LFM3-Audio-2B vs StepAudio 3: 공개 2B 모델, 점수 평가된 제품 라인에 도전하다

StepAudio 3 Realtime에는 음성 제품을 평가하는 기준에 숫자가 붙어 있습니다: Artificial Analysis의 Conversational Dynamics 보드에서 98.9%, 1위입니다. LFM3-Audio-2B에는 라이선스가 있습니다. 그것은 수사적인 대조가 아니라 증거의 실제 상태입니다. StepFun의 StepAudio 3 패밀리는 2026년 9월 15일에 하나의 플랫폼에서 다섯 개의 상용 오디오 모델로 출시되었으며, 제3자 배치와 프리뷰 가격 0을 갖췄습니다. Liquid AI의 LFM3-Audio-2B는 10월 27일 6개 모델로 구성된 LFM3 출시 안에서 2B 오픈 웨이트 체크포인트로 등장했고, 벤더 표가 있으며 독립 점수는 없습니다. 하나는 당신이 빌려 쓰는 측정된 제품입니다. 다른 하나는 당신이 소유할 수 있는 측정되지 않은 파일입니다. 이 둘 사이의 결정은 오디오 품질보다는 그 두 문장 중 어느 것이 당신의 제약을 설명하는지에 관한 것입니다.

점수가 매겨진 모델을 승자로 선언하고 넘어가고 싶은 유혹이 있다. 한 문단만큼은 그 유혹을 참아 보자. StepAudio 3 Realtime의 점수는 지속적인 WebSocket과 중국어 우선 학습 세트를 갖춘 호스팅 시스템에서 대화 역학 — 말차례 주고받기, 방해 후 회복, 맞장구 — 을 측정한다. LFM3-Audio-2B는 그 보드에 없고, 양방향이 아니며, 누군가 등록하더라도 그 보드로 측정되지 않을 것이다. 두 모델은 스택의 같은 자리를 두고 경쟁하지 않는다. 유용한 비교는 각 모델이 상대가 할 수 없는 무엇을 할 수 있는지, 그리고 그것을 알아내는 데 각각 얼마의 비용이 드는지다.

StepAudio 3은 실제로 무엇인가

이 이름은 하나의 제품군을 가리키며, 선택하는 티어에 따라 비교 기준이 달라진다. StepFun은 9월 15일 Realtime, ASR, TTS, Gen, Music 등 다섯 가지 오디오 모델을 출시했으며, 모두 자사 오픈 플랫폼에서 상용 API로 제공된다. 256K 컨텍스트와 텍스트 출력을 갖춘 Chat 티어가 개발자용 인터페이스를 완성한다.

• StepAudio 3 Realtime — 네이티브 전이중 대화를 지원하며, 먼저 전사하지 않고 음성 자체에서 직접 추론하고, 대화가 계속되는 동안 도구 호출과 긴 작업의 비동기 실행을 제공합니다. 플래그십 모델이자 범용 음성 모델에 가장 가까운 대응물입니다.

• StepAudio 3 ASR — 인식 기능으로, Artificial Analysis의 비스트리밍 ASR 정확도 보드에서 단어 오류율 1.7%를 기록하며 공동 1위에 올랐습니다.

• StepAudio 3 TTS — 스트리밍 합성, 6개 언어(영어, 중국어, 일본어, 한국어, 프랑스어, 스페인어), 12개 시스템 음성, 최대 1,000자 입력.

• StepAudio 3 Gen — 자연어로 음성, 음향 효과, 앰비언스, 배경 음악, 노래를 통합 생성하며, 현재 제한된 무료 미리보기로 제공됩니다.

• StepAudio 3 Music — ABC 표기를 통한 멀티턴 제어와 함께 보컬-투-어레인지 및 커버를 지원하는 제로샷 노래 생성.

LFM3-Audio-2B는 이러한 작업 중 여러 가지를 한 번에 시도하는 하나의 체크포인트입니다. 인식, 합성, 번역, 오디오 이해, 음성 도구 호출을 프롬프트와 서빙 프로필로 선택합니다. 음악은 생성하지 않으며, 효과음 레퍼토리는 일반 오디오 모델에서 나오는 것에 불과합니다. 그 대신 가진 것은 가중치 파일입니다. StepAudio 3에는 없습니다. 이는 상업용 API 제품군이며 오픈 릴리스가 아니고, 어떤 티어도 가중치를 제공하지 않습니다.

