LFM3-Audio-2B 対 StepAudio 3：オープンな2Bモデルとスコア付き製品ラインの対決

StepAudio 3 Realtimeには、音声製品が評価される指標に数字が付いている：Artificial AnalysisのConversational Dynamicsボードで98.9%、1位。LFM3-Audio-2Bにはライセンスがある。それは修辞的な対比ではない——証拠の実際の状態だ。StepFunのStepAudio 3ファミリーは2026年9月15日に、1つのプラットフォーム上の5つの商用音声モデルとして登場し、第三者による掲載とプレビュー価格ゼロを伴っていた。Liquid AIのLFM3-Audio-2Bは10月27日、6モデル構成のLFM3リリースの中で、ベンダー提供の表を伴い、独立したスコアを持たない2Bのオープンウェイトチェックポイントとして登場した。一方はレンタルする測定済みの製品だ。もう一方は所有できる未測定のファイルだ。両者の選択は、音声品質というより、その2つの文のどちらがあなたの制約を表すかによって決まる。

スコア付きのモデルを勝者だと宣言して先へ進みたくなる誘惑がある。それには一段落だけ抵抗してほしい。StepAudio 3 Realtime のスコアが測っているのは、永続的な WebSocket を備えたホスト型システム上で、中国語優先の学習セットを用いた会話のダイナミクス——ターンテイキング、割り込みからの復帰、相槌——だ。LFM3-Audio-2B はそのボードには載っておらず、双方向同時通話でもなく、誰かがエントリーさせたとしてもそれで測られることはない。この2つのモデルは、スタック内の同じ枠を争っているわけではない。有用な比較は、それぞれが相手にできない何をできるか、そしてそれぞれを知るのにどれだけコストがかかるかだ。

StepAudio 3 とは実際に何なのか

名称はひとつのファミリーを指し、選ぶティアによって比較の内容が変わります。StepFunは9月15日に5つのオーディオモデルをリリースしました。Realtime、ASR、TTS、Gen、Musicで、いずれも同社のオープンプラットフォーム上で商用APIとして提供されています。256Kのコンテキストとテキスト出力を備えたChatティアが、開発者向けの機能群を完成させます。

• StepAudio 3 Realtime — ネイティブな全二重会話を実現し、先に文字起こしするのではなく音声を直接推論。ツール呼び出しや、会話を続けながらの長時間タスクの非同期実行にも対応します。フラッグシップモデルであり、汎用音声モデルに最も近い存在です。

• StepAudio 3 ASR — 音声認識。Artificial Analysisの非ストリーミングASR精度ボードで単語誤り率1.7%を記録し、{{1}}同率1位{{/1}}。

• StepAudio 3 TTS — ストリーミング合成、6言語（英語、中国語、日本語、韓国語、フランス語、スペイン語）、12種類のシステムボイス、最大1,000文字の入力に対応。

• StepAudio 3 Gen — 自然言語からの音声、効果音、環境音、BGM、歌唱の統合生成。現在、期間限定の無料プレビューで提供中です。

• StepAudio 3 Music — ABC notationによるマルチターン制御、ボーカル・トゥ・アレンジメント、カバーに対応したゼロショット楽曲生成。

LFM3-Audio-2Bは、そうした作業のいくつかを一度に試みる単一のチェックポイントです。認識、合成、翻訳、音声理解、音声によるツール呼び出しを、プロンプトとサービングプロファイルによって選択します。音楽は生成せず、効果音のレパートリーは汎用音声モデルから得られるものに限られます。一方で、重みファイルはあります。StepAudio 3にはそれがありません。商用APIファミリーであり、オープンリリースではなく、どのティアでも重みは提供されません。

スコアボードと、それを制作したのは誰か

StepFunの数値はこの対決で最も強い根拠基盤であり、同時に最も過大に読み取りやすいものでもある。98.9%というConversational Dynamicsの数値はArtificial Analysis上の第三者による掲載値であり、そのためベンダーの表よりも信頼性が高い。99.7%という音声推論の数値はStepFunが引用しているもので、独立に再現されたものではない。1.7%というASR単語誤り率はArtificial Analysis上の掲載値で、首位タイであり、RealtimeモデルではなくASRティアに属する。これらは同じ制服を着た、種類の異なる三つの主張である。

LFM3-Audio-2Bの表は一律にベンダー報告によるもので、一律に自社の前身であるLFM2.5-Audio-1.5Bに対する相対値です。英語ASR WERは6.13に対して6.23、多言語WER/CERは6.03、UTMOSv2は3.22に対して3.83、VoiceBenchは55.17に対して73.13、MMARは25.85に対して50.60、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おらず、どの行についても独立した再現を見つけることはできませんでした。

