LFM3-Audio-2B vs Voxtral 3：2.1 GBのダウンロードか、音声プラットフォームか

この比較を正直に始めるなら、まずこう言うべきだ：LFM3-Audio-2BとVoxtral 3を突き合わせた実行結果は、まだ誰も公開していない、と。Liquid AI は自社の20億パラメータ音声モデルについてベンチマーク表を公開し、Mistral は自社の音声スイートについてそれを公開したが、両方の表で共通する行はほとんどない。重なる箇所でも、測定されているモデルは同じ世代ではない。これらのどちらがベンチマークで「優れている」と言う人は、あるテストハーネスの数値と別のテストハーネスの数値を比べていて、あなたが確認しないことを願っているだけだ。

つまりこの記事は、整然とはしていないがより有用なことをしている。答えられる問いと、まだ答えられない問いを切り分けるのだ。両者に共通する多言語テストがないため、どちらのモデルがドイツ語をよりうまく文字起こしできるかは、まだ言えない。しかし、両ベンダー自身のドキュメントから確信を持って言えるのは、これらはまったく同じ種類の製品ではないということだ。一方は自分で実行する{{1}}2.1 GB のファイル{{/1}}であり、もう一方はテレフォニーSDKが付属し、ダウンロード可能な重みがない{{2}}4モデルのパイプライン{{/2}}である。

その違いは、WERの数値を一つ参照する前に、実際の導入の大半を決定づける。この記事の残りの部分では、それが当てはまらないケースについて述べる。

ベンチマークされたVoxtral Liquidは、あなたが比較対象にしているVoxtralではありません。

LiquidのモデルカードはLFM3-Audio-2Bを6つの競合モデルと並べており、そのうちの1つがVoxtralです。その行にはVoxtral Mini 3Bとラベルが付いており、英語ASRではLiquidのモデルを上回っています。単語エラー率は5.51%対6.23%です。これはLiquidが公開した唯一の直接的なVoxtral比較であり、「Mistralの音声モデルのほうがより正確に文字起こしする」と受け取られやすいものです。

それは見出しが示唆するような比較ではない。Voxtral Mini 3Bはmistralai/Voxtral-Mini-3B-2507——2025年7月にApache 2.0の下でリリースされた、ローカルおよびエッジ展開向けに構築された3Bモデルである。これはVoxtral 3より15か月前に登場しており、別の製品世代に属する。Mistralの2026年10月20日のスイートにはVoxtral Mini 3Bというモデルは含まれていない。その最小の文字起こしモデルは4Bパラメータ、毎分0.0035ドルのVoxtral Mini Transcribe 3である。

表の中にも不一致があります。その行のパラメータ列には5Bとありますが、行名は3Bモデルにちなんだものです。これは、名前の付いた評価——ESBとOpen ASR leaderboardセットの平均——から得られたWERの数値を疑う理由ではありません。むしろ、数値を読む前にベンダー表の列見出しを読むべき理由です。

その結果は率直に述べておく価値がある。なぜなら、それはこの記事で最も有用な事実だからだ：LFM3-Audio-2B と Voxtral 3 のどのモデルとの間にも、公開された直接比較は存在しない。Liquid からも、Mistral からも、独立した評価者からも出ていない。Liquid は自社の新モデルを、Mistral のオープンウェイト2025年の音声モデルと比較した。これは公正なオープン対オープンの比較として妥当な選択であり、また現在可能な唯一の種類の比較でもある。なぜなら Voxtral 3 は重みを公開していないからだ。2026年のオープンウェイト音声比較を Voxtral 3 に対して行うことはまったくできない。

その2つの製品が実際に何なのか

非対称性は、仕様よりもリリースの形を見たほうが捉えやすい。

LFM3-Audio-2Bは、6モデル構成のLFM3ファミリーの一員として2026年10月27日に公開されたモデルです。テキストまたは16 kHzの音声を入力とし、テキスト、24 kHzの音声、またはテキストと音声をインターリーブした出力、さらにツール呼び出しを出力します。新しい自社開発の因果的オーディオエンコーダにより、話している最中にプリフィルできます。そのLiquidCodecトークナイザーは、80ミリ秒の音声を12個の離散トークンに圧縮し、逐次ではなく並列にデコードします。M4 Maxの単一CPUスレッド上でリアルタイムの約87倍で動作します — これはコーデックのスループット値であり、ハードウェア要件ではありません。

Voxtral 3は、2026年10月20日に発表されたスイートです。バッチ文字起こしツール、より小型の2つ目のバッチ文字起こしツール、ストリーミング文字起こしツール、TTSモデル、音声適応製品、そしてそれらをSIPとWebRTC経由でつなぎ合わせるLiveKitベースの音声エージェントSDKで構成されています。Voxtral 3を選ぶのではありません。パイプラインを選び、Voxtral 3がその各ステージを提供します。

