LFM3-Audio-2B w Ollama: Lepsza mowa, te same uszy

Liquid AI LFM3-Audio-2Bod dziś rano można pobrać jedną komendą. ollama run lfm3-audio pobiera 2,1 GB i uruchamia model z 2 mld parametrów, który przyjmuje tekst lub dźwięk i odpowiada tekstem, mową 24 kHz albo oboma naraz. Sam model ma jeden dzień — pojawił się 27 października 2026 r. w ramach sześciomodelowej rodziny LFM3. Nowością z 28 października jest sposób dostarczania, a pierwsza rzecz warta uwagi znajduje się w tabeli wyników samego Liquid: w porównaniu z LFM2.5-Audio-1.5B, który zastępuje, jakość mowy wyraźnie wzrosła, rozumienie dźwięku niemal się podwoiło, a rozpoznawanie mowy angielskiej nie poprawiło się wcale.

Pozostała część tego tekstu oddziela to, co da się dziś zweryfikować, od tego, czego zweryfikować się nie da. Gałąź audio otrzymała jeden akapit wpisu na blogu o rodzinie modeli oraz kartę modelu — nie ma osobnej zapowiedzi „Introducing LFM3-Audio” — i nigdzie nie udało nam się znaleźć niezależnego przebiegu benchmarku tego modelu. Każda liczba poniżej pochodzi od Liquid, chyba że zdanie mówi inaczej.

Co zostało wydane i jak ubogie było ogłoszenie

Wpis Liquida z 27 października „Wprowadzamy LFM3: każda modalność dla wyspecjalizowanej inteligencji” ogłosił sześć modeli klasy 2B wytrenowanych na bazie LFM3-1.7B-Base: tekstowy, wizyjny, audio i omni oraz dwa modele decyzyjne wyspecjalizowane z gałęzi wizyjnej i omni. Audio jest jedną z czterech gałęzi modalności i poświęcono mu tylko jeden akapit — poprawę UTMOSv2, wartość 50 ms czasu do pierwszego tokenu i kodek działający 87× szybciej niż w czasie rzeczywistym. Nie ma osobnego wpisu poświęconego audio, bloga z benchmarkami audio ani wpisu cenowego dla żadnego modelu LFM3 na stronie z cennikiem Liquida.

Trzy artefakty postawiły w tym tygodniu model przed czytelnikiem:

• Wagi — LiquidAI/LFM3-Audio-2B na Hugging Face, na licencji LFM Open License v1.0, z kartą modelu zawierającą pełną tabelę porównawczą.

• llama.cpp — PR #31257, scalony 27 października, dodaje LFM3-Audio-2B i LFM3-Omni-2B. Zachowuje konwolucje enkodera audio i kodek w formie niekwantyzowanej, udostępnia głos męski lub żeński poprzez flagę TTS i oznacza ASR na żywo jako kolejny PR, a nie część scalenia.

• Ollama — lfm3-audio, 2.1 GB, tagi latest i 2b, pokazujący 19 pobrań oraz „zaktualizowano godzinę temu” w momencie przechwycenia. Nagłówek strony mówi o pięciu modelach; opublikowano dwa wiersze.

Wpis w Ollama jest najważniejszy, ponieważ to jedyna droga, która nie zaczyna się od czytania karty modelu. Pojawił się też bez jakiegokolwiek ogłoszenia — żadnego posta, żadnego changelogu, niczego na samej karcie modelu, co by na niego wskazywało.

Karta specyfikacji, w tym liczba, którą niemal wszyscy skopiowali błędnie.

• Parametry — łącznie 2B, na szkielecie LFM3 z wewnętrznym przyczynowym enkoderem audio i tokenizatorem LiquidCodec

• Wejście — tekst lub audio próbkowane z częstotliwością 16 kHz

• Wyjście — tekst, mowa 24 kHz lub przeplatany tekst i mowa

• Kontekst — 32K tokenów obejmujących dane wejściowe i wyjściowe. To nie jest liczba 256K powtarzana w materiałach premierowych: ta dotyczy LFM3-1.7B, modelu tekstowego. Własna strona gałęzi audio podaje 32K.

• Języki — 18, wymienionych jako 19 lokalizacji, ponieważ angielski pojawia się dwukrotnie, jako wariant brytyjski i amerykański. ASR na żywo obsługuje wyłącznie angielski; tłumaczenie jest najlepsze w przypadku przekładu z angielskiego lub na angielski.

• Licencja — LFM Open License v1.0, bezpłatna do użytku komercyjnego przy rocznych przychodach poniżej $10M, z płatną licencją komercyjną powyżej tego progu.

