LFM3-Audio-2B vs Voxtral 3: 2.1GB 다운로드 대 음성 플랫폼

사이의 비교를 시작하는 정직한 방법은LFM3-Audio-2B와 Voxtral 3 아무도 그것에 대한 실행 결과를 공개하지 않았다고 말하는 것이다. Liquid AI는 자사의 20억 개 파라미터 오디오 모델에 대한 벤치마크 표를 공개했고, Mistral은 자사의 음성 제품군에 대한 표를 공개했으며, 두 표에서 겹치는 행은 거의 없다. 겹치는 부분에서도 측정 대상 모델은 같은 세대가 아니다. 이들 중 어느 것이 벤치마크에서 '더 낫다'고 말하는 사람은 한 테스트 하네스의 숫자를 다른 테스트 하네스의 숫자와 비교하면서 당신이 확인하지 않기를 바라는 것이다.

그래서 이 글은 덜 정돈되었지만 더 유용한 일을 한다. 그것은 답할 수 있는 질문과 아직 답할 수 없는 질문을 분리한다. 두 모델 사이에 공통된 다국어 테스트가 없기 때문에 어느 모델이 독일어를 더 잘 전사하는지는 아직 말할 수 없다. 하지만 두 공급업체의 자체 문서만으로도, 이것들이 전혀 같은 종류의 제품이 아니라는 점은 자신 있게 말할 수 있다. 하나는 직접 실행하는 2.1GB 파일이고, 다른 하나는 전화 통신 SDK가 붙어 있으며 다운로드 가능한 가중치가 없는 4개 모델 파이프라인이다.

그 차이는 WER 수치를 단 하나도 참조하기 전에 대부분의 실제 배포를 좌우합니다. 이 글의 나머지 부분은 그 차이가 적용되지 않는 경우에 관한 것입니다.

벤치마크에 사용된 Voxtral Liquid는 비교 대상인 Voxtral이 아닙니다.

Liquid의 모델 카드는 LFM3-Audio-2B를 여섯 경쟁 모델과 나란히 배치하는데, 그중 하나가 Voxtral입니다. 해당 행의 라벨은 Voxtral Mini 3B이며, 영어 ASR에서는 Liquid의 모델을 앞섭니다: 단어 오류율이 5.51% 대 6.23%입니다. 이는 Liquid가 공개한 유일한 직접적인 Voxtral 비교이며, “Mistral의 오디오 모델이 더 정확하게 전사한다”라고 읽히기 쉽습니다.

헤드라인이 암시하는 그런 비교가 아닙니다. Voxtral Mini 3B는 mistralai/Voxtral-Mini-3B-2507 — 2025년 7월 Apache 2.0으로 공개되어 로컬 및 엣지 배포를 위해 만들어진 3B 모델입니다. 이 모델은 Voxtral 3보다 15개월 앞서 출시되었으며 다른 제품 세대에 속합니다. Mistral의 2026년 10월 20일 제품군에는 Voxtral Mini 3B라는 모델이 없습니다. 가장 작은 전사 모델은 4B 파라미터에 분당 $0.0035인 Voxtral Mini Transcribe 3입니다.

표 내부에도 불일치가 있습니다. 해당 행의 파라미터 열에는 5B라고 적혀 있는데, 그 행은 3B 모델을 위해 명명된 행입니다. 그것이 WER 수치를 신뢰하지 말아야 할 이유는 아닙니다. WER 수치는 이름이 붙은 평가, 즉 ESB와 Open ASR 리더보드 세트를 평균한 값에서 나온 것입니다. 그것은 숫자를 읽기 전에 벤더 표의 열 제목부터 읽어야 할 이유입니다.

