LFM3-Audio-2B vs Dessa：ダウンロードできるものと、聴くことしかできないもの

Liquid AIのLFM3-Audio-2Bは、オープンライセンスの2Bパラメータチェックポイントで、Hugging Faceリポジトリと、ノートPCに取得できる2.1GBのビルドがある。BlockのDessaは、2026年10月23日にウェイトリスト制で発表された全二重音声モデルで、重みも、パラメータ数も、APIも、公開ベンチマークもない。並べてみると、いつもの比較は始まる前に崩れる。一方はこれを読んでいる誰もが実行し、ファインチューニングし、測定できるが、もう一方は聴くことしかできない。有益な問いは、どちらがより良く聞こえるかではない。各社が何を公開することを選んだのか、そしてその選択によって月曜日の朝に何ができるのか、だ。

どちらも同じ警告ラベルを伴って、正反対の方向から登場している。LFM3-Audio-2Bは2026年10月27日、6モデルからなるLFM3ファミリーの一斉リリースの中で出荷され、オーディオ部門についてはLiquidのファミリー投稿の1段落とモデルカードしか得られていない。単独の「Introducing LFM3-Audio」発表はなく、Liquidのサイトにオーディオの価格項目もなく、本稿執筆時点では、このモデルの独立したベンチマーク実行結果はどこにも存在しない。Dessaは逆の問題を抱えている。厳選された会話録音が12件ほどあり、仕様はほとんどない。どちらの企業も、外部の人間が結果を再現するのに十分な情報を与えていない。

それぞれが実際に公開した内容

形容詞を削れば、記録は短くなる。以下の内容はすべて、Liquidのモデルカード、そのファミリーポスト、またはBlock自身の発表によるものであり、独立して検証されたものは何もない。

• 受け取るもの — LFM3-Audio-2B: BF16チェックポイント、GGUFおよびMLX 4-bit変換、トークナイザー、別個のaudio_tokenizerディレクトリ内のコーデックの重み。Dessa: ウェイトリストフォームと動画クリップ一式。

• サイズ — LFM3-Audio-2B：2Bパラメータ、Ollamaビルドで2.1 GB。Dessa：非公開。BlockはMacBook Pro M4 Maxに収まると述べているが、これは128 GBのユニファイドメモリに収まるほど小さいモデルであることを示唆するものの、あくまで推測であって具体的な数値ではない。

• 入力と出力 — LFM3-Audio-2B: テキストまたは16 kHz音声を入力。テキスト、24 kHz音声、またはテキストと音声を交互に出力。Dessa: 音声入力、音声出力で、どの時点でもテキストを介在させない。

• コンテキスト — LFM3-Audio-2B：入力と出力を合わせて32Kトークン。これは一部のLFM3関連の報道で繰り返されている256Kという数字ではありません。それはテキストモデルLFM3-1.7Bのものです。Dessa：未公開。

• ライセンス — LFM3-Audio-2B: LFM Open License v1.0、年間売上高1,000万ドル未満なら商用利用無料。Dessa: 重みがないため、読むべきライセンスはありません。

• ベンチマーク — LFM3-Audio-2B：6行のベンダー表。Dessa：なし。

その最後の行こそ、比較が興味深くなるところだ。Liquidは数字を公表し、独立した証人は出していない。Blockは証人——同じクリップを聞いた記者たち——を出し、数字は出していない。両者のどちらを選ぶかを決めようとする読者は、どちらの種類の空白を許容するかを選んでいることになる。

デッサが持つ、ダウンロードできない唯一の強み

Dessaは全二重通信用に設計されている。話しながら聞き取るのだ。モデルは文の途中で遮られてもよく、相手がまだ話している間に「そうだね」や「うんうん」と相づちを打ち、自分の間合いを相手に合わせることもできる。Blockのデモはこの点に大きく依存している——自らの文の途中での笑い声、要求に応じた音量変更、話し手が忘れた映画のタイトルを代わりに言い終えること。同じ録音を聞いたThe Vergeは、その会話を「少し気まずく、不気味」と評したが、これは公共の場で間合いを学習しているシステムに対する妥当な描写だ。

