LFM3-Audio-2B vs StepAudio 3: otwarty model 2B kontra oceniana linia produktów

StepAudio 3 Realtime ma liczbę przypisaną do kryterium, według którego ocenia się produkty głosowe: 98,9% na tablicy Conversational Dynamics firmy Artificial Analysis, pierwsze miejsce. LFM3-Audio-2B ma licencję. To nie jest retoryczny kontrast — to rzeczywisty stan dowodów. Rodzina StepAudio 3 od StepFun wyszła 15 września 2026 r. jako pięć komercyjnych modeli audio na jednej platformie, z pozycjami w zestawieniach podmiotów trzecich i ceną wersji zapoznawczej równą zero. LFM3-Audio-2B firmy Liquid AI pojawił się 27 października w ramach premiery sześciu modeli LFM3 jako checkpoint 2B z otwartymi wagami, z tabelą dostawcy i bez niezależnego wyniku. Jeden to zmierzony produkt, który wynajmujesz. Drugi to niezmierzony plik, który możesz posiadać na własność. Wybór między nimi mniej dotyczy jakości audio, a bardziej tego, które z tych dwóch zdań opisuje twoje ograniczenie.

Istnieje pokusa, by ogłosić model z wynikiem zwycięzcą i przejść dalej. Oprzyj się jej przez jeden akapit. Wynik StepAudio 3 Realtime mierzy dynamikę konwersacyjną — zmiany mówcy, odzyskiwanie po przerwaniu, sygnały zwrotne — w hostowanym systemie z trwałym połączeniem WebSocket i zbiorem treningowym z priorytetem języka chińskiego. LFM3-Audio-2B nie figuruje w tym rankingu, nie jest dupleksowy i nie zostałby przez niego zmierzony, nawet gdyby ktoś go zgłosił. Te dwa modele nie konkurują o to samo miejsce w stosie. Pożyteczne porównanie dotyczy tego, co każde z nich potrafi, a drugie nie, oraz ile kosztuje cię sprawdzenie tego w przypadku każdego z nich.

Czym właściwie jest StepAudio 3

Nazwa obejmuje rodzinę, a wybrany wariant zmienia porównanie. StepFun wprowadził pięć modeli audio 15 września: Realtime, ASR, TTS, Gen i Music — wszystkie dostępne na jego otwartej platformie jako komercyjne API. Wariant Chat z kontekstem 256K i wyjściem tekstowym dopełnia ofertę dla deweloperów.

• StepAudio 3 Realtime — natywna rozmowa w pełnym dupleksie, rozumowanie bezpośrednio na mowie zamiast najpierw jej transkrybowania, z wywoływaniem narzędzi i asynchronicznym wykonywaniem długich zadań w trakcie kontynuowania rozmowy. Model flagowy i najbliższy odpowiednik ogólnego modelu głosowego.

• StepAudio 3 ASR — rozpoznawanie mowy, ze współczynnikiem błędów słów na poziomie 1,7% w rankingu dokładności ASR bez strumieniowania Artificial Analysis, ex aequo na pierwszym miejscu.

• StepAudio 3 TTS — synteza strumieniowa, sześć języków (angielski, chiński, japoński, koreański, francuski, hiszpański), 12 głosów systemowych, do 1,000 znaków danych wejściowych.

• StepAudio 3 Gen — ujednolicone generowanie głosu, efektów dźwiękowych, atmosfery, muzyki w tle i śpiewu z języka naturalnego, obecnie w ograniczonym bezpłatnym podglądzie.

• StepAudio 3 Music — generowanie piosenek zero-shot z wieloturnym sterowaniem za pomocą notacji ABC, konwersja wokalu na aranżację i covery.

LFM3-Audio-2B to jeden checkpoint, który próbuje wykonywać kilka z tych zadań naraz: rozpoznawanie, syntezę, tłumaczenie, rozumienie dźwięku i wywołania narzędzi głosowych, wybierane przez prompt i profil obsługi. Nie generuje muzyki, a jego repertuar efektów dźwiękowych to wszystko, co wynika z ogólnego modelu audio. Ma natomiast plik wag. StepAudio 3 nie ma żadnego — to rodzina komercyjnych API, a nie otwarte wydanie, i żaden poziom nie dostarcza wag.

