Voxtral 3 li ha entrambi, con un cpWER del 18,4% sul set di diarizzazione di Mistral e un recall delle keyphrase che sale dall'81,4% al 94,6% quando si fornisce contesto. LFM3-Audio-2B non pubblica nessuna delle due capacità.

La copertura linguistica è l’unico divario che non è vicino a essere colmato.

LFM3-Audio-2B supporta 18 lingue in 19 locale, elencate nella scheda: arabo, danese, tedesco, greco, inglese (britannico e americano conteggiati separatamente), finlandese, francese, ebraico, italiano, giapponese, coreano, olandese, polacco, portoghese, spagnolo, svedese, turco e cinese. Valuta l'ASR multilingue su nove di esse e riporta un tasso di errore medio di 6,03 su FLEURS, utilizzando il tasso di errore sui caratteri per cinese, giapponese e coreano.

I trascrittori di Voxtral 3 coprono 50 o più lingue. Il modello realtime ne dichiara 35+ in un punto della pagina e 40+ in un altro: è il tipo di incoerenza che di solito significa che il numero è cambiato durante la settimana del lancio e nessuno ha riallineato i testi.

Se il tuo audio arriva in vietnamita, hindi, russo, norvegese o catalano, LFM3-Audio-2B non le elenca, mentre Voxtral 3 le parla tutte e cinque — sono tra le diciotto lingue dei preset vocali indicate da Mistral. Sull'intero elenco, non siamo riusciti a identificare una lingua supportata da Liquid che le oltre 50 lingue di trascrizione di Mistral non dichiarino di coprire. L'avvertenza onesta è che Mistral pubblica integralmente il proprio elenco di preset vocali e la propria copertura di trascrizione solo come numero, quindi parte di questo confronto mette a confronto un elenco con un numero.

C'è un limite ancora più netto nella documentazione di Liquid stessa. La modalità ASR live del modello — quella che trascrive man mano che l'audio arriva in streaming, in blocchi di circa 0,96 secondi — supporta solo l'inglese. La trascrizione batch copre l'intero elenco di 18 lingue; il percorso in streaming no. Chiunque intenda realizzare una funzione di sottotitolazione multilingue in tempo reale basata su LFM3-Audio-2B dovrebbe rileggere quella riga due volte, perché esclude il modello da questo compito a prescindere dalla tabella WER.

Due numeri di latenza che non misurano la stessa cosa

Liquid pubblicizza un tempo al primo token "fino a soli 50 ms". Mistral pubblicizza meno di 500 ms per il suo trascrittore in tempo reale e un intero turno dell'agente sotto un secondo. Quei numeri non sono confrontabili, e la differenza non è un errore di arrotondamento.

Il valore di 50 ms si riferisce a un percorso speech-to-speech: l'encoder causale inizia l'elaborazione prima che tu finisca la frase, così il modello può iniziare a emettere il primo token della sua risposta mentre l'audio sta ancora arrivando. È un'affermazione sull'interattività in un modello conversazionale. Il valore inferiore a 500 ms è la latenza di trascrizione — il ritardo prima che il testo compaia — e le tabelle di Mistral mostrano quanto costa. Nel suo benchmark in tempo reale, Voxtral Mini Transcribe Realtime 3 con 960 ms di latenza registra un WER del 6,0%; a 480 ms è del 6,4%; a 240 ms è del 7,4%. Latenza e accuratezza sono in diretto conflitto tra loro, e Mistral ti consente di scegliere il punto su quella curva.

Liquid non pubblica alcuna curva equivalente. Pubblica un limite inferiore — 50 ms — senza indicare l'hardware, senza set di test e senza alcuna accuratezza a tale latenza. Il limite inferiore potrebbe essere reale. Ma non è ancora una specifica sulla quale si possa pianificare un prodotto.

Il calcolo dei costi, svolto anziché affermato

Confrontare un modello a pesi aperti con un'API a consumo al minuto si riduce a una questione di volume, e l'aritmetica è abbastanza semplice da poter essere fatta come si deve.

Trascrizione, 1.000 ore di audio — 60.000 minuti. Voxtral Mini Transcribe 3 a $0,0035/minuto costa $210. Voxtral Small Transcribe 3 a $0,004 costa $240. Voxtral Mini Transcribe Realtime 3 a $0,008 costa $480. LFM3-Audio-2B è un download gratuito che gira su hardware che possiedi già, quindi il suo costo marginale è l'elettricità.