• Rozmiar — 2,1 GB w wersji Ollama.

Dwa z tych wierszy zasługują na chwilę zastanowienia. Liczba kontekstu to ta, którą podsumowanie będzie przez miesiące podawać błędnie, ponieważ wpis rodzinny wysuwa na pierwszy plan 256K, a karta audio po cichu mówi 32K. A liczba języków to w przebraniu liczba lokalizacji: dziewiętnaście pozycji, osiemnaście języków, przy czym dodatkową pracę wykonują dwa warianty angielskiego. Żadna z nich nie jest skandalem, a obie zmieniają to, co obiecałbyś użytkownikowi.

Jedno polecenie, a pole, które przeczy karcie

ollama run lfm3-audio to naprawdę cała konfiguracja. Strona oznacza model tagami tools, audio i 2b, a README bezpośrednio nad tabelą modeli mówi, że przyjmuje tekst lub dźwięk i odpowiada tekstem, mową lub oboma. Tabela modeli się nie zgadza: oba tagi podają dane wejściowe jako „Text”, a kontekst jako myślnik.

Warto potraktować to poważnie, zamiast zbywać jako osobliwość renderowania. Ollama obsługuje dane wejściowe audio od wersji v0.20 z kwietnia 2026 r., kiedy Gemma 4 wniosła możliwość obsługi audio, polecenie ollama transcribe i elementy input_audio w stylu OpenAI. Mechanizm istnieje. Niepotwierdzone jest, czy jest on podłączony dla tego checkpointu — znacznik audio to deklaracja możliwości, a nie wynik testu. Jeśli Twój plan zaczyna się od „wpuść plik WAV do Ollama”, zweryfikuj to na jednym pliku, zanim zaczniesz na tym opierać projekt.

Wyjście głosowe ma ten sam kształt z drugiej strony. Merge llama.cpp udostępnia flagę głosu TTS; strona Ollama nie dokumentuje żadnego odpowiednika, a README opisuje wyjście głosowe jako właściwość modelu, a nie funkcję CLI. Odwróć każde zdanie, a wniosek pozostaje słuszny: ścieżka terminalowa jest dziś tekstową połową modelu mowy. Czat głosowy w trybie pełnego dupleksu wymaga ścieżki przez Python lub llama.cpp.

Tablica wyników opublikowana przez Liquid

Sześć liczb, z których cztery mają wartość poprzednika. Wszystkie pochodzą z karty modelu Liquid, bez nazwanego zestawu testowego, bez harnessu i bez wariancji.

• ASR dla języka angielskiego, współczynnik błędów słów ↓ — 6,23 dla LFM3-Audio-2B w porównaniu z 6,13 dla LFM2.5-Audio-1.5B. Bez zmian — jedyny wiersz, który się nie zmienił.

• Wielojęzyczne ASR, WER/CER ↓ — 6,03. Nie opublikowano wyniku dla poprzednika.

• Angielski TTS, UTMOSv2 ↑ — 3,83 wobec 3,22. Duży skok; 4,0 jest zwykle uznawane za granicę zbliżoną do ludzkiej.

• VoiceBench ↑ — 73.13 w porównaniu do 55.17.

• Rozumienie dźwięku, MMAR ↑ — 50,60 wobec 25,85. Prawie dwukrotnie.

• Wywoływanie narzędzi z mowy, wewnętrzna ewaluacja ↑ — 58,50. Brak wartości dla poprzednika.

Na tle pozostałych modeli z tej samej tabeli to dobry mały model, a nie lider. Voxtral Mini 3B osiąga 5,51 WER, a NVIDIA Audex 2B — 5,99; oba wyniki są lepsze niż 6,23. Qwen2.5-Omni 3B uzyskuje w rozumieniu audio 54,41 wobec 50,60. Gemma 4 E4B uzyskuje w wywoływaniu narzędzi 72,40 wobec 58,50, a własny wiersz parametrów Liquid podaje tę Gemmę jako 8B wobec 2B tego modelu — nazwa „E4B” liczy parametry aktywne, a nie całkowite. Uczciwe podsumowanie to konkurencyjny ASR, wyraźny krok naprzód w zakresie wyjścia głosowego i solidne rozumowanie audio jak na 2B — ale nie rekordzista w żadnej kolumnie.