Tablica wyników i kto ją stworzył

Liczby StepFun są najsilniejszą bazą dowodową w tym porównaniu, a jednocześnie najłatwiej je nadinterpretować. Wartość 98,9% w Conversational Dynamics to pozycja przyznana przez podmiot trzeci w Artificial Analysis, co czyni ją bardziej wiarygodną niż tabela dostawcy. Wartość 99,7% w rozumowaniu mowy jest cytowana przez StepFun, a nie niezależnie odtworzona. Wskaźnik błędów słów ASR na poziomie 1,7% to pozycja w Artificial Analysis, ex aequo na pierwszym miejscu, i dotyczy warstwy ASR, a nie modelu Realtime. To trzy różne rodzaje twierdzeń ubrane w ten sam mundur.

Tabela LFM3-Audio-2B w całości opiera się na danych raportowanych przez producenta i w całości odnosi się do jego poprzednika, LFM2.5-Audio-1.5B: WER dla angielskiego ASR 6.23 wobec 6.13, wielojęzyczny WER/CER 6.03, UTMOSv2 3.83 wobec 3.22, VoiceBench 73.13 wobec 55.17, MMAR 50.60 wobec 25.85 oraz wewnętrzna ewaluacja wywoływania narzędzi na poziomie 58.50. Nie podano zbioru testowego, środowiska testowego ani wariancji, a nie udało nam się znaleźć niezależnego odtworzenia któregokolwiek wiersza.

Postaw oba obok siebie, a uczciwa obserwacja jest taka, że ledwie się pokrywają. StepAudio 3 Realtime jest oceniany pod kątem czasu prowadzenia rozmowy; LFM3-Audio-2B jest oceniany pod kątem rozpoznawania, jakości syntezy i rozumowania audio. Jedyną osią, na której oba publikują coś, jest rozpoznawanie, i nawet tam porównanie jest zanieczyszczone: 1,7% StepAudio to niezależny wynik rankingu dla warstwy ASR, podczas gdy 6,23 Liquid to wartość podana przez producenta dla ogólnego modelu audio na nienazwanym zbiorze. Różnica jest wystarczająco duża, że kierunek jest prawdopodobnie rzeczywisty. Wielkość nie jest pomiarem czegokolwiek, co dwa zespoły przeprowadziły razem.

Duplex to linia architektoniczna

StepAudio 3 Realtime jest stworzony z myślą o rozmowie telefonicznej. Słucha, jednocześnie mówiąc, radzi sobie z przerwaniami i wnioskuje na podstawie surowego dźwięku, a nie transkrypcji, co — jak przekonuje StepFun — pozwala zachować ton i nacisk, które pośrednictwo tekstowe by spłaszczyło. Dokumentacja wyraźnie rozdziela te podejścia: Realtime API zapewnia wbudowane rozpoznawanie mowy, zarządzanie kontekstem, VAD, wyszukiwanie w sieci i wyszukiwanie informacji; w przypadku Chat API każdy z tych elementów trzeba zaimplementować samodzielnie.

LFM3-Audio-2B jest zbudowany do obsługi zapytania. Przyczynowy enkoder audio pozwala mu wstępnie wypełniać kontekst, gdy mówisz, a LiquidCodec strumieniuje mowę z powrotem — 80 ms audio zamienia w 12 tokenów, dekodowanych z szybkością około 87× czasu rzeczywistego na jednym wątku CPU M4 Max. Wartość „już od 50 ms” czasu do pierwszego tokena wynika z tej konstrukcji. Jednak strumieniowanie odpowiedzi to nie to samo co obsługa barge-in, a Liquid nie twierdzi, że obsługuje dupleks. Jeśli Twój produkt ma być przerywany, architektura rozstrzyga to przed jakimkolwiek benchmarkiem.

Po drugiej stronie jest jednak haczyk związany z opóźnieniem. StepAudio 3 Realtime osiąga czas do pierwszego dźwięku wynoszący 8,83 sekundy na tej samej tabeli liderów, na której wygrywa dynamikę konwersacyjną — wobec 1,18 sekundy dla Gemini 3.8 Live i od 1,24 do 1,34 sekundy dla GPT-Live-1. Model, który wygrywa w przejmowaniu tur, ale potrzebuje niemal tyle czasu, ile zajmuje wypowiedzenie zdania, żeby zacząć mówić, to model, którego najlepszej jakości możesz nigdy nie pokazać w produkcji. Testuj opóźnienie przed jakością konwersacji, a jeśli możesz, testuj je poza własną infrastrukturą serwującą StepFun.

