LFM3-Audio-2B vs Qwen-Audio-3.1: 하나의 체크포인트, 다양한 측정 지표

무엇이 Qwen-Audio-3.1 비용인지 물으면, 가장 솔직한 첫 대답은 또 다른 질문이다: 어느 것일까? 이 이름은 계층화된 호스팅 음성 제품군을 아우른다 — 실시간 듀플렉스 모델, 실시간 플래시 티어, 스트리밍 및 파일 전사, 그리고 두 가지 합성 모델 — 각 티어에는 자체 요금표가 있다. LFM3-Audio-2B는 정반대 종류의 객체다: Liquid AI의 단일 2B 체크포인트로, 2026년 10월 27일 여섯 모델로 구성된 LFM3 패밀리 안에서 출시되었으며, LFM Open License v1.0에 따라 다운로드할 수 있고, 2.1 GB Ollama 빌드가 있으며, 호출당 과금 미터는 어디에도 없다. 이 둘을 비교하는 것은 오디오 품질의 비교가 아니다. 두 가지 과금 형태의 비교이며, 산술은 트래픽이 안정적인지, 급변하는지, 아니면 아직 가정에 불과한지에 따라 다르게 귀결된다.

출시 형태도 중요합니다. 출시 형태가 문서에 대한 기대치를 정하기 때문입니다. Qwen-Audio-3.1은 카탈로그 우선입니다. 모델 ID가 Alibaba Cloud Model Studio에 문서화되어 있고, 각각 한두 줄로 설명되며, 토큰당 가격이 책정되고, 가중치는 공개되지 않으며, 공개된 파라미터 수도 없습니다. LFM3-Audio-2B는 가중치 우선입니다. 저장소, 모델 카드, 병합된 llama.cpp 풀 리퀘스트, 그리고 공급업체의 패밀리 게시물에 있는 한 문단이 전부입니다. 하나는 대여하는 제품 라인이고, 다른 하나는 소유하는 파일입니다. 아래의 모든 실질적 차이는 여기에서 비롯됩니다.

그 이름이 실제로 포괄하는 범위

Qwen-Audio-3.1은 하나의 엔드포인트가 아니며, 이를 하나로 취급하는 것이 비교에서 가장 흔한 실수입니다. 각 티어는 서로 다른 역할을 합니다:

• qwen-audio-3.1-realtime-flash — 실시간 양방향 음성, 텍스트 및 오디오 입출력에 함수 호출, 웹 검색, 음성 복제, 세 가지 턴 감지 모드를 지원합니다. LFM3-Audio-2B와 가장 유사한 사례이며, 이 글에서 가격을 책정하는 등급입니다.

• qwen-audio-3.1-realtime-plus — 더 완전한 실시간 티어입니다. 알리바바는 이 제품에 대해 초당 12.5토큰의 오디오 변환을 문서화하고 있으며, 플래시 티어보다 실질적으로 더 높은 출력 요금을 부과합니다. 제품이 다르면 청구서도 다릅니다.

• qwen-audio-3.1-asr-flash-streaming — 스트림을 통한 인식으로, 중간 결과, VAD, 핫워드 및 비유창성 제거를 지원합니다. 음성 출력은 없습니다.

• qwen-audio-3.1-asr-flash-filetrans — 파일을 대상으로 일괄 처리되는 {{1}}동일한 인식 작업{{/1}}.

• Qwen-Audio-3.1-TTS 및 TTS-Next — 음성 합성 기능을 제공하며, Next 모델은 48 kHz에서 음성, 음향 효과, 앰비언스를 한 번에 생성하는 "Audiogen" 모델로 마케팅되고 있습니다.

LFM3-Audio-2B는 이러한 작업들을 하나의 체크포인트로 통합합니다. 인식, 합성, 번역, 오디오 이해, 음성 도구 호출은 동일한 2B 모델의 모드이며, 프롬프트와 서빙 프로필에 따라 선택됩니다. 선택할 SKU도, 말하기와 듣기를 위한 별도의 과금 기준도 없습니다. 그 대가는 세분성을 내주고 단순성을 얻는 것입니다. 인식만 필요한 경우에도 인식에 대해서만 비용을 지불할 수는 없습니다. 어느 경우든 전체 모델을 실행하기 때문입니다.

법안, 마련된

Alibaba는 qwen-audio-3.1-realtime-flash의 요금을 100만 토큰당 USD 기준으로 공개합니다. 싱가포르에서는 텍스트 입력 $0.23, 오디오 입력 $0.93, 텍스트 출력 $0.70, 오디오 출력 $1.87입니다. 베이징은 $0.212, $0.848, $0.636, $1.696으로 약간 더 저렴합니다. 속도 제한은 분당 60회 요청 및 분당 100,000토큰이며, 동시 WebSocket 연결 수에 대한 별도 상한은 없습니다. 컨텍스트 창은 262,144토큰이고 최대 입력은 245,760, 출력은 16,384이지만, 오디오 기록은 최대 50턴 또는 누적 300초로 제한되며, 이는 긴 대화에서 실제로 도달하는 한계입니다.

