LFM3-Audio-2B 対 Qwen-Audio-3.1：1つのチェックポイント、多様な評価尺度

何の料金かを尋ねるとQwen-Audio-3.1、最初の正直な答えは別の質問になる：どれのことか？この名前は階層化されたホスト型音声ラインを指す——リアルタイム双方向モデル、リアルタイムフラッシュ階層、ストリーミングおよびファイル文字起こし、2つの合成モデル——そして各階層には独自の料金表がある。LFM3-Audio-2Bは正反対の種類の存在だ：Liquid AIによる単一の2Bチェックポイントで、2026年10月27日に6モデル構成のLFM3ファミリー内で提供され、LFM Open License v1.0の下でダウンロード可能、2.1 GBのOllamaビルドがあり、呼び出しごとの課金メーターはどこにもない。両者を比較することは音声品質の比較ではない。それは2つの課金形態の比較であり、その算術はトラフィックが安定しているか、急増するか、まだ仮説にすぎないかによって異なる結果になる。

リリースの形も重要です。それがドキュメントに対する期待値を決めるからです。Qwen-Audio-3.1 はカタログ先行です。モデル ID は Alibaba Cloud Model Studio に記載され、それぞれ 1〜2 行で説明され、トークン単位で価格が設定され、重みは公開されておらず、パラメータ数も公開されていません。LFM3-Audio-2B は重み先行です。リポジトリ、モデルカード、マージ済みの llama.cpp プルリクエスト、そしてベンダーのモデルファミリー投稿の 1 段落があります。片方はレンタルする製品ラインです。もう片方は所有するファイルです。以下の実務上の違いはすべてそこから生じます。

その名前が実際にカバーしている範囲

Qwen-Audio-3.1は単一のエンドポイントではなく、それを単一のものとして扱うことが比較における最もよくある間違いです。各ティアは異なる役割を担います：

• qwen-audio-3.1-realtime-flash — リアルタイム全二重の音声、テキスト、オーディオの入出力に対応し、関数呼び出し、ウェブ検索、ボイスクローニング、3つのターン検出モードを備える。これはLFM3-Audio-2Bに最も近い類似モデルであり、本記事が価格を扱う階層でもある。

• qwen-audio-3.1-realtime-plus — より充実したリアルタイムティア。Alibabaはこれについて毎秒12.5トークンの音声変換を明記しており、flashティアよりも実質的に高い出力料金を課しています。異なる製品、異なる請求。

• qwen-audio-3.1-asr-flash-streaming — ストリーム上での認識。中間結果、VAD、ホットワード、非流暢性の除去に対応。音声出力はありません。

• qwen-audio-3.1-asr-flash-filetrans — 同じ認識タスクをファイルに対してバッチ処理するもの。

• Qwen-Audio-3.1-TTS と TTS-Next — 音声合成。Next モデルは、音声・効果音・環境音を48 kHzで一度に生成する「Audiogen」モデルとして売り込まれています。

LFM3-Audio-2Bは、それらのジョブを1つのチェックポイントに集約します。認識、合成、翻訳、音声理解、音声によるツール呼び出しは、同じ2Bモデルのモードであり、プロンプトとサービングプロファイルによって選択されます。選ぶべきSKUはなく、話すことと聞くことを別々に計量するメーターもありません。これは粒度と引き換えに簡素さを得るトレードオフです。認識だけが必要なときに認識分だけ支払うことはできません。どちらにしてもモデル全体を実行するからです。

法案、解決済み

Alibabaはqwen-audio-3.1-realtime-flashの料金を100万トークンあたりのUSDで公開しています。シンガポールでは、テキスト入力$0.23、音声入力$0.93、テキスト出力$0.70、音声出力$1.87です。北京はやや安く、$0.212、$0.848、$0.636、$1.696です。レート制限は毎分60リクエストおよび毎分100,000トークンで、WebSocketの同時接続数に別途の上限はありません。コンテキストウィンドウは262,144トークンで、最大入力は245,760、出力は16,384です。ただし音声履歴は50ターンまたは累計300秒までに制限されており、長い会話で実際に到達するのはこの制限です。

LFM3-Audio-2Bには料金表がありません。Liquidがこれをエンドポイントとして販売していないからです。コストは、実行するマシン、2.1 GBのダウンロード、そしてライセンスのしきい値です。年間売上1,000万ドル未満なら商用利用は無料、それを超えると有料になります。ラップトップ上ではほぼゼロですが、GPU上ではアイドル容量に対してすでに支払っている分がそのままコストになります。効率性の主張として知っておく価値があるのはコーデックです。LiquidCodecは80 msの音声を12トークンに詰め込み、M4 Maxの単一CPUスレッド上でリアルタイムの約87倍でデコードします。ただしそれはコーデックを測ったものであり、言語モデルを測ったものではなく、あなたのハードウェアでのエンドツーエンドのスループットと解釈すべきではありません。

さて、決め手となる部分です。ホスト型のリアルタイムモデルは、生成する音声を含め、会話のトークン単位で課金され、音声エージェントのコストは出力側にあります。セルフホスト型モデルは、誰が話していようがいまいが、ハードウェアの時間単位で課金されます。安定した負荷で稼働するコンタクトセンターなら、固定費が償却され、時間あたりの金額はどの料金表よりも低くなり得ます。トラフィックが急増するプロダクト——四半期の最終日に千件の通話を文字起こしし、その後11週間は何もないコンプライアンスチーム——では、通話単位の課金が有利です。沈黙の間もGPUの課金が続くからです。どちらの形態も一般に安いわけではありません。それぞれ異なる利用率で安くなるのです。