Różnica 6,23 wobec 6,13 mieści się w tym, co wytwarza szum próbkowania, i nie należy jej odczytywać jako regresji. Różnica 3,83 wobec 3,22 już nie — przesunięcie UTMOS o 0,6 punktu jest znacznie poza tym zakresem. Możliwa do obrony interpretacja jest taka, że Liquid przeznaczył tę generację na generowanie: lepszy głos, lepsze rozumowanie audio i front end ASR, który utrzymał pozycję, podczas gdy enkodery zmieniły się pod nim. Nie znaleźliśmy żadnej zewnętrznej reprodukcji któregokolwiek wiersza, więc traktuj uporządkowanie jako hipotezę, dopóki ktoś takiej nie opublikuje.

Dlaczego kodek żyje dłużej niż model

LiquidCodec to część tego wydania, na którą warto zwrócić uwagę poza checkpointem. Upakowuje 80 ms mowy w 12 dyskretnych tokenów, dekoduje z powrotem do 24 kHz z obsługą strumieniowania, a Liquid mierzy to na poziomie około 87× czasu rzeczywistego na pojedynczym wątku CPU M4 Max. To kauzalny enkoder pozwala na prefill w trakcie mowy, a nie po niej, i stąd bierze się wartość „nawet 50 ms” czasu do pierwszego tokenu.

Te dwie liczby są najczęściej cytowanymi i najtrudniejszymi do odtworzenia elementami tej premiery. Oba są pomiarami producenta na wskazanym sprzęcie Apple, bez stanowiska testowego, bez zestawu audio i bez percentyla. Opisują najlepszy możliwy przypadek. Telefon, Raspberry Pi ani współdzielona maszyna wirtualna x86 nie osiągną tych wyników, a nic w komunikacie premiery nie mówi, jakie wyniki osiągną zamiast tego.

Wsparcie środowisk uruchomieniowych jest wyjątkowo szerokie jak na model mający zaledwie jeden dzień: Transformers 5.20.2 lub nowszy z trust_remote_code, vLLM i SGLang dla checkpointu BF16, llama.cpp dla GGUF, MLX 4-bit na Apple silicon, ONNX Runtime dla przenośności oraz fine-tuning na pojedynczym GPU. To, co trzeba koniecznie przypiąć, to wymóg niestandardowego kodu. LFM3-Audio ładuje się z własnego modułu i odczytuje wagi kodeka z osobnego katalogu audio_tokenizer, więc środowisko bez przypiętych wersji to zgłoszenie do pomocy technicznej, które tylko czeka, żeby się pojawić.

Lokalna mowa kontra hostowany punkt końcowy

To, że model audio 2B o rozmiarze 2,1 GB jest interesujący, wynika stąd, że alternatywa rozlicza cię za każdą sekundę audio. Self-hosting ma stały koszt — maszyna, którą już posiadasz, pobranie, brak rozliczania za minutę. Hostowany endpoint ma koszt krańcowy na token i zupełnie zero powierzchni operacyjnej.

Określ precyzyjnie, co obejmuje każda ze stron. Hostowana synteza mowy — ten rodzaj, który kierujemy, taki jak gpt-4o-mini-tts po $0.60 za wejście i $12.00 za wyjście za milion tokenów albo gemini-2.5-flash-preview-tts po $0.50 i $10.00 — zamienia tekst na mowę i nic więcej. LFM3-Audio-2B także słucha, transkrybuje i tłumaczy oraz działa z odłączoną siecią. Rozwiązują różne połowy tego samego agenta głosowego.

LFM3-Audio-2B nie jest dostępny w OrcaRouter. Modele audio, które udostępniamy, to hostowane punkty końcowe mowy, więc uczciwy podział dla produktu głosowego w tym miesiącu to lokalna mowa na wejściu i wyjściu z modelem Liquid, a wszystko po stronie tekstu za jednym punktem końcowym dla ponad 200 modeli — 0% narzutu na cenę katalogową dostawcy, automatyczne przełączanie awaryjne, gdy dostawca zawiedzie, oraz DSL routingu, jeśli chcesz połączyć kilka modeli w jedno wywołanie. To właśnie sprawia, że konfiguracja z dwoma środowiskami uruchomieniowymi jest możliwa do utrzymania: jedna umowa dla hostowanej połowy, jedno pobranie dla lokalnej połowy.

W przypadku wariantu lokalnego koszt nie jest zerowy: 2,1 GB wag, proces, który trzeba utrzymywać przy życiu, i brak SLA. Jeśli dźwięk nigdy nie opuszcza budynku, ten wybór jest łatwy. Jeśli jednak opuszcza, cena rozwiązania hostowanego jest wystarczająco niska, że o tym, co wybrać, zwykle decyduje obciążenie operacyjne.