LFM3-Audio-2B에는 요금표가 없습니다. Liquid가 이를 엔드포인트로 판매하지 않기 때문입니다. 비용은 이를 실행하는 머신, 2.1GB 다운로드, 그리고 라이선스 기준입니다. 연 매출 1,000만 달러 미만이면 상업적 사용이 무료이고, 그 이상이면 유료입니다. 노트북에서는 거의 0에 가깝고, GPU에서는 유휴 용량에 대해 이미 지불하고 있는 비용만큼입니다. 알아둘 만한 효율성 주장은 코덱에 관한 것입니다. LiquidCodec은 80ms 분량의 음성을 12개 토큰으로 압축하며, M4 Max의 단일 CPU 스레드에서 실시간 대비 약 87배 속도로 디코딩합니다. 하지만 이는 코덱을 측정한 것이지 언어 모델을 측정한 것이 아니며, 사용자의 하드웨어에서의 종단 간 처리량으로 해석해서는 안 됩니다.

이제 결정적인 부분입니다. 호스팅형 실시간 모델은 생성하는 오디오를 포함해 대화의 토큰당 과금하며, 음성 에이전트의 비용은 출력에 달려 있습니다. 자체 호스팅 모델은 누군가 말하고 있든 아니든 하드웨어 시간당 과금합니다. 꾸준한 부하로 운영되는 컨택 센터의 경우 고정 비용이 상각되어 시간당 비용이 어떤 요율표보다도 낮아질 수 있습니다. 트래픽이 급변하는 제품 — 분기 마지막 날에 통화 천 건을 전사하고 이후 11주 동안 아무것도 하지 않는 컴플라이언스 팀 — 의 경우에는 통화당 과금이 유리합니다. GPU는 침묵하는 동안에도 비용을 청구하기 때문입니다. 어느 쪽도 일반적으로 더 저렴하지는 않습니다. 둘은 서로 다른 활용률에서 더 저렴합니다.

커버리지, 지연 시간, 그리고 충족하지 못하는 주장

• 언어 — LFM3-Audio-2B: 18개 언어, 19개 로캘. 실시간 ASR은 영어로 제한되며, 번역은 영어로 또는 영어에서 수행할 때 가장 강력합니다. Qwen-Audio-3.1: Alibaba의 실시간 플래시 티어 문서에는 언어 목록이 공개되어 있지 않습니다. 인식 티어는 만다린어, 광둥어, 쓰촨어 및 기타 중국어 방언을 중심으로 문서화되어 있으며 자동 언어 감지를 지원합니다. 문서에서 이를 열거할 때까지 Qwen의 지원 범위는 알 수 없는 것으로 간주하세요.

• 지연 시간 — LFM3-Audio-2B: "최저 50ms"의 첫 토큰까지 걸리는 시간으로, 벤더가 명시된 Apple 하드웨어에서 측정했으며 백분위수나 테스트 하네스는 없습니다. Qwen-Audio-3.1: Alibaba의 92ms 첫 토큰이라는 제품군 대표 수치는 0.6B 사양에서 자체 고동시성 벤치마크로 나온 것이며, 제3자 테스트가 아닙니다. 둘 다 일반적인 수치는 아닙니다.

• 이중(duplex) — LFM3-Audio-2B: 스트리밍을 사용하는 요청-응답 방식이며, 인과적 인코더가 말하는 동안 프리필을 가능하게 하지만 끼어들기(barge-in)에 대한 주장은 없습니다. Qwen-Audio-3.1 realtime-flash: 명시적으로 이중(duplex)이며, 서버 VAD와 중단을 처리하는 스마트 턴 모드를 갖추고 있습니다.

• 컨텍스트 — LFM3-Audio-2B: 32K 토큰, 입력과 출력 합산. 일부 LFM3 관련 보도에서 반복되는 256K 수치는 아닙니다. 그 수치는 텍스트 모델에 해당합니다. Qwen-Audio-3.1 realtime-flash: 262K 토큰, 위의 오디오 기록 상한 적용.

그 듀플렉스 경계가 아키텍처를 바꾸는 지점입니다. 제품이 문장 중간에 중단될 수 있어야 한다면, LFM3-Audio-2B는 잘못된 형태의 모델이며 어떤 프롬프트로도 해결되지 않습니다. 제품이 녹음을 읽고 그에 대한 질문에 답한다면, 듀플렉스는 무관하며 2B 체크포인트가 더 단순한 대상입니다.