• ウェイト — LFM3-Audio-2BはLFM Open License v1.0の下でオープンウェイトを提供していますが、Voxtral 3はダウンロード可能なウェイトを公開しておらず、Mistralの発表資料では代わりにAPIアクセス、Studioのプレイグラウンド、プライベートインフラへのデプロイが説明されています。

• フットプリント — エンドポイントに対する Ollama 上で 2.1 GB。サイズを測るべき Voxtral 3 のファイルは存在しません。

• コンテキスト — LFM3-Audio-2Bでは入力と出力を合わせて32Kトークン。Mistralは文字起こしモデルについてはコンテキストの数値をまったく公表しておらず、代わりに分単位で課金している。

• モダリティ — LFM3-Audio-2B は 1 つのモデルで any-to-any を実現します。聞く、話す、理解する、翻訳する、ツールを呼び出す。Voxtral 3 はこれらを別々のモデルとエンドポイントに分割しており、文字起こしモデルと TTS モデルは同じシステムではありません。

• ライセンス — LFM Open License v1.0、年間収益1,000万ドル未満であれば商用利用無料。Voxtral 3 はコマーシャルAPIであり、その利用規約が呼び出しごとに適用されます。

• 話者分離とコンテキストバイアス — Voxtral 3はその両方を備えており、Mistral自身の話者分離データセットでcpWERは18.4%、コンテキストを提供するとキーフレーズ再現率は81.4%から94.6%に上昇します。LFM3-Audio-2Bはどちらの機能も公開していません。

言語カバレッジは、まだ埋まっていない唯一のギャップです。

LFM3-Audio-2Bは、カードに記載されているとおり、19ロケールにわたる18言語をサポートしています。アラビア語、デンマーク語、ドイツ語、ギリシャ語、英語（イギリス英語とアメリカ英語は別々にカウント）、フィンランド語、フランス語、ヘブライ語、イタリア語、日本語、韓国語、オランダ語、ポーランド語、ポルトガル語、スペイン語、スウェーデン語、トルコ語、中国語です。そのうち9言語で多言語ASRをベンチマークし、FLEURSで平均エラー率6.03を報告しています。中国語、日本語、韓国語については文字エラー率を使用しています。

Voxtral 3の文字起こし機能は50以上の言語に対応しています。リアルタイムモデルは、ページのある箇所では35以上、別の箇所では40以上と主張しており、この種の不整合はたいてい、ローンチ週の間に数字が動いて、誰も文案を突き合わせなかったことを意味します。

音声がベトナム語、ヒンディー語、ロシア語、ノルウェー語、カタルーニャ語で届く場合、LFM3-Audio-2B はそれらを列挙していませんが、Voxtral 3 はその5言語すべてを話せます。これらは Mistral が挙げる18の音声プリセット言語に含まれています。リスト全体を通じて、Liquid がサポートする言語で、Mistral の50以上の文字起こし言語が対応を主張していないものは特定できませんでした。正直な注意点として、Mistral は音声プリセットのリストを完全に公開していますが、文字起こしの対応範囲は件数としてしか公開していないため、この比較の一部はリスト対数値の比較になっています。

Liquid自身のドキュメントには、さらに鋭い問題が潜んでいる。モデルのライブASRモード――音声がストリーミングで流れ込むと、約0.96秒ごとのチャンク単位で文字起こしするモード――は、英語のみに対応している。バッチ文字起こしは18言語すべてをカバーするが、ストリーミング経路はそうではない。LFM3-Audio-2Bを使ってリアルタイムの多言語キャプション機能を計画している人は、この一文をよく読み返すべきだ。なぜなら、WERの表がどうであれ、この事実だけでそのモデルはその用途には適さないと決まってしまうからだ。

同じものを測定していない2つのレイテンシ数値

Liquidは最初のトークンまでの時間を「わずか50 ms」と宣伝している。Mistralはリアルタイム文字起こしで500 ms未満、エージェントの1ターン全体で1秒未満と宣伝している。これらの数値は比較できるものではなく、その差は丸め誤差ではない。

50 msという数字は、音声から音声への経路に関するものだ。因果エンコーダーは文を言い終える前に処理を開始するため、音声がまだ到着している間にモデルは応答の最初のトークンを出し始めることができる。これは会話モデルにおける対話性についての主張である。500 ms未満という数字は文字起こしのレイテンシー、つまりテキストが表示されるまでの遅延であり、Mistral自身の表がそのコストを示している。同社のリアルタイムベンチマークでは、Voxtral Mini Transcribe Realtime 3は960 msのレイテンシーでWER 6.0%、480 msで6.4%、240 msで7.4%となる。レイテンシーと精度は直接トレードオフの関係にあり、Mistralではその曲線上の点を選べる。