그 귀결은 분명히 짚고 넘어갈 가치가 있습니다. 이 글에서 가장 유용한 단일 사실이기 때문입니다: LFM3-Audio-2B와 어떤 Voxtral 3 모델 간에도 공개된 직접 비교는 없습니다. Liquid에서도, Mistral에서도, 독립 평가자에서도 없습니다. Liquid는 자사의 새 모델을 Mistral의 오픈 웨이트 2025년 오디오 모델과 비교했습니다. 이는 공정한 오픈 대 오픈 비교를 위한 정당한 선택이며, 동시에 현재 가능한 유일한 종류의 비교이기도 합니다. Voxtral 3는 가중치를 공개하지 않기 때문입니다. 2026년 오픈 웨이트 오디오 비교는 Voxtral 3를 상대로 아예 수행할 수 없습니다.

두 제품이 실제로 무엇인지

비대칭성은 스펙보다 릴리스의 형태에서 더 쉽게 확인된다.

LFM3-Audio-2B는 6개 모델로 구성된 LFM3 제품군의 일부로 2026년 10월 27일에 공개된 하나의 모델입니다. 텍스트 또는 16kHz 오디오를 입력받아 텍스트, 24kHz 음성, 또는 텍스트와 음성이 교차된 출력, 그리고 도구 호출을 내놓습니다. 새로운 자체 개발 인과적 오디오 인코더 덕분에 사용자가 아직 말하고 있는 동안에도 프리필을 수행할 수 있습니다. 이 모델의 LiquidCodec 토크나이저는 80밀리초의 음성을 12개의 이산 토큰으로 압축하며, 이 토큰은 순차가 아닌 병렬로 디코딩되고, M4 Max의 단일 CPU 스레드에서 실시간 대비 약 87배 속도로 처리됩니다. 이는 코덱 처리량 수치일 뿐 하드웨어 요구 사항은 아닙니다.

Voxtral 3은 2026년 10월 20일에 발표된 제품군이다: 배치 전사기, 그보다 작은 두 번째 배치 전사기, 스트리밍 전사기, TTS 모델, 음성 적응 제품, 그리고 SIP와 WebRTC를 통해 이들을 하나로 엮는 LiveKit 기반 음성 에이전트 SDK. Voxtral 3를 고르는 것이 아니다. 파이프라인을 고르면 Voxtral 3가 단계들을 제공한다.

• 가중치 — LFM3-Audio-2B는 LFM Open License v1.0에 따라 오픈 가중치를 제공합니다. Voxtral 3는 다운로드 가능한 가중치를 공개하지 않으며, Mistral의 출시 자료는 대신 API 액세스, Studio 플레이그라운드, 프라이빗 인프라 배포를 설명합니다.

• Footprint — 엔드포인트 대비 Ollama에서 2.1GB이며, 크기를 산정할 Voxtral 3 파일은 없습니다.

• 컨텍스트 — LFM3-Audio-2B의 경우 입력과 출력을 합쳐 32K 토큰입니다. Mistral은 전사 모델에 대한 컨텍스트 수치를 전혀 공개하지 않으며, 대신 분당 기준으로 가격을 책정합니다.

• 모달리티 — LFM3-Audio-2B는 하나의 모델에서 any-to-any를 구현합니다: 듣고, 말하고, 이해하고, 번역하고, 도구를 호출합니다. Voxtral 3는 이를 여러 개의 개별 모델과 엔드포인트로 분산시키며, 전사 모델과 TTS 모델은 동일한 시스템이 아닙니다.

• 라이선스 — LFM Open License v1.0, 연간 매출 1,000만 달러 미만이면 상업적 사용 무료; Voxtral 3는 호출당 약관이 적용되는 상업용 API입니다.

• 화자 분리 및 문맥 바이어싱 — Voxtral 3는 두 기능을 모두 갖추고 있으며, Mistral 자체의 화자 분리 데이터셋에서 cpWER 18.4%를 기록하고, 문맥을 제공하면 키프레이즈 재현율이 81.4%에서 94.6%로 상승합니다. LFM3-Audio-2B는 두 기능 모두 공개하지 않았습니다.

언어 지원 범위는 아직 해소되지 않은 유일한 격차입니다.