二つを並べてみると、正直なところ、ほとんど重なっていないという観察になる。StepAudio 3 Realtime は会話のタイミングで評価され、LFM3-Audio-2B は認識、合成品質、音声推論で評価されている。両方が何らかの数値を公表している唯一の軸は認識であり、そこでも比較は汚染されている。StepAudio の 1.7% は ASR 層に関する独立系ボードのスコアだが、Liquid の 6.23 は、名称不明のデータセット上での汎用音声モデルについてのベンダー公表値である。差は十分に大きく、方向性はおそらく実在する。その大きさは、二つのチームが共同で実施した何かの測定値ではない。

Duplexは建築上のラインです。

StepAudio 3 Realtimeは電話通話向けに設計されています。話しながら聞き取り、割り込みにも対応し、文字起こしではなく生の音声を対象に推論します。StepFunは、テキストを経由すると失われる抑揚や強調をこれによって保てると主張しています。同社のドキュメントはその役割分担を明確にしています。Realtime APIには音声認識、コンテキスト管理、VAD、Web検索と情報取得が組み込まれていますが、Chat APIではそれらをすべて自分で実装する必要があります。

LFM3-Audio-2B は、特定の要求に応えるために構築されています。因果的オーディオエンコーダーにより、ユーザーが話している間にもプリフィルでき、LiquidCodec が音声をストリーミングで返します。80 ms の音声を 12 トークンに変換し、M4 Max の CPU 1 スレッド上で実時間の約 87 倍でデコードします。「最短 50 ms」という first-token までの時間（time-to-first-token）は、この設計に由来します。しかし、返答をストリーミングすることは、バージインへの対応と同じではありません。そして Liquid は全二重（duplex）をうたっていません。あなたの製品が、ユーザーによる割り込み発話に対応する必要があるなら、それを決めるのはベンチマークではなくアーキテクチャです。

一方で、レイテンシには落とし穴があります。StepAudio 3 Realtime は、会話のダイナミクスで首位に立つ同じリーダーボード上で、最初の音声までの時間が8.83秒と記録されています。これに対し、Gemini 3.8 Live は1.18秒、GPT-Live-1 は1.24〜1.34秒です。ターンテイキングでは勝っていても、話し始めるまでに一文分に近い時間がかかるモデルは、その最高の品質を本番環境で示せないかもしれないモデルです。会話品質より先にレイテンシをテストし、可能なら StepFun 自身の配信環境の外でテストしてください。

価格、ライセンス、そして実際に購入しているもの

StepAudio 3はファミリー全体で期間限定の無料プレビュー中で、Realtimeティアについてはプレビュー後の料金が発表されていません。TTSティアには第三者カタログを通じて10,000文字あたり約0.36ドルの公開リスト料金がありますが、これはRealtimeの価格ではなく、Realtimeの価格として使うべきものではありません。実務上の位置づけは、StepAudio 3 Realtimeは今日なら無料で評価でき、本番利用では価格未定ということです。つまり、試すには良い時期ですが、ユニットエコノミクスのモデルを構築するには悪い時期です。

LFM3-Audio-2B のコストは、動作させるマシンにかかります。LFM Open License v1.0 は、年間収益 $10M 未満なら商用利用が無料で、それを超えると有料です。Ollama ビルドは 2.1 GB で CPU でも動作します。llama.cpp は 10 月 27 日にサポートをマージしました。Transformers は trust_remote_code を使う前提で 5.20.2 以降が必要で、コーデックの重みは別のディレクトリから読み込まれるため、環境を固定してください。分単位の従量課金はありません。また、SLA もページャーも、出力が劣化したときに連絡できるベンダーもありません。

• 得られるもの — StepAudio 3 Realtime：商用エンドポイント、現行フラッグシップ、サポート付き。LFM3-Audio-2B：チェックポイントとライセンス、そして運用上の負担。

• 確認できるもの — StepAudio 3：ドキュメント、リーダーボードでの順位、重みは非公開。LFM3-Audio-2B：アーキテクチャ、モデルカード、重み、コーデック、ファインチューニングの手順。

• コスト体系 — StepAudio 3: 呼び出しごとの課金、アイドル時はゼロ、プレビュー後は価格未設定。LFM3-Audio-2B: 固定ハードウェア、限界コストはほぼゼロ、メーターなし。

• 障害モード — StepAudio 3: クォータ、リージョン、アカウントの問題、サポートチケット。LFM3-Audio-2B: オンコール対応はあなたの担当です。