누가 무엇을 측정했는가?

Liquid는 LFM3-Audio-2B에 대해 여섯 개의 수치를 공개했으며, 모두 자사의 이전 모델인 LFM2.5-Audio-1.5B와 비교한 것입니다: 영어 ASR WER 6.23(6.13 대비, 거의 동일), 다국어 WER/CER 6.03, UTMOSv2 3.83(3.22 대비), VoiceBench 73.13(55.17 대비), MMAR 50.60(25.85 대비), 그리고 내부 도구 호출 평가 58.50입니다. 테스트 세트, 하네스 또는 분산은 명시되지 않았습니다. 우리는 어떤 행에 대해서도 독립적인 재현을 찾을 수 없었습니다.

Qwen의 근거는 성격이 다릅니다. 기술 보고서 《Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction》이 있는데, 이 보고서는 τ-Voice를 반이중(half-duplex) 음성-텍스트 변환 방식으로 적응시킨 과제에서 작업 성공률이 78.4%에서 82.0%로 향상되었고, Full-Duplex-Bench v1.5에서 배경 발화에 응답하는 비율이 73.0%에서 13.0%로 감소했다고 보고합니다. 이것이 초록에 명시된 두 수치이며, 본문에는 모델 수준의 표가 실려 있지만 저는 이를 하네스로 검증하지 않았고, 해당 논문은 독립적인 평가가 아닌 벤더 보고서입니다.

그래서 정직한 성적표는 이렇습니다. 한 모델은 논문이 없는 벤더 표를 내놓았고, 다른 모델은 재현 가능한 평가 하네스가 없는 벤더 논문을 내놓았으며, 어느 쪽도 자기 이름으로 중립적인 리더보드에 오른 적이 없습니다. 두 모델의 수치를 나란한 칸에 배치하는 기사는 검증되지 않은 두 주장을 늘어놓고 레이아웃이 설득을 대신하게 만드는 것일 뿐입니다.

라우터가 어디에 맞는지, 정확히

LFM3-Audio-2B도 Qwen-Audio-3.1도 OrcaRouter 카탈로그에 없으므로, 음성 레이어 자체에 관해 내릴 수 있는 라우팅 주장은 없습니다. 그 위의 레이어는 이야기가 다릅니다. 두 모델 중 어느 것으로 구축된 음성 제품이든 요약, 분류, 추출 또는 에이전트가 다음에 말할 내용을 결정하기 위해 텍스트 모델이 여전히 필요하며, 비용과 안정성이 실제로 달라지는 지점은 바로 그 호출입니다.

OrcaRouter는 200개가 넘는 텍스트 및 멀티모달 모델을 하나의 키로 공급자 정가로 마크업 없이 제공하며, 공급자 간 자동 장애 조치와 여러 모델을 하나의 호출로 구성할 수 있는 라우팅 DSL을 갖추고 있습니다. 이번 비교에 유용한 패턴은 A/B입니다: 동일한 녹음 대화를 qwen-audio-3.1-realtime-flash와 자체 하드웨어에서 구동하는 LFM3-Audio-2B에 각각 실행한 다음, 두 트랜스크립트를 동일한 엔드포인트의 동일한 다운스트림 모델로 보내세요. 비교는 깨끗하게 유지되고, 텍스트 쪽이 통제하는 것을 잊은 변수가 되는 일은 결코 없습니다.

어떤 청구서를 선택해야 하나요?

Qwen-Audio-3.1 realtime-flash는 양방향 대화, 중국어 우선 인식 스택, 262K 컨텍스트 또는 공급업체 SLA가 필요하고, 트래픽 변동이 커서 토큰당 과금이 오히려 장점인 경우 선택하세요. 가격을 견적 내기 전에 티어 이름을 주의 깊게 읽으세요. realtime-plus와 realtime-flash는 같은 제품이 아니며, 음성 에이전트의 청구서는 출력 요금에서 결정됩니다.

모델을 직접 보유하고 오프라인으로 실행하며 분당 과금을 피하거나 노트북에서 18개 언어를 합성해야 한다면 LFM3-Audio-2B를 선택하세요. 32K 컨텍스트, 영어 전용 실시간 ASR, 라이선스 임계값, 그리고 자사 비교에서 인식 정확도가 중위권이라는 사실은 감수하세요.

잠깐만요, 조달 팀을 설득할 수 있는 숫자가 필요하다면요. 두 모델 모두 아직 그런 숫자가 없습니다. 공유 오디오 코퍼스에 대한 최초의 독립 평가는 — 벤더 표도, 벤더 논문도 아닌 — 위의 모든 수치보다 더 가치 있을 것이며, 이들 중 어느 하나가 표준이 되기 전에 주목해야 할 바로 그것입니다.