Cena, licencja i to, co faktycznie kupujesz

StepAudio 3 jest w ograniczonym czasie udostępniany bezpłatnie w wersji podglądowej w całej rodzinie produktów, przy czym dla poziomu Realtime nie ogłoszono stawki obowiązującej po zakończeniu podglądu. Poziom TTS ma opublikowaną stawkę cennikową w wysokości około 0,36 USD za 10 000 znaków w katalogu zewnętrznego dostawcy, ale nie jest to cena Realtime i nie należy jej tak traktować. Praktyczny wniosek jest taki, że StepAudio 3 Realtime można dziś bezpłatnie oceniać, ale nie ma ceny produkcyjnej — to dobry moment na testy, a zły na budowanie modelu kosztów jednostkowych.

LFM3-Audio-2B kosztuje maszynę, na której działa. LFM Open License v1.0 jest bezpłatna do użytku komercyjnego przy rocznych przychodach poniżej 10 mln USD, a powyżej tej kwoty — płatna. Wersja dla Ollama ma 2,1 GB i obsługuje CPU; llama.cpp scalił wsparcie 27 października; Transformers wymaga wersji 5.20.2 lub nowszej z trust_remote_code, a wagi kodeka ładują się z osobnego katalogu, więc przypnij środowisko. Nie ma licznika za minutę. Nie ma też SLA, pagera ani dostawcy, do którego można zadzwonić, gdy jakość wyjścia się pogorszy.

• Co otrzymujesz — StepAudio 3 Realtime: komercyjny endpoint, aktualny flagowy model, ze wsparciem. LFM3-Audio-2B: checkpoint, licencja i obciążenie operacyjne.

• Co możesz sprawdzić — StepAudio 3: dokumentacja, pozycje w rankingach, brak wag. LFM3-Audio-2B: architektura, karta modelu, wagi, kodek, ścieżka dostrajania.

• Struktura kosztów — StepAudio 3: opłata za wywołanie, zero w stanie bezczynności, brak ceny po zakończeniu podglądu. LFM3-Audio-2B: stała infrastruktura sprzętowa, niemal zerowy koszt krańcowy, bez licznika.

• Tryb awarii — StepAudio 3: limit, region, problem z kontem, zgłoszenie do wsparcia. LFM3-Audio-2B: pager jest na twojej głowie.

Pokrycie językowe nie jest remisem.

LFM3-Audio-2B wymienia 18 języków w 19 lokalizacjach, przy czym angielski występuje dwukrotnie jako warianty US i UK. To szeroka lista syntezy jak na model 2B i najsilniejszy praktyczny argument za nim w produkcie europejskim lub wielojęzycznym. Ograniczenia są równie konkretne: ASR na żywo obsługuje wyłącznie angielski, a tłumaczenie jest najlepsze na angielski lub z angielskiego.

StepAudio 3 jest zorientowany przede wszystkim na chiński. Dokumentacja warstwy Realtime nie publikuje pełnej listy języków; warstwa TTS rodziny obejmuje sześć języków, a warstwa ASR jest zbudowana wokół chińskiego i angielskiego, z obsługą dialektów, przełączania kodów, długich nagrań audio i śpiewu. Jeśli Twój ruch to mandaryński z domieszką angielskiego, stos StepFun jest stworzony do takiego obciążenia, a Liquid nie. Jeśli Twój ruch obejmuje szwedzki i niderlandzki, checkpoint 18-językowy jest jedynym z tych dwóch, który to deklaruje.

Gdzie router pasuje, a gdzie nie

StepAudio 3 nie znajduje się w katalogu OrcaRouter, a LFM3-Audio-2B również nie — jedno to zamknięte API, drugie to plik do pobrania. Nie ma więc historii o przełączaniu awaryjnym między tymi dwoma ani powodu, by udawać, że jest inaczej.