LFM3-Audio-2B는 카드에 나열된 19개 로캘에 걸쳐 18개 언어를 지원합니다. 아랍어, 덴마크어, 독일어, 그리스어, 영어(영국식과 미국식은 별도로 집계), 핀란드어, 프랑스어, 히브리어, 이탈리아어, 일본어, 한국어, 네덜란드어, 폴란드어, 포르투갈어, 스페인어, 스웨덴어, 터키어, 중국어입니다. 이 중 9개 언어로 다국어 ASR을 벤치마크하며, FLEURS에서 평균 오류율 6.03을 보고하고, 중국어, 일본어, 한국어에는 문자 오류율을 사용합니다.

Voxtral 3의 전사 기능은 50개 이상의 언어를 지원합니다. 실시간 모델은 페이지의 한 곳에서는 35개 이상이라고 하고 다른 곳에서는 40개 이상이라고 하는데, 이런 불일치는 대개 출시 주간에 숫자가 바뀌었지만 아무도 문구를 맞추지 않았다는 뜻입니다.

오디오가 베트남어, 힌디어, 러시아어, 노르웨이어 또는 카탈루냐어로 들어온다면 LFM3-Audio-2B는 이를 목록에 올리지 않지만, Voxtral 3는 이 다섯 언어를 모두 말합니다. 이들은 Mistral이 명시한 18개 음성 프리셋 언어에 포함됩니다. 전체 목록을 통틀어, Mistral의 50개 이상 전사 언어가 다룬다고 주장하지 않는, Liquid가 지원하는 언어는 찾을 수 없었습니다. 솔직히 말하면, Mistral은 음성 프리셋 목록은 전체를 공개하지만 전사 지원 범위는 숫자로만 공개하므로, 이 비교의 일부는 목록과 숫자를 맞대는 것입니다.

Liquid 자체 문서 안에는 더 날카로운 한계가 있습니다. 모델의 실시간 ASR 모드 — 오디오가 약 0.96초 단위의 청크로 스트리밍되는 동안 전사하는 모드 — 는 영어만 지원합니다. 배치 전사는 18개 언어 전체 목록을 포괄하지만, 스트리밍 경로는 그렇지 않습니다. LFM3-Audio-2B를 기반으로 실시간 다국어 자막 기능을 계획하는 사람이라면 그 문장을 두 번 읽어야 합니다. WER 표와 관계없이 이 모델이 해당 작업에 부적합하다는 것을 보여주기 때문입니다.

같은 대상을 측정하지 않는 두 개의 지연 시간 수치

Liquid는 첫 토큰까지의 시간이 “최저 50ms”라고 광고한다. Mistral은 실시간 전사기에서 500ms 미만, 그리고 전체 에이전트 턴이 1초 미만이라고 광고한다. 이 수치들은 비교 가능한 것이 아니며, 그 차이는 반올림 오차가 아니다.

50ms 수치는 음성 대 음성 경로입니다. 인과적 인코더는 문장이 끝나기 전에 처리를 시작하므로, 모델은 오디오가 아직 들어오는 동안에도 응답의 첫 토큰을 내보내기 시작할 수 있습니다. 이는 대화형 모델의 상호작용성에 관한 주장입니다. 500ms 미만 수치는 전사 지연 시간, 즉 텍스트가 나타나기까지의 지연이며, Mistral 자체 표는 그 비용을 보여줍니다. 실시간 벤치마크에서 Voxtral Mini Transcribe Realtime 3은 960ms 지연에서 WER 6.0%를 기록하고, 480ms에서는 6.4%, 240ms에서는 7.4%입니다. 지연 시간과 정확도는 서로 직접 맞바꾸는 관계이며, Mistral은 그 곡선 위의 지점을 선택할 수 있게 해줍니다.

Liquid는 이에 상응하는 곡선을 공개하지 않는다. 대신 하한선인 50ms를 공개하는데, 명시된 하드웨어도, 테스트 세트도, 해당 지연 시간에서의 정확도도 없다. 그 하한선은 실제일 수 있다. 그러나 아직 제품을 계획할 때 기준으로 삼을 수 있는 사양은 아니다.