Liquidは同等の曲線を公開していない。公開しているのは下限値——50 ms——だけで、ハードウェア、テストセット、そのレイテンシにおける精度はいずれも明示されていない。その下限値は本物かもしれない。しかし、製品を計画する際に依拠できる仕様にはまだなっていない。

コスト計算は、主張ではなく実際に算出したもの

オープンウェイトモデルと従量課金APIを比較する場合、決め手となるのは利用量であり、その計算はきちんと行えるほど単純だ。

文字起こし、音声1,000時間 — 60,000分。Voxtral Mini Transcribe 3は1分あたり$0.0035で$210。Voxtral Small Transcribe 3は$0.004で$240。Voxtral Mini Transcribe Realtime 3は$0.008で$480。LFM3-Audio-2Bは無料ダウンロードで、すでにお持ちのハードウェア上で動作するため、限界費用は電気代のみです。

音声合成、1,000時間 — 1分あたり約900文字で話すと、5,400万文字になります。Voxtral Mini TTS 3は100万文字あたり13ドルなので702ドルです。LFM3-Audio-2Bは文字あたりのコストがかからず、プロンプトで選択できる男性・女性の2つの音声オプションを提供します。Voxtralは30分の音声から声をクローンし、感情、話すペース、強調の調整機能を備えています。

ライブ音声エージェント、1,000時間の会話 — Mistralは、組み立て済みのパイプラインを、推論をMistral Small 4が担う場合は1分あたり$0.04、より大きなモデルを使う場合は$0.08と価格設定している。これは$2,400から$4,800になる。LFM3-Audio-2Bは聞き取りと発話をローカルで処理するが、自身の能力を超える事柄には依然として推論モデルが必要であり、そのモデルカードには、複雑な多段階推論には推奨されないと明記されている。

さて、通常は省かれる部分、損益分岐点です。1,000ドルのマシンは、Voxtral Mini Transcribe 3 を約4,760時間使うと元が取れます——連続音声でおよそ200日、1日8時間なら1年半です。少量の利用なら、APIはハードウェアを買うより安く、始めたその日から安く済みます。オープンウェイトのケースは「無料」ではありません。「限界費用ではなく固定費」であり、有利になるのは、利用量がある場合、プライバシー要件が厳しい場合、またはデバイスにネットワークがない場合だけです。

この図の中でルーターがその役割を発揮するのは、どちらの音声モデルにおいてでもありません — LFM3-Audio-2B も Voxtral 3 も現在 OrcaRouter のカタログにはなく、そうでないふりをするつもりもありません。それは、どちらのアーキテクチャも最終的に必要とする推論段階においてです。音声エージェントは、文字起こし、推論、発話という連鎖です。中間のリンクはホスト型 LLM であり、そのリンクこそが次から恩恵を受けます：200 を超えるモデルをまたいで使える 1 つのキー、プロバイダーの定価は0% のマークアップでそのまま反映され、そのためベンダーの価格変更が当日に反映され、通話中にプロバイダーが不調なときには自動フェイルオーバーが働きます。

何が検証済みで、何がそうでないのか

ここでは三層のエビデンスが働いており、それらを平坦化してしまうことこそが、比較を誤らせる原因です。

独立して測定。 Voxtral 3の文字起こし品質には第三者による数値がある。Artificial Analysisは独自のインデックスでVoxtral Small Transcribe 3をWER 2.1%とし、2026年10月21日時点で総合3位、Voxtral Mini Transcribe 3は2.2%だった。同社のTTSはProvider Voice arenaでElo 1,217の13位、Controlled Voiceで1,066の14位だった——中位であり、Mistralのソーシャル投稿がトップ12と表現していたことを踏まえると、率直に言っておく価値がある。

ベンダー報告によるもので、再現はされていません。本記事に登場するLFM3-Audio-2Bの数値はすべてLiquid自身によるものです。英語WERの6.23、多言語の6.03、UTMOSv2の3.83、VoiceBenchの73.13、社内ツール呼び出し評価の58.50、そしてMMARの50.60です。本稿執筆時点でこのモデルのArtificial Analysisへの登録はなく、第三者による再現結果も公表されていません。これらは測定値ではなく主張として扱ってください。

まったく比較できません。Liquidの英語WER 6.23%、MistralのFLEURS値4.0%、Artificial Analysisの2.1%は、それぞれ異なる音声セットで行われた3つの異なるテストです。これらを引き算してはいけません。Liquidが公開した同一ハーネスでの唯一の比較は、2025年のオープンウェイトモデルであるVoxtral Mini 3Bとのものです。そこではLiquidの2Bは英語ASRで6.23対Voxtralの5.51と劣るものの、多言語ASRでは6.03対7.76、VoiceBenchでは73.13対65.78、MMARでは50.60対50.10、ツール呼び出しでは58.50対44.50と上回っています。