カバレッジ、レイテンシ、および満たさない主張

• 言語 — LFM3-Audio-2B：18言語、19ロケール。ライブASRは英語に限定され、翻訳は英語との間が最も強力です。Qwen-Audio-3.1：AlibabaのリアルタイムFlashティアに関するドキュメントでは言語一覧が公開されていません。その認識ティアは、自動言語検出を備え、マンダリン（標準中国語）、広東語、四川語、その他の中国語方言を中心に記載されています。ドキュメントで列挙されるまで、Qwenの対応範囲は不明として扱ってください。

• レイテンシ — LFM3-Audio-2B：「わずか50 ms」という最初のトークンまでの時間は、ベンダーが特定のAppleハードウェア上で測定したもので、パーセンタイルやハーネスに関する記載はない。Qwen-Audio-3.1：Alibabaのファミリーの見出し値である92 msの初回トークンは、0.6B仕様における自社の高並列ベンチマークに由来するもので、第三者によるテストではない。どちらも典型的な数値ではない。

• 双方向（Duplex） — LFM3-Audio-2B：ストリーミングによるリクエスト・アンド・レスポンス。因果的エンコーダにより発話中のプリフィルが可能だが、バージイン（割り込み）に関する主張はない。Qwen-Audio-3.1 realtime-flash：明示的に双方向であり、サーバーVADと、割り込みを処理するスマートターンモードを備える。

• コンテキスト — LFM3-Audio-2B：32Kトークン（入力＋出力）。これは一部のLFM3関連の報道で繰り返されている256Kという数値ではない。それはテキストモデルのものだ。Qwen-Audio-3.1 realtime-flash：262Kトークン（ただし上記の音声履歴の上限あり）。

その全二重というラインが、アーキテクチャを変える分岐点だ。製品が文の途中で割り込みを受ける必要があるなら、LFM3-Audio-2B はモデルの形として不適切であり、どんなプロンプトでもそれを修正できない。製品が録音を読み取ってそれについての質問に答えるなら、全二重は無関係であり、2B チェックポイントのほうがより単純なオブジェクトだ。

誰が何を測定したのか

LiquidはLFM3-Audio-2Bについて6つの数値を公表しており、いずれも自社の前モデルLFM2.5-Audio-1.5Bとの比較です。英語ASRのWERは6.23（6.13に対して横ばい）、多言語WER/CERは6.03、UTMOSv2は3.83（3.22に対して）、VoiceBenchは73.13（55.17に対して）、MMARは50.60（25.85に対して）、そして社内ツール呼び出し評価は58.50です。テストセット、ハーネス、分散のいずれも明記されていません。どの行についても独立した再現は確認できませんでした。

Qwenの証拠は性質が異なる。技術報告書「Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction」があり、それによると、τ-Voiceの半二重音声テキスト変換適応におけるタスク成功率が78.4%から82.0%に向上し、Full-Duplex-Bench v1.5における背景発話への応答率が73.0%から13.0%に低下したと報告されている。これらは要旨に示された2つの数値である。本文にはモデルレベルの表があるが、私はそれらをハーネスに対して検証していない。また、この論文は独立した評価ではなくベンダーによる報告書である。

正直なスコアボードはこうだ。一方のモデルには論文のないベンダー表があり、もう一方には再現可能なハーネスのないベンダー論文があり、どちらも中立のボードに自らの名前では載っていない。彼らの数値を隣接する列に並べる記事は、検証されていない2つの主張を並べ、レイアウトに説得をさせているだけだ。

ルーターがどこに当てはまるか、正確に

LFM3-Audio-2BもQwen-Audio-3.1もOrcaRouterのカタログにはないため、音声レイヤー自体についてルーティングの主張はできません。その上のレイヤーは話が別です。どちらのモデルで構築した音声製品でも、要約、分類、抽出、またはエージェントが次に何を言うかの決定のためにテキストモデルが依然として必要であり、コストと信頼性が実際に変動するのはその呼び出しです。

OrcaRouterは200以上のテキストモデルとマルチモーダルモデルを1つのキーのもとに提供し、プロバイダーの定価でマークアップなし、プロバイダー間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られるルーティングDSLを備えています。この対決で役立つパターンはA/Bです。同じ録音済み会話をqwen-audio-3.1-realtime-flashとLFM3-Audio-2Bの両方で自分のハードウェア上で実行し、その後、両方の文字起こしを同じエンドポイント上の同じダウンストリームモデルに送ります。比較はクリーンに保たれ、テキスト部分が、制御し忘れた変数になることはありません。

どの請求書を選択しますか

双方向会話、中国語優先の認識スタック、262Kコンテキスト、ベンダーSLAが必要な場合、またトラフィックの変動が十分に大きくトークン単位の課金が利点になる場合は、Qwen-Audio-3.1 realtime-flashを選んでください。価格を見積もる前に、ティア名を注意深く確認してください。realtime-plusとrealtime-flashは同じ製品ではなく、音声エージェントの請求額は出力レートで決まります。

LFM3-Audio-2B は、モデルを自分で所有したい、オフラインで実行したい、分単位の課金を避けたい、またはラップトップで18言語を合成したい場合に選んでください。32K コンテキスト、英語のみのライブ ASR、ライセンスのしきい値、そしてベンダー自身の比較で認識精度が中位であるという事実を受け入れてください。

待って、調達チームに説明できる数字が必要なら。どちらのモデルにもまだそれがない。共有音声コーパスでの最初の独立評価——ベンダーの表でもベンダーの論文でもない——は、上記のあらゆる数字よりも価値があり、これらのどちらかが標準になる前に注目すべきものだ。