비용 계산은 주장이 아니라 실제로 계산해 본 것

개방형 가중치 모델을 분당 과금 API와 비교하는 것은 사용량에 달려 있으며, 그 계산은 제대로 해보기에 충분히 간단합니다.

전사, 오디오 1,000시간 — 60,000분. Voxtral Mini Transcribe 3는 분당 $0.0035로 $210입니다. Voxtral Small Transcribe 3는 분당 $0.004로 $240입니다. Voxtral Mini Transcribe Realtime 3는 분당 $0.008로 $480입니다. LFM3-Audio-2B는 이미 보유한 하드웨어에서 실행되는 무료 다운로드이므로 한계 비용은 전기료입니다.

음성 합성, 1,000시간 — 말할 때 분당 약 900자 기준으로 하면 5,400만 자입니다. Voxtral Mini TTS 3는 백만 자당 $13이면 $702입니다. LFM3-Audio-2B는 문자당 비용이 들지 않으며, 프롬프트로 선택하는 남성과 여성 두 가지 음성 옵션을 제공합니다. Voxtral은 30분 분량의 오디오에서 음성을 복제하고 감정, 속도, 강조 제어를 제공합니다.

실시간 음성 에이전트, 1,000시간의 대화 — Mistral은 추론을 Mistral Small 4가 담당할 경우 구성된 파이프라인의 가격을 분당 $0.04, 더 큰 모델을 사용할 경우 $0.08로 책정합니다. 이는 $2,400에서 $4,800입니다. LFM3-Audio-2B는 듣고 말하는 작업을 로컬에서 처리하지만, 자체 역량을 넘어서는 모든 작업에는 여전히 추론 모델이 필요하며, 모델 카드에는 복잡한 다단계 추론에는 권장되지 않는다고 분명히 명시되어 있습니다.

이제 흔히 빠지는 부분인 손익분기점입니다. 1,000달러짜리 기계는 Voxtral Mini Transcribe 3를 약 4,760시간 사용하면 자체 비용을 회수합니다. 이는 대략 200일간의 연속 오디오, 또는 하루 8시간 기준 1년 반에 해당합니다. 소량에서는 API가 하드웨어를 사는 것보다 저렴하며, 시작하는 날부터 더 저렴합니다. 오픈 웨이트(open-weights)의 경우는 "무료"가 아닙니다. 그것은 "한계비용 대신 고정비"이며, 물량이 충분하거나 프라이버시 요구가 엄격하거나 기기에 네트워크가 없을 때만 유리합니다.

이 그림에서 라우터가 제자리를 얻는 지점은 두 오디오 모델 어느 쪽도 아닙니다 — LFM3-Audio-2B도 Voxtral 3도 현재 OrcaRouter 카탈로그에 없으며, 그렇지 않은 척하지 않겠습니다. 라우터가 필요한 지점은 두 아키텍처가 결국 필요로 하게 되는 추론 단계입니다. 음성 에이전트는 전사하고, 추론하고, 말하는 하나의 체인입니다. 중간 연결고리는 호스팅 LLM이며, 바로 그 연결고리가 다음의 이점을 누립니다: 200개 이상의 모델을 아우르는 하나의 키, 공급자 정가를 0% 마크업으로 그대로 전달 — 따라서 공급업체 가격이 바뀌면 같은 날 여러분에게 도달하고, 통화 중 공급자가 잠시 문제를 겪을 때 자동 장애 조치가 이루어집니다.

무엇이 검증되었고, 무엇이 검증되지 않았는가

여기에는 세 가지 층위의 증거가 작용하고 있으며, 이 층위들을 평면화하는 것이 바로 비교가 잘못되는 이유다.