LFM3-Audio-2B はそのようには主張していません。これはストリーミングを伴うリクエスト＆レスポンスです。因果的オーディオエンコーダーにより、あなたが話している間にプリフィルできるため、Liquid の「最短 50 ms」という time-to-first-token の数値はそこから来ています。また、LiquidCodec は音声をストリームで返します。返答をストリーミングすることは、barge-in を処理することと同じではありません。あなたの製品が、割り込み可能な会話を必要とするなら、LFM3-Audio-2B はモデルの形として不適切であり、どれだけファインチューニングしてもインターフェースは変わりません。

Dessaのデモからは分からないのは、誰もクリップを選んでいないときに、モデルがそのように振る舞う頻度がどれほどかということだ。Blockによれば、録音はライブで、誘導されておらず、後から字幕が付けられているという。これはデモ詐欺の最も露骨な形を排除する。しかし、選択を排除するものではない。多くの会話を録音し、その中から最良のものを公開するチームは、良い会話が存在することを証明しただけで、モデルが信頼できることを証明したわけではない。

Liquidが公表した数字と、それらにどれだけの価値があるか

Liquidのモデルカードには6つの数値が掲載されており、そのうち4つには前世代モデルの値が併記されている。いずれもLFM3-Audio-2Bを、置き換え対象であるLFM2.5-Audio-1.5Bと比較したものだ。テストセット、ハーネス、分散については一切明記されていない。

• 英語ASR、単語誤り率 — 6.23 対 6.13。横ばい。唯一動かなかった行であり、その差はサンプリングノイズと言えるほど小さい。

• 多言語ASR、WER/CER — 6.03。先行する数値は公開されていません。

• 英語TTS、UTMOSv2 — 3.22に対して3.83。0.6ポイントの変化はノイズをはるかに超えており、この尺度では4.0が通常ほぼ人間相当とみなされます。

• VoiceBench — 73.13 対 55.17。

• 音声理解、MMAR — 50.60 対 25.85。ほぼ2倍。

• 音声からのツール呼び出し、内部評価 — 58.50。前身の数値なし。

Liquid社自身の表にある他のモデルと比べると、これはリーダーというより優れた小型モデルだ。{{1}}Voxtral Mini 3BはWER 5.51を記録し{{/1}}、{{2}}NVIDIA Audex 2Bは5.99を記録{{/2}}、いずれも6.23より良好だ。Qwen2.5-Omni 3Bは音声理解で54.41、Gemma 4 E4Bはツール呼び出しで72.40を獲得している。正直な要約は、認識性能は競争力があり、音声品質は明確に向上し、2Bとしては推論も堅実だ——どの項目でも最高記録ではない、というものだ。

Dessaにはそれに相当する行がなく、その不在は些細な技術論ではない。テキストなしで訓練された音声専用モデルには、JSONスキーマ、PDF、API呼び出しのためのネイティブなインターフェースが存在しない。Blockは自社ページで未解決の問いを認めている。音声専用モデルが事実や言語をどれほど効率的に学習するのか、そしてテキストによる事前訓練なしで文脈内学習が維持されるのか、という点だ。これらは魅力的な会話相手と汎用アシスタントの違いであり、どちらの企業もそれを決着させる試験を公表していない。

ライセンス、アクセス、そして誰が何に基づいて構築できるか

LFM3-Audio-2B のライセンスこそが、品質の議論に入る前に調達の会話の大半で勝利を収める実務的な理由です。LFM Open License v1.0 は年間売上1,000万ドル未満での商用利用を認め、それを超える場合は有償ライセンスを必要とします。重みは Hugging Face で公開されており、llama.cpp は10月27日に PR #31257 でサポートをマージ済み、Ollama には 2.1 GB のビルドが登録され、Transformers は 5.20.2 以降で trust_remote_code が必要です。押さえるべきはカスタムコードの要件です。モデルは自身の専用モジュールから読み込まれ、コーデックの重みは別ディレクトリから読み取るため、バージョンを固定しない環境はサポートチケットの発生を待つだけの状態です。