Sintesi vocale, 1.000 ore — a circa 900 caratteri per minuto di parlato, sono 54 milioni di caratteri. Voxtral Mini TTS 3 a 13 dollari per milione di caratteri costa 702 dollari. LFM3-Audio-2B non costa nulla per carattere e offre due opzioni di voce, maschile e femminile, selezionabili tramite prompt. Voxtral clona una voce da 30 minuti di audio e mette a disposizione controlli su emozione, ritmo ed enfasi.

Un agente vocale in tempo reale, 1.000 ore di conversazione — Mistral valuta la pipeline assemblata a $0,04 al minuto con Mistral Small 4 che svolge il ragionamento, $0,08 con un modello più grande. Si tratta di $2.400-$4.800. LFM3-Audio-2B gestisce ascolto e parlato localmente, ma necessita comunque di un modello di ragionamento per tutto ciò che va oltre le sue competenze, e la sua scheda dice chiaramente che non è raccomandato per ragionamenti complessi a più passaggi.

Ora la parte che di solito viene omessa: il punto di pareggio. Una macchina da 1.000 $ si ripaga dopo circa 4.760 ore di Voxtral Mini Transcribe 3 — all'incirca 200 giorni di audio continuo, ovvero un anno e mezzo a otto ore al giorno. A volumi ridotti, l'API costa meno dell'acquisto dell'hardware, ed è più economica già dal giorno in cui inizi. Il caso dei pesi aperti non è "gratuito". È "costo fisso invece di costo marginale", e vince solo quando il volume c'è, il requisito di privacy è stringente, o il dispositivo non ha rete.

Il punto in cui un router si guadagna il suo posto in questo quadro non è su nessuno dei due modelli audio — né LFM3-Audio-2B né Voxtral 3 sono oggi nel catalogo OrcaRouter, e non intendiamo far finta del contrario. È nella fase di ragionamento di cui entrambe le architetture finiscono per aver bisogno. Un agente vocale è una catena: trascrivere, ragionare, parlare. L'anello centrale è un LLM ospitato, ed è quello che trae vantaggio da una sola chiave per oltre 200 modelli, i prezzi di listino dei provider passati a un markup dello 0%, così che una variazione di prezzo del fornitore ti raggiunga lo stesso giorno, e dal failover automatico quando un provider ha un momento critico nel mezzo di una chiamata.

Cosa è verificato e cosa non lo è

Qui entrano in gioco tre livelli di evidenza, e appiattirli è ciò che rende sbagliati i confronti.

Misurato in modo indipendente. La qualità di trascrizione di Voxtral 3 ha numeri di terze parti: Artificial Analysis ha collocato Voxtral Small Transcribe 3 al 2,1% di WER sul proprio indice, terzo complessivamente al 21 ottobre 2026, con Voxtral Mini Transcribe 3 al 2,2%. Il suo TTS si è posizionato al 13° posto nell'arena Provider Voice con 1.217 Elo e al 14° posto in Controlled Voice con 1.066 — a metà classifica, e vale la pena dirlo chiaramente visto che il post social di Mistral lo descriveva come tra i primi dodici.

Dichiarato dal fornitore, non riprodotto. Ogni cifra di LFM3-Audio-2B in questo articolo è di Liquid: il WER inglese di 6.23, il dato multilingue di 6.03, il 3.83 di UTMOSv2, il 73.13 di VoiceBench, la valutazione interna di 58.50 sul tool-calling e il 50.60 di MMAR. Al momento della stesura non esiste una voce Artificial Analysis per il modello e nessuna terza parte ha pubblicato una riproduzione. Considerali dichiarazioni, non misurazioni.

Non sono affatto comparabili.Il WER inglese del 6,23% di Liquid, il dato FLEURS del 4,0% di Mistral e il 2,1% di Artificial Analysis sono tre test diversi su tre set audio diversi. Non sottrarli. L'unico confronto con lo stesso harness pubblicato da Liquid è contro Voxtral Mini 3B — il modello open-weights del 2025. Lì il 2B di Liquid ottiene 6,23 contro il 5,51 di Voxtral sull'ASR inglese, ma lo batte sull'ASR multilingue 6,03 a 7,76, su VoiceBench 73,13 a 65,78, su MMAR 50,60 a 50,10 e sul tool calling 58,50 a 44,50.

Che cosa significa davvero "rilasciato in sordina" qui

LFM3-Audio-2B non ha avuto un lancio dedicato, e questa distinzione conta se devi decidere quanto fidarti della documentazione.