ここで「ひっそりと出荷された」とは実際どういう意味なのか

LFM3-Audio-2Bには独自のリリースはありませんでした。この違いは、ドキュメントをどの程度信頼するかを判断する際に重要です。

Liquidは2026年10月27日、「Introducing LFM3: Every Modality for Specialized Intelligence」と題した投稿でLFM3ファミリーを発表した。音声モデルはそこで、6つのうちの1つとしてあるセクションに登場する——LFM3-Audio専用のブログ投稿も、個別のローンチも、独自の製品ページも存在しない。重みとモデルカードは完全かつ公開されている。Ollamaのリスト、ollama run lfm3-audioは2.1 GBで、10月28日に、LiquidからもOllamaからも対応する発表がないまま、音声モデルとomniモデルを追加したllama.cppのプルリクエストと並んで登場し、ライブASRはフォローアップに延期された。

つまり構図はこうだ。成果物は実在し、文書化されている。発表はファミリー告知のなかの一段落にすぎず、ローカルランタイム対応はその翌日に静かに届いた。これが実務上意味するのは、権威なのはモデルカードであって、ローンチ投稿ではないということだ。なぜなら、そんな投稿は存在しないからだ。そしてカードは制限事項について異常なほど具体的で、それは好材料だ。LiveASRは英語専用だと明記している。エージェント型コーディングや複雑な多段階推論向けではないとも書いている。知識重視のタスクは検索に回す。弱いモデルを隠すベンダーは、普通こんなことは書かない。

誰がどれを取るべきか

LFM3-Audio-2B を選ぶべきなのは、音声をデバイス外に出せない場合、2つのサービスをつなぎ合わせることなく聞くことと話すことの両方を担う単一モデルが必要な場合、対象の言語がその18言語に含まれる場合、そして利用量が十分に多く固定のハードウェア費用が分単位の課金より安く済む場合です。音声インターフェースを、一切の調達なしでプロトタイプするのにも適しています——2.1 GB と Ollama コマンド1つだけです。ただし、その英語の ASR はオープンな Voxtral の最新世代に後れを取っていること、ストリーミングは英語のみであること、そしてその数値のいずれも独立した評価者によって検証されていないことを受け入れてください。

Voxtral 3を選ぶべきのは、モデルの機能ではなく電話エージェントを構築している場合です。このスイートは組み立てて使うために存在します。トランスクライバー、推論モデル、TTSがSIPとWebRTC上で動作し、バージインと発話終了検出はすでに解決済みです。50以上の言語、話者分離、人名や専門用語に対するコンテキストバイアス、あるいは音声クローニングが必要な場合にも選ぶべきです。これら4つの機能は、LFM3-Audio-2Bがどのような形でも提供していません。その代償は、ダウンロードできず、内部を検査できず、そして提供するすべての1分ごとにコストが永久に線形に増え続けることです。

両方を採用してください。アーキテクチャが許すなら、そして多くの場合それは許されます。ウェイクワード、ローカルディクテーション、オフライン経路には、デバイス上で LFM3-Audio-2B を実行してください。多言語対応、話者分離、クローン音声が必要な通話は Voxtral 3 に送ってください。この2つはスタック内の同じ枠を奪い合うものではありません。一方は製品内部のモデルであり、もう一方は製品が電話回線であるときに呼び出すベンダーです。

注目すべき比較

これをきちんと解決するには2つのものが必要だが、そのどちらもまだ存在しない。

第一は、Artificial AnalysisがVoxtral 3モデルに使用しているのと同じハーネスでのLFM3-Audio-2Bの独立評価です。その単一の数値——共有テストにおけるWER指数——は、Liquidの表の中で最も重大な主張を、ベンダーの主張から測定結果へと変え、ラップトップ上で動作する2Bモデルがホスト型の4Bモデルと本当に1ポイント以内に収まっているかどうかを教えてくれるでしょう。

第二は、MistralがVoxtral 3の重みをいつかリリースするかどうかだ。同社の2025年の音声モデルはApache 2.0の下でオープンだったが、2026年のスイートはそうではない。もしそれが覆れば、Liquidが公開することを選んだ公平なオープン対オープンの比較は再び有効なものとなり、この記事の中心的な注意書きは失効する。

そうしたことのどれかが起こるまでは、防衛可能な立場は地味なものだ。能力の広さでは、Voxtral 3 がベンチマーク論争では埋められないほど大きな差で勝っている。50言語、話者分離、クローニング、電話。デプロイ可能性では、LFM3-Audio-2B が同じくらい大きな差で勝っている。なぜなら、2つのうち手元に置けるのはそれだけだからだ。その間にあるものはすべて、あるベンダーの表の数値の隣に別のベンダーの数値を並べたものであり、「どちらがより正確か」に対する正直な答えは、誰も測定していないということだ。