스코어보드, 그리고 그것을 만든 사람

StepFun의 수치는 이번 맞대결에서 가장 강력한 근거 기반이지만, 동시에 가장 쉽게 과대해석될 수 있는 수치이기도 하다. 98.9%라는 Conversational Dynamics 수치는 Artificial Analysis의 제3자 게재 항목으로, 벤더 표보다 더 신뢰할 만하다. 99.7%라는 음성 추론 수치는 StepFun이 인용한 것이지 독립적으로 재현된 것은 아니다. 1.7%라는 ASR 단어 오류율은 Artificial Analysis 게재 항목으로 공동 1위이며, Realtime 모델이 아니라 ASR 계층에 속한다. 이들은 같은 제복을 입고 있는 세 가지 다른 종류의 주장이다.

LFM3-Audio-2B의 표는 전부 벤더가 보고한 수치이며, 모두 자사의 전임 모델인 LFM2.5-Audio-1.5B를 기준으로 한 상대값입니다. 영어 ASR WER은 6.13 대비 6.23, 다국어 WER/CER은 6.03, UTMOSv2는 3.22 대비 3.83, VoiceBench는 55.17 대비 73.13, MMAR은 25.85 대비 50.60, 내부 도구 호출 평가는 58.50입니다. 테스트 세트, 하네스, 분산은 명시되지 않았고, 우리는 어떤 행에 대해서도 독립적인 재현을 찾을 수 없었습니다.

둘을 나란히 놓고 보면, 정직한 관찰은 둘이 거의 겹치지 않는다는 것이다. StepAudio 3 Realtime은 대화 타이밍으로 평가되고, LFM3-Audio-2B는 인식, 합성 품질, 오디오 추론으로 평가된다. 두 모델 모두 무언가를 공개한 유일한 축은 인식인데, 그마저도 비교가 오염되어 있다: StepAudio의 1.7%는 ASR 계층에 대한 독립 보드 점수인 반면, Liquid의 6.23은 이름이 밝혀지지 않은 세트에서 일반 오디오 모델에 대해 벤더가 제시한 수치다. 격차는 커서 방향성은 아마 실제일 것이다. 그 크기는 두 팀이 함께 실행한 어떤 측정값도 아니다.

Duplex는 건축 라인입니다.

StepAudio 3 Realtime은 전화 통화를 위해 만들어졌습니다. 말하는 동안에도 듣고, 끼어들기를 처리하며, 전사본이 아닌 원시 오디오를 기반으로 추론합니다. StepFun은 이 방식이 텍스트를 거치면서 평탄해질 수 있는 어조와 강조를 보존한다고 주장합니다. 문서는 그 구분을 명확히 밝힙니다. Realtime API는 내장 음성 인식, 컨텍스트 관리, VAD, 웹 검색 및 검색 기능을 제공하며, Chat API에서는 이러한 각 기능을 직접 구현해야 합니다.

LFM3-Audio-2B는 하나의 요청을 위해 만들어졌다. 인과적 오디오 인코더 덕분에 사용자가 말하는 동안 프리필할 수 있고, LiquidCodec은 음성을 다시 스트리밍한다. 80ms 오디오를 12개 토큰으로 바꾸며, M4 Max의 CPU 스레드 하나에서 실시간 대비 약 87배로 디코딩한다. "최저 50ms"라는 첫 토큰까지의 시간 수치는 바로 그 설계에서 나온다. 하지만 응답을 스트리밍하는 것과 끼어들기(barge-in)를 처리하는 것은 같지 않으며, Liquid는 전이중(duplex)을 내세우지 않는다. 제품이 사용자가 말을 덮는 상황을 처리해야 한다면, 이를 결정하는 것은 어떤 벤치마크보다 아키텍처다.

반대편에는 지연 시간이라는 함정이 있다. StepAudio 3 Realtime은 대화 역동성에서 승리하는 같은 리더보드에서 첫 오디오까지 걸리는 시간 8.83초를 기록한다. Gemini 3.8 Live의 1.18초, GPT-Live-1의 1.24~1.34초와 비교된다. 발화 순서 전환에서는 이기지만 말을 시작하는 데 문장 하나 분량의 시간이 걸리는 모델은, 최고의 품질을 프로덕션에서 결코 보여주지 못할 수도 있는 모델이다. 대화 품질보다 지연 시간을 먼저 테스트하고, 가능하다면 StepFun 자체 서빙 환경 밖에서 테스트하라.