Warstwa routingu ma znaczenie o poziom wyżej — tam, gdzie agenci głosowi faktycznie lokują swoją złożoność. StepAudio 3 Realtime obsługuje wywoływanie narzędzi i długotrwałe zadania asynchroniczne, co oznacza, że rozmowa nieustannie przekazuje pracę zwykłym modelom tekstowym: wyszukanie, ekstrakcję, sprawdzenie zgodności z polityką. W tej warstwie delegowania kryją się awarie dostawców i zmienność kosztów. OrcaRouter udostępnia ponad 200 modeli tekstowych i multimodalnych za jednym kluczem w cenie katalogowej dostawcy, bez narzutu, z automatycznym przełączaniem awaryjnym, DSL routingu, który składa kilka modeli w jedno wywołanie, oraz fuzją modeli, gdy osąd jednego modelu nie wystarcza. W przypadku prototypu LFM3-Audio-2B to ta połowa stosu, którą można dziś umieścić za endpointem, podczas gdy model audio pozostaje lokalnie.

Trzy pytania, które rozstrzygają sprawę

Czy potrzebujesz rozmowy, którą można przerwać?

Zatem StepAudio 3 Realtime jest jedynym z tych dwóch, który deklaruje takie zachowanie, i mimo kwestii opóźnienia jest właściwym punktem wyjścia. LFM3-Audio-2B działa w trybie zapytanie-odpowiedź; żadna ilość dostrajania nie zmieni interfejsu. Przetestuj wartość 8,83 sekundy do pierwszego dźwięku we własnej sieci, zanim podejmiesz decyzję.

Czy musisz posiadać model lub uruchamiać go offline?

Zatem jedyną opcją jest tutaj {{1}}LFM3-Audio-2B{{/1}}, a próg licencyjny to liczba, którą należy skonfrontować z własnymi przychodami. Zaakceptuj kontekst 32K, ASR na żywo wyłącznie po angielsku oraz brak niezależnej oceny. Przepuść przez niego własne nagrania, zanim zaufasz poprawie {{2}}UTMOS{{/2}}.

Czy ocena dostawcy wystarczy, aby dokonać wyboru?

Jeszcze nie, i nie dlatego, że liczby StepFun są słabe. Chodzi o to, że wyniki mierzą różne rzeczy w różnych środowiskach testowych, a model bez wyniku nie kwalifikuje się do rankingu, który wygenerował najczęściej cytowaną liczbę. Neutralne porównanie bezpośrednie na tym samym zestawie rozmów rozstrzygnęłoby więcej niż tabela któregokolwiek z dostawców. Dopóki go nie ma, wybór jest kwestią ograniczeń, a nie jakości.

Werdykt

StepAudio 3 Realtime wygrywa w wymiarze, który rynek obecnie mierzy — dynamice konwersacyjnej — i ma mocniejszą bazę dowodową, ponieważ część jej powstała w wyniku pracy strony trzeciej. Ma też nierozwiązany problem z opóźnieniem, brak opublikowanej ceny po zakończeniu okresu zapoznawczego, brak wag modelu oraz profil językowy z priorytetem chińskiego. To lepszy wybór dla agenta głosowego czasu rzeczywistego skierowanego do użytkowników chińskojęzycznych i angielskojęzycznych, pod warunkiem że test opóźnienia zakończy się pomyślnie, a ceny w okresie zapoznawczym nie okażą się niespodzianką.

LFM3-Audio-2B wygrywa pod względem własności i szerokości zakresu syntezy, a przegrywa pod względem dowodów. Ma cztery dni, jego liczby są raportowane przez dostawcę, jego ASR plasuje się w środku tabeli, którą sam publikuje, a jego licencja ma próg przychodowy. To lepszy wybór dla produktu offline, wielojęzycznego głosu lub zespołu, który nie może zaakceptować rozliczania za wywołanie — i jedyny z tych dwóch, który możesz w tym tygodniu ocenić w całości na własnym sprzęcie.

To, na co warto zwrócić uwagę, jest takie samo po obu stronach: neutralna ewaluacja, która stawia model dupleksowy i model typu żądanie–odpowiedź na tym samym zbiorze rozmów, oraz opublikowana cena produkcyjna StepAudio 3. Pierwsza powiedziałaby ci, czy checkpoint 2B firmy Liquid jest bliżej czołówki, niż sugeruje jej dokumentacja. Druga powiedziałaby ci, czy przewaga StepFun przetrwa zetknięcie z rachunkiem.