Dessaには同等の経路がない。アクセスは待機リストに加え、所属機関のメールアドレスで応募する少数のAI安全性研究者向けの早期アクセスに限られている。Blockが挙げる理由——好奇心、人間とAIの相互作用、安全性——は、感情を読み取る音声を小さな部屋の中に留めておくことと整合する。トレードオフは、制限付きアクセスと独立評価が互いに相反する方向へ引っ張り合うことだ。外部のグループが数値を公表するまで、公開記録はベンダーのクリップと、そのクリップに対する記者の印象にすぎない。

比較ではほとんど考慮されない二次的なコストがあります。ダウンロード可能なモデルは、自分で抱え込む依存関係です。2.1 GB、動かし続けるプロセス、SLAなし、そして成長するにつれて注意すべきライセンスのしきい値。ウェイトリストに入っているモデルは依存関係ですらありません。それは引用はできても出荷できない研究成果です。音声スタックを選ぶチームにとって、それは同じ線上の2点ではありません。2つの異なる意思決定です。

どちらのモデルも単独では提供できない、音声エージェントに必要なもの

実運用の音声システムが単一モデルで構成されることはほとんどない。フロントエンドが双方向型であれリクエスト・アンド・レスポンス型であれ、会話は通常のテキストモデルに作業を引き渡し続ける。検索、抽出、ポリシーチェック、保留中の間に行われる推論呼び出しなどだ。この委任レイヤーこそがコスト変動の所在であり、あるプロバイダーの不調な1時間があなたのサービス停止になる場所でもある。

正確に言うと、当社自身の提供範囲については、LFM3-Audio-2BはOrcaRouter上にはなく、DessaはAPIですらない。OrcaRouterが提供するのは、音声エージェントが委任するテキスト層だ——1つのキーで200以上のモデルをプロバイダーの定価で、上乗せなしに提供し、プロバイダーがつまずいた際の自動フェイルオーバー、複数のモデルを1回の呼び出しに組み合わせるルーティングDSL、そして単一モデルの判断では足りない場合のモデルフュージョンを備える。LFM3-Audio-2Bをローカルでプロトタイピングしているなら、ループのうちツール呼び出しの半分は今日からそのエンドポイントの背後に置ける部分だ。音声の半分はあなたのマシン上に残る。

それを決着させるテスト

LFM3-Audio-2Bについて、欠けている証拠は具体的だ。標準セットでの独立したWER実行、M4 Maxではないハードウェアでのレイテンシ測定、そしてLiquidの従業員ではない人物によるUTMOS改善分の再現である。llama.cppにおけるライブASRのフォローアップも重要だ。なぜなら、現在サポートされている経路はバッチ文字起こしであり、ストリーミングが実現した際には英語のみという点が制約になるからだ。

Dessaにとって、そのリストはより短く、より厳しい。ホールドアウトの会話セット、最初の聞こえる反応を含むエンドツーエンドのレイテンシ、割り込みからの復帰、雑音下での明瞭度、データと計算の予算、そして事実保持を測る何らかの指標だ。そのどれか一つでもあれば、デモリールは評価へと変わる。すべてがそろえば、それは製品になる。

それまでは、正確な説明は範囲が狭く、役に立つ。LFM3-Audio-2Bは1分でダウンロードできる2Bの音声モデルで、置き換えるモデルより話すのが上手く、聞き取りは同程度で、まだ独立した証人はいない。Dessaは今月最も興味深い音声デモだが、検証する方法がない。今四半期に構築する必要があるなら、その文のうちデプロイに至るのは1つだけだ。