가격, 라이선스, 그리고 실제로 구매하는 것

StepAudio 3는 제품군 전반에서 기간 한정 무료 프리뷰 중이며, Realtime 티어에 대해서는 프리뷰 이후 요금이 발표되지 않았습니다. TTS 티어는 제3자 카탈로그를 통해 10,000자당 약 $0.36의 공개 정가가 있지만, 이는 Realtime 가격이 아니며 그렇게 사용해서는 안 됩니다. 실질적인 입장은 StepAudio 3 Realtime이 오늘 평가용으로는 무료이고 프로덕션용으로는 가격이 책정되지 않았다는 것입니다 — 테스트하기에는 좋은 시기이고, 단위 경제성 모델을 구축하기에는 나쁜 시기입니다.

LFM3-Audio-2B의 비용은 그것이 실행되는 머신뿐이다. LFM Open License v1.0은 연 매출 1,000만 달러 미만이면 상업적 사용이 무료이고, 그 이상이면 유료이다. Ollama 빌드는 2.1GB이며 CPU에서도 동작한다. llama.cpp는 10월 27일 지원을 병합했고, Transformers는 trust_remote_code와 함께 5.20.2 이상이 필요하며 코덱 가중치는 별도 디렉터리에서 로드되므로 환경을 고정해 두어야 한다. 분당 과금 계량기는 없다. 또한 SLA도, 호출 담당자도, 출력이 저하될 때 연락할 벤더도 없다.

• 얻을 수 있는 것 — StepAudio 3 Realtime: 지원이 포함된 현재의 플래그십 상용 엔드포인트. LFM3-Audio-2B: 체크포인트, 라이선스, 그리고 운영 부담.

• 확인할 수 있는 것 — StepAudio 3: 문서, 리더보드 순위, 가중치 없음. LFM3-Audio-2B: 아키텍처, 카드, 가중치, 코덱, 파인튜닝 경로.

• 비용 구조 — StepAudio 3: 호출당 과금, 유휴 시 0, 프리뷰 이후 가격 미정. LFM3-Audio-2B: 고정 하드웨어, 한계 비용 거의 0, 미터링 없음.

• 장애 모드 — StepAudio 3: 할당량, 리전, 계정 문제, 지원 티켓. LFM3-Audio-2B: 온콜은 당신 몫입니다.

언어 지원 범위는 동점이 아닙니다

LFM3-Audio-2B는 19개 로캘에 걸쳐 18개 언어를 나열하며, 영어는 미국 및 영국 변형으로 두 번 등장합니다. 이는 2B 모델을 위한 폭넓은 합성 목록이며, 유럽 또는 다국어 제품에서 이를 뒷받침하는 가장 강력한 실용적 논거입니다. 한계도 똑같이 구체적입니다: 라이브 ASR은 영어 전용이고, 번역은 영어로 하거나 영어에서 할 때 가장 강합니다.

StepAudio 3는 중국어 우선입니다. Realtime 티어의 문서에는 전체 언어 목록이 공개되어 있지 않습니다. 이 제품군의 TTS 티어는 6개 언어를 지원하며, ASR 티어는 방언 처리, 코드 스위칭, 긴 오디오, 노래를 포함해 중국어와 영어를 중심으로 구축되었습니다. 트래픽이 영어가 섞인 만다린 중국어라면 StepFun의 스택은 그러한 워크로드에 맞춰져 있고 Liquid의 스택은 그렇지 않습니다. 트래픽이 스웨덴어와 네덜란드어라면 18개 언어 체크포인트는 둘 중 이를 지원한다고 내세우는 유일한 체크포인트입니다.

라우터가 적합한 경우와 그렇지 않은 경우

StepAudio 3는 OrcaRouter 카탈로그에 없고, LFM3-Audio-2B도 마찬가지입니다 — 하나는 폐쇄형 API이고, 다른 하나는 다운로드입니다. 따라서 이 둘 사이의 페일오버 이야기를 할 거리가 없고, 그렇지 않은 척할 이유도 없습니다.