독립적으로 측정되었습니다. Voxtral 3의 전사 품질에는 제3자 수치가 있습니다. Artificial Analysis는 자체 지수에서 Voxtral Small Transcribe 3을 WER 2.1%로 평가해 2026년 10월 21일 기준 전체 3위에 올렸고, Voxtral Mini Transcribe 3은 2.2%를 기록했습니다. TTS는 Provider Voice arena에서 Elo 1,217로 13위, Controlled Voice에서 1,066으로 14위를 기록했습니다. 이는 중위권이며, Mistral의 소셜 게시물이 이를 상위 12위 안이라고 묘사한 점을 감안하면 분명히 짚고 넘어갈 만합니다.

벤더 보고 기준이며 재현되지 않았습니다.이 글에 나오는 모든 LFM3-Audio-2B 수치는 Liquid 자체 수치입니다: 영어 WER 6.23, 다국어 수치 6.03, UTMOSv2 3.83, VoiceBench 73.13, 내부 도구 호출 평가 58.50, MMAR 50.60입니다. 이 글을 쓰는 시점에 이 모델에 대한 Artificial Analysis 항목은 없으며, 어떤 제3자도 재현 결과를 발표하지 않았습니다. 이 수치들은 측정값이 아니라 주장으로 취급하십시오.

전혀 비교할 수 없습니다. Liquid의 6.23% 영어 WER과 Mistral의 4.0% FLEURS 수치, Artificial Analysis의 2.1%는 서로 다른 세 가지 오디오 세트에서 수행된 세 가지 다른 테스트입니다. 이를 빼지 마세요. Liquid가 공개한 유일한 동일 하네스 비교는 2025년 오픈 웨이트 모델인 Voxtral Mini 3B를 상대로 한 것입니다. 여기서 Liquid의 2B는 영어 ASR에서 Voxtral의 5.51 대비 6.23을 기록했지만, 다국어 ASR에서는 6.03 대 7.76, VoiceBench에서는 73.13 대 65.78, MMAR에서는 50.60 대 50.10, 도구 호출에서는 58.50 대 44.50으로 앞섰습니다.

여기서 "조용히 출시됨"이 실제로 의미하는 것

LFM3-Audio-2B는 자체적인 출시가 없었으며, 이 구분은 문서를 얼마나 신뢰할지 판단할 때 중요합니다.

Liquid는 2026년 10월 27일 "Introducing LFM3: Every Modality for Specialized Intelligence"라는 제목의 게시물로 LFM3 제품군을 발표했습니다. 오디오 모델은 그곳에서 6개 모델 중 하나로 한 섹션에 등장합니다. 전용 LFM3-Audio 블로그 게시물도, 별도 출시도, 자체 제품 페이지도 없습니다. 가중치와 모델 카드는 완전하게 공개되어 있습니다. Ollama 목록인 ollama run lfm3-audio은 2.1GB로, Liquid나 Ollama 어느 쪽의 대응 발표도 없이 10월 28일에 나타났으며, 오디오 및 omni 모델을 추가하고 라이브 ASR은 후속 작업으로 미룬 llama.cpp 풀 리퀘스트가 함께했습니다.

구도는 이렇다. 아티팩트는 실재하고 문서화되어 있으며, 출시는 제품군 발표문 안의 한 문단이었고, 로컬 런타임 지원은 하루 뒤 조용히 도착했다. 이것이 실질적으로 의미하는 것은 모델 카드가 권위 있는 자료라는 점이다 — 출시 게시물이 아니라, 그런 게 없기 때문이다 — 그리고 그 카드는 한계에 대해 유난히 구체적인데, 이는 장점이다. LiveASR을 영어 전용으로 명시한다. 이 모델은 에이전트형 코딩이나 복잡한 다단계 추론용이 아니라고 말한다. 지식이 많이 필요한 작업은 검색으로 보낸다. 약한 모델을 숨기는 벤더는 보통 그런 것을 적어 두지 않는다.