言語のカバレッジは引き分けではない

LFM3-Audio-2Bは19ロケールにわたり18言語を列挙しており、英語は米国版と英国版の2つとして登場します。これは2Bモデルとしては幅広い合成リストであり、欧州向けまたは多言語製品においてこれを採用する最も強力な実用的根拠となります。限界も同様に明確です。ライブASRは英語のみで、翻訳は英語との間で最も強みを発揮します。

StepAudio 3は中国語ファーストです。Realtimeティアのドキュメントでは完全な言語リストは公開されていません。同ファミリーのTTSティアは6言語をカバーし、ASRティアは中国語と英語を中心に、方言処理、コードスイッチング、長尺音声、歌唱に対応する形で構築されています。あなたのトラフィックが英語混じりのマンダリンであれば、StepFunのスタックはそのワークロード向けに作られており、Liquidのスタックはそうではありません。あなたのトラフィックがスウェーデン語とオランダ語であれば、18言語チェックポイントは、両者のうちそれを謳っている唯一のものです。

ルーターが適する場面と、適さない場面

StepAudio 3はOrcaRouterのカタログにありませんし、LFM3-Audio-2Bも同様です — 一方はクローズドAPI、もう一方はダウンロードです。ですから、この2者の間のフェイルオーバーという話はできませんし、そうでないふりをする理由もありません。

ルーティング層が重要になるのはその1つ上の階層で、音声エージェントが実際に複雑さを費やすのはそこです。StepAudio 3 Realtimeはツール呼び出しと長時間実行の非同期タスクをサポートしているため、会話は絶えず通常のテキストモデルに作業を委ねます。検索、抽出、ポリシーチェックなどです。この委任層こそ、プロバイダーの障害やコストのばらつきが存在する場所です。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つのキーでプロバイダーの定価で、マークアップなしに提供し、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、1つのモデルの判断では不十分な場合のモデル融合を備えています。LFM3-Audio-2Bのプロトタイプにとって、それは音声モデルをローカルに置いたまま、今日エンドポイントの背後に置けるスタックの半分です。

それを決める3つの質問

中断できる会話が必要ですか？

では、この2つのうちその挙動をうたっているのは StepAudio 3 Realtime だけであり、レイテンシーの懸念はあるものの、適切な出発点です。LFM3-Audio-2B はリクエスト・アンド・レスポンス型で、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。導入を決める前に、ご自身のネットワークで最初の音声が出るまでの8.83秒という数値を検証してください。

モデルを所有する必要がありますか、それともオフラインで実行する必要がありますか？

なら、ここでは LFM3-Audio-2B が唯一の選択肢であり、ライセンス閾値はあなたの収益と照らし合わせて確認すべき数値だ。32K コンテキスト、英語のみのライブ ASR、独立した評価がないことを受け入れよ。UTMOS の向上を信頼する前に、自分の録音をこれに通して試せ。

ベンダーのスコアだけで選ぶのに十分ですか？

まだだ。そしてその理由は、StepFunの数字が弱いからではない。スコアはハーネスごとに異なるものを測っており、スコアのないモデルは、最も引用された数字を生み出したボードの対象にはならないからだ。同じ会話セットでの中立な直接対決なら、どちらか一方のベンダーの表よりも多くの決着がつくだろう。それが実現するまでは、選択は品質の問題ではなく制約の問題である。

評決

StepAudio 3 Realtimeは、市場が現在測定している軸、すなわち会話のダイナミクスにおいて優位に立っており、その根拠もより強固です。その一部は第三者によって作成されたものだからです。一方で、未解決のレイテンシ問題を抱え、プレビュー後の価格は未公表、重みも公開されておらず、中国語を優先した言語プロファイルを持っています。中国語と英語のユーザーを対象とするリアルタイム音声エージェントにとっては、レイテンシのテストに合格し、プレビュー価格が想定外のものにならない限り、より良い選択肢です。

LFM3-Audio-2Bは所有権と合成の広さで勝ち、エビデンスで負ける。登場からまだ4日、数値はベンダー申告、ASRは自社の表でも中位、ライセンスには売上しきい値がある。オフライン製品、多言語音声、あるいはコールごとの課金メーターを受け入れられないチームにとっては、より良い選択だ。そして、今週、自分のハードウェアだけで完全に評価できる2つのうちの唯一のものだ。

注目すべき点は両者に共通している。全二重モデルと要求応答型モデルを同じ会話セットに載せる中立的な評価と、StepAudio 3の公開された実運用価格だ。前者は、Liquidの2Bチェックポイントが資料から読み取れるよりもフロンティアに近いかどうかを教えてくれる。後者は、StepFunのリードが請求書に接しても生き残るかどうかを教えてくれる。