Liquid ha annunciato la famiglia LFM3 il 27 ottobre 2026 con un post intitolato "Presentiamo LFM3: ogni modalità per l'intelligenza specializzata". Il modello audio compare lì come uno dei sei, in una sezione — non esiste un post dedicato sul blog per LFM3-Audio, nessun lancio separato, nessuna pagina prodotto propria. I pesi e la model card sono completi e pubblici. La voce Ollama, ollama run lfm3-audio a 2,1 GB, è apparsa il 28 ottobre senza un annuncio corrispondente da parte di Liquid o Ollama, insieme a una pull request di llama.cpp che ha aggiunto i modelli audio e omni con l'ASR live rinviato a un aggiornamento successivo.

Quindi l'inquadramento è: l'artefatto è reale e documentato, il lancio è stato un paragrafo all'interno dell'annuncio di una famiglia di modelli, e il supporto per il runtime locale è arrivato un giorno dopo, in sordina. In pratica, ciò significa che la model card è l'autorità — non un post di lancio, perché non ce n'è uno — e la card è insolitamente specifica sui limiti, il che è un punto a suo favore. Indica LiveASR come solo inglese. Dice che il modello non è per il coding agentico o il ragionamento complesso a più passaggi. Indirizza le attività ad alta intensità di conoscenza al retrieval. Un fornitore che nasconde un modello debole di solito non lo scrive.

Chi dovrebbe prendere quale

Scegli LFM3-Audio-2B se l'audio non può lasciare il dispositivo, se ti serve un unico modello in grado sia di ascoltare sia di parlare senza dover mettere insieme due servizi, se le tue lingue sono tra le sue diciotto e se il tuo volume è sufficientemente alto da rendere un costo hardware fisso più conveniente di una tariffa al minuto. È anche la scelta giusta per prototipare un'interfaccia vocale senza alcuna procedura di acquisto — 2,1 GB e un comando Ollama. Accetta che il suo ASR inglese sia indietro rispetto all'ultima generazione di Voxtral open, che lo streaming sia solo in inglese e che nessun valutatore indipendente abbia verificato alcuno dei suoi numeri.

Scegli Voxtral 3 se stai costruendo un agente telefonico anziché una funzionalità di un modello. La suite esiste per essere assemblata: trascrittore, modello di ragionamento, TTS, su SIP e WebRTC, con barge-in e rilevamento di fine turno già risolti. Sceglila anche se ti servono oltre 50 lingue, la diarizzazione, il context biasing per nomi e gergo, oppure il voice cloning — quattro capacità che LFM3-Audio-2B non offre in alcuna forma. Il compromesso è che non puoi scaricarla, non puoi ispezionarla e il costo cresce linearmente con ogni minuto di servizio, per sempre.

Usa entrambi se l'architettura lo consente, e spesso lo consente. Esegui LFM3-Audio-2B sul dispositivo per il wake word, la dettatura locale e il percorso offline; invia a Voxtral 3 le chiamate che richiedono copertura multilingue, diarizzazione o una voce clonata. I due non competono per lo stesso posto in uno stack. Uno è il modello dentro il tuo prodotto; l'altro è il fornitore che chiami quando il prodotto è una linea telefonica.

Il confronto a cui prestare attenzione

Due cose risolverebbero la questione come si deve, e nessuna delle due esiste ancora.

Il primo è una valutazione indipendente di LFM3-Audio-2B sullo stesso harness che Artificial Analysis usa per i modelli Voxtral 3. Quel singolo numero — il suo indice WER su un test condiviso — trasformerebbe l'affermazione più importante nella tabella di Liquid da asserzione del fornitore a misurazione, e ti direbbe se un modello 2B in esecuzione su un laptop è davvero entro un punto da un 4B ospitato.

Il secondo è se Mistral rilascerà mai i pesi di Voxtral 3. I modelli audio del 2025 dell'azienda erano open sotto Apache 2.0; la suite del 2026 non lo è. Se la situazione si invertirà, il confronto equo open-contro-open che Liquid ha scelto di pubblicare tornerà a essere attuale, e l'avvertenza centrale di questo articolo decadrà.

Finché non accade una di queste cose, la posizione difendibile è quella poco attraente. Sull'ampiezza delle capacità, Voxtral 3 vince con un distacco che nessuna disputa sui benchmark può colmare: cinquanta lingue, diarizzazione, clonazione, telefonia. Sulla distribuibilità, LFM3-Audio-2B vince con un margine altrettanto ampio, perché è l'unico dei due che puoi tenere in mano. Tutto ciò che sta nel mezzo è un numero dalla tabella di un fornitore accanto a un numero di un altro, e la risposta onesta a «quale è più accurato» è che nessuno lo ha misurato.