누가 무엇을 수강해야

LFM3-Audio-2B를 선택하세요 — 오디오가 기기를 떠날 수 없을 때, 두 서비스를 이어 붙이지 않고도 듣고 말하는 하나의 모델이 필요할 때, 사용하는 언어가 이 모델의 18개 언어에 포함될 때, 그리고 사용량이 충분히 많아 고정 하드웨어 비용이 분당 요금보다 유리할 때 말입니다. 전혀 조달 없이 음성 인터페이스를 프로토타이핑할 때도 올바른 선택입니다 — 2.1 GB와 Ollama 명령 하나면 됩니다. 다만 영어 ASR이 최신 오픈 Voxtral 세대보다 뒤처지고, 스트리밍은 영어만 지원하며, 어떤 독립 평가자도 이 모델의 수치를 검증하지 않았다는 점을 받아들이세요.

Voxtral 3를 선택하세요 — 모델 기능이 아니라 전화 에이전트를 구축하는 중이라면. 이 제품군은 조립해서 쓰도록 만들어진 것입니다: 전사기, 추론 모델, TTS가 SIP와 WebRTC를 통해 제공되며, 끼어들기와 발화 종료 감지는 이미 해결되어 있습니다. 50개 이상의 언어, 화자 분리, 이름과 전문용어에 대한 컨텍스트 바이어싱, 또는 음성 복제가 필요하다면 이것도 선택하세요 — LFM3-Audio-2B가 어떤 형태로도 제공하지 않는 네 가지 기능입니다. 그 대가로, 다운로드할 수 없고, 검사할 수 없으며, 서비스하는 매 분마다 비용이 영원히 선형적으로 증가합니다.

둘 다 선택하세요 — 아키텍처가 허용한다면 말이죠. 그리고 종종 허용됩니다. 웨이크 워드, 로컬 받아쓰기, 오프라인 경로에는 기기에서 LFM3-Audio-2B를 실행하세요. 다국어 지원, 화자 분리 또는 복제된 음성이 필요한 통화는 Voxtral 3로 보내세요. 이 둘은 스택에서 같은 자리를 두고 경쟁하지 않습니다. 하나는 제품 내부의 모델이고, 다른 하나는 제품이 전화 회선일 때 호출하는 벤더입니다.

주목해야 할 비교

이 문제를 제대로 해결하려면 두 가지가 필요한데, 아직 둘 다 존재하지 않습니다.

첫 번째는 LFM3-Audio-2B를 Voxtral 3 모델에 대해 Artificial Analysis가 사용하는 동일한 하네스에서 독립적으로 평가하는 것입니다. 공유 테스트에서의 WER 지수라는 그 단일 수치는 Liquid 표의 가장 중대한 주장을 공급업체의 단언에서 측정값으로 전환하고, 노트북에서 실행되는 2B 모델이 정말로 호스팅되는 4B 모델과 1포인트 이내인지 알려줄 것입니다.

두 번째는 Mistral이 언젠가 Voxtral 3 가중치를 공개할지 여부다. 이 회사의 2025년 오디오 모델들은 Apache 2.0에 따라 공개되었지만, 2026년 제품군은 그렇지 않다. 그 상황이 뒤집힌다면, Liquid가 공개하기로 선택한 공정한 오픈 대 오픈 비교는 다시 유효한 논의가 되고, 이 글의 핵심 유보 사항은 효력을 잃는다.

그중 하나가 실현되기 전까지는, 방어 가능한 입장은 매력 없는 쪽이다. 능력의 폭에서는 Voxtral 3가 어떤 벤치마크 논쟁으로도 좁힐 수 없는 격차로 이긴다. 50개 언어, 화자 분리, 복제, 전화 통신이다. 배포 가능성에서는 LFM3-Audio-2B가 똑같이 큰 격차로 이긴다. 둘 중 실제로 손에 쥘 수 있는 유일한 모델이기 때문이다. 그 사이의 모든 것은 한 공급업체 표의 숫자 옆에 다른 공급업체의 숫자를 놓은 것일 뿐이며, "어느 쪽이 더 정확한가"에 대한 정직한 답은 아무도 그것을 측정하지 않았다는 것이다.