라우팅 계층은 한 단계 위에서 중요합니다. 바로 음성 에이전트가 실제로 복잡성을 쏟아붓는 지점이죠. StepAudio 3 Realtime은 도구 호출과 장시간 비동기 작업을 지원하므로, 대화는 끊임없이 일반 텍스트 모델에 작업을 넘깁니다. 조회, 추출, 정책 확인 같은 작업 말입니다. 공급자 장애와 비용 편차가 도사리는 곳이 바로 이 위임 계층입니다. OrcaRouter는 200개가 넘는 텍스트 및 멀티모달 모델을 하나의 키 뒤에 공급자 정가로 마진 없이 제공하며, 자동 페일오버, 여러 모델을 하나의 호출로 조합하는 라우팅 DSL, 그리고 한 모델의 판단만으로 부족할 때 활용하는 모델 퓨전을 지원합니다. LFM3-Audio-2B 프로토타입의 경우, 오디오 모델은 로컬에 그대로 두면서 오늘 당장 엔드포인트 뒤에 붙일 수 있는 스택의 절반이 바로 이것입니다.

그것을 결정하는 세 가지 질문

중단할 수 있는 대화가 필요하신가요?

그렇다면 StepAudio 3 Realtime이 이 두 제품 중 해당 동작을 표방하는 유일한 제품이며, 지연 문제에도 불구하고 올바른 시작점입니다. LFM3-Audio-2B는 요청-응답 방식이므로 아무리 미세 조정해도 인터페이스는 바뀌지 않습니다. 도입을 결정하기 전에 자체 네트워크에서 8.83초 첫 오디오 수치를 테스트해 보세요.

모델을 직접 소유해야 합니까, 아니면 오프라인으로 실행해야 합니까?

그렇다면 여기서 LFM3-Audio-2B가 유일한 선택지이며, 라이선스 임계값은 귀하의 매출과 대조해 확인해야 하는 숫자입니다. 32K 컨텍스트, 영어 전용 실시간 ASR, 독립적 평가의 부재를 감수하십시오. UTMOS 향상을 신뢰하기 전에 자신의 녹음으로 직접 실행해 보십시오.

벤더 점수만으로 선택하기에 충분한가요?

아직 아니다. 그 이유는 StepFun의 수치가 약해서가 아니다. 점수들은 서로 다른 하네스에서 서로 다른 것을 측정하며, 점수가 없는 모델은 가장 많이 인용된 수치를 만들어낸 그 보드에 오를 자격이 없기 때문이다. 동일한 대화 세트에서 중립적인 직접 비교가 어느 한 벤더의 표보다 더 많은 것을 판가름할 것이다. 그것이 존재하기 전까지, 선택은 품질의 문제가 아니라 제약 조건의 문제다.

평결

StepAudio 3 Realtime은 시장이 현재 측정하는 축인 대화 역학에서 앞서며, 그중 일부를 제3자가 산출했기 때문에 더 강력한 근거 기반을 갖습니다. 또한 해결되지 않은 지연 문제, 프리뷰 이후 가격 미공개, 가중치 미공개, 중국어 우선 언어 프로필이라는 한계가 있습니다. 중국어와 영어 사용자를 대상으로 하는 실시간 음성 에이전트에는 더 나은 선택이지만, 지연 테스트를 통과하고 프리뷰 가격이 예상 밖의 가격으로 바뀌지 않는다는 조건에서 그렇습니다.

LFM3-Audio-2B는 소유권과 합성의 폭에서는 앞서지만, 증거에서는 뒤진다. 출시된 지 나흘밖에 되지 않았고, 수치는 벤더가 보고한 것이며, ASR은 자체 표에서 중간 수준이고, 라이선스에는 매출 임계값이 붙어 있다. 오프라인 제품, 다국어 음성, 또는 호출당 과금을 받아들일 수 없는 팀에게는 더 나은 선택이며, 이번 주에 자체 하드웨어에서 온전히 평가할 수 있는 둘 중 유일한 제품이다.

주목할 점은 양쪽 모두 같습니다. 바로 듀플렉스 모델과 요청-응답 모델을 동일한 대화 세트에 올려놓는 중립적 평가와, StepAudio 3의 공개된 프로덕션 가격입니다. 첫 번째는 Liquid의 2B 체크포인트가 서류상으로 시사되는 것보다 최전선에 더 가까운지 알려줄 것입니다. 두 번째는 StepFun의 우위가 청구서와 맞닥뜨려도 살아남는지 알려줄 것입니다.