Kto powinien to uruchomić w tym tygodniu, a kto powinien poczekać

Uruchom to, jeśli chcesz lokalną pętlę głosową na laptopie i na razie możesz zaakceptować wyjście tekstowe w terminalu. Uruchom to, jeśli potrzebujesz syntezy mowy w języku, w którym hostowany głos, który masz, jest słaby lub drogi — osiemnaście języków to większe pokrycie niż oferuje większość małych modeli TTS. Uruchom to, jeśli masz nagrania, które nie mogą opuścić maszyny, i chcesz uzyskać transkrypcję oraz podsumowanie z jednego modelu. Uruchom to, jeśli prototypujesz wywołania narzędzi głosem i chcesz mieć model na tej samej maszynie co narzędzie.

Zastanów się, czy liczy się dla Ciebie dokładność ASR. Współczynnik błędów słów na poziomie 6,23 jest przyzwoity i ustępuje trzem modelom w tabeli samego Liquid. Zastanów się, jeśli potrzebujesz transkrypcji strumieniowej już dziś — ASR na żywo to kolejny PR do llama.cpp, a po pojawieniu się będzie obsługiwał tylko angielski. Zastanów się, jeśli potrzebujesz, by model coś wiedział: karta modelu zaleca wyszukiwanie informacji i wyraźnie nie zaleca kodowania agentowego ani wieloetapowego rozumowania w tym rozmiarze. I zastanów się, jeśli potrzebujesz SLA od dostawcy, ponieważ strona cennika Liquid wymienia d1, d1-ultra i LFM2.5-24B-A2B, a w ogóle nie ma tam punktu końcowego audio LFM3.

Trzy pytania, na które premiera nie odpowiada

Czy model LFM3-Audio-2B to ten sam model co LFM3-Omni-2B?

Nie. Dzielą szkielet LFM3 i oba pojawiły się w tym samym pull requeście llama.cpp, ale Omni dodaje wizję do dźwięku i jest większym zobowiązaniem z tych dwóch. Jeśli zadaniem jest rozmowa telefoniczna, nagranie ze spotkania lub polecenie głosowe, Audio to mniejszy model wykonujący mniejsze zadanie. Jeśli zadanie polega na patrzeniu na coś podczas słuchania tego, to jest gałąź omni.

Czy potrafi transkrybować transmisję na żywo?

Jeszcze nie przez llama.cpp. To scalenie oznacza ASR na żywo jako dalszy krok, a karta modelu wprost mówi, że ASR na żywo obsługuje wyłącznie język angielski, nawet gdy już będzie dostępne. Obecnie wspieraną ścieżką jest transkrypcja wsadowa nagrania, z kontekstem 32K tokenów — to w przybliżeniu limit długości, który trzeba uwzględnić w planach dla długich plików, ponieważ tokeny audio i tokeny tekstu dzielą ten sam budżet.

Czy to wymaga GPU?

Nie, i na tym właśnie polega sens kompilacji GGUF. Artefakt Ollama o rozmiarze 2,1 GB działa na CPU. Wskaźnik 87× czasu rzeczywistego mierzy kodek, a nie model językowy, więc nie odczytuj go jako prędkości end-to-end na swoim sprzęcie. Apple silicon ma najgładszą ścieżkę przez MLX lub scalone wsparcie llama.cpp; na x86 spodziewaj się, że wąskim gardłem będzie dekodowanie na CPU — i zmierz to, zanim komukolwiek obiecasz konkretną latencję.

Co zmieniłoby ten werdykt?

Trzy sygnały, w kolejności od tego, jak bardzo miałyby znaczenie. Po pierwsze, kolejna aktualizacja ASR na żywo trafiająca do llama.cpp — to zamienia transkrybator wsadowy w coś, co można umieścić za mikrofonem, czyli przypadek użycia, którego większość ludzi naprawdę chce. Po drugie, niezależny przebieg WER na standardowym zbiorze; dopóki taki nie istnieje, jedyną rzeczą, która utrzymuje wiarygodność ASR tego modelu, jest tabela dostawcy porównująca go z poprzednim modelem samego dostawcy. Po trzecie, opublikowana cena API dla gałęzi audio, która powiedziałaby nam, czy Liquid zamierza sprzedawać słuchanie jako usługę, czy pozostawić to jako grę opartą na wagach.

Do tego czasu trafny opis jest wąski i użyteczny: model mowy 2B, który można pobrać w minutę, mówi lepiej niż model, który zastępuje, słucha mniej więcej równie dobrze i nie ma jeszcze niezależnych świadków. Dla prototypu na laptopie to wystarczy. Dla produkcyjnego potoku transkrypcji już nie — a różnica między tymi dwoma zdaniami to dokładnie odległość między premierą a ewaluacją.