LFM3-Audio-2B vs Voxtral 3: 2,1 GB do pobrania kontra platforma głosowa

Uczciwy sposób rozpoczęcia porównania między LFM3-Audio-2B a Voxtral 3polega na stwierdzeniu, że nikt nie opublikował jego przebiegu. Liquid AI opublikowało tabelę wyników dla swojego modelu audio z 2 miliardami parametrów, a Mistral opublikował taką tabelę dla swojego zestawu modeli mowy, przy czym obie tabele mają niemal zero wspólnych wierszy. Tam, gdzie jednak się stykają, mierzone modele nie należą do tej samej generacji. Każdy, kto twierdzi, że któryś z nich jest „lepszy” na podstawie wyników, porównuje liczbę z jednego stanowiska testowego z liczbą z innego i liczy na to, że tego nie sprawdzisz.

Ten tekst robi coś mniej eleganckiego, ale bardziej użytecznego. Oddziela pytanie, na które można odpowiedzieć, od tego, na które nie można. Nie można jeszcze powiedzieć, który model lepiej transkrybuje niemiecki, ponieważ nie ma między nimi wspólnego testu wielojęzycznego. Można natomiast z przekonaniem, na podstawie dokumentacji samych dostawców, powiedzieć, że to w ogóle nie ten sam rodzaj produktu: jeden to plik o rozmiarze 2,1 GB, który uruchamiasz sam, a drugi to potok złożony z czterech modeli z dołączonym SDK do telefonii i bez wag do pobrania.

Ta różnica rozstrzyga o większości rzeczywistych wdrożeń, zanim w ogóle sprawdzi się choćby jedną wartość WER. Pozostała część tego artykułu dotyczy przypadków, w których tak nie jest.

Voxtral Liquid poddany testowi porównawczemu to nie ten Voxtral, z którym dokonujesz porównania.

Karta modelu Liquid stawia LFM3-Audio-2B obok sześciu konkurentów, a jednym z nich jest Voxtral. Wiersz jest oznaczony jako Voxtral Mini 3B, a w angielskim ASR przewyższa model Liquid: 5,51% wskaźnika błędów słów wobec 6,23%. To jedyne bezpośrednie porównanie z Voxtral, jakie Liquid opublikował, i łatwo je odczytać jako „model audio Mistrala transkrybuje dokładniej”.

To nie jest porównanie, które sugeruje nagłówek. Voxtral Mini 3B to mistralai/Voxtral-Mini-3B-2507 — model 3B wydany w lipcu 2025 na licencji Apache 2.0, stworzony do wdrożeń lokalnych i na urządzeniach brzegowych. Powstał piętnaście miesięcy przed Voxtral 3 i należy do innej generacji produktu. Zestaw Mistrala z 20 października 2026 nie zawiera modelu o nazwie Voxtral Mini 3B; jego najmniejszym transkryberem jest Voxtral Mini Transcribe 3 o 4 mld parametrów i koszcie 0,0035 USD za minutę.

W tabeli występuje też rozbieżność. W kolumnie parametrów tego wiersza widnieje 5B, w wierszu oznaczonym jako model 3B. To nie jest powód, by nie ufać wartościom WER, które pochodzą z konkretnie nazwanego zestawu ewaluacyjnego — ESB i zestawu Open ASR leaderboard — uśrednionych. To powód, by przeczytać nagłówki kolumn w tabelach dostawców, zanim przeczyta się liczby.

Konsekwencję warto przedstawić wprost, ponieważ to najbardziej przydatny fakt w tym artykule: nie opublikowano żadnego bezpośredniego porównania między LFM3-Audio-2B a jakimkolwiek modelem Voxtral 3. Ani od Liquid, ani od Mistrala, ani od niezależnego ewaluatora. Liquid porównał swój nowy model z modelem audio Mistrala o otwartych wagach z 2025 r., co jest uzasadnionym wyborem w uczciwym porównaniu modeli otwartych z otwartymi — i jest też jedynym możliwym obecnie rodzajem porównania, ponieważ Voxtral 3 nie udostępnia wag. Porównania audio modeli o otwartych wagach z 2026 r. nie da się w ogóle przeprowadzić z Voxtral 3.

Czym właściwie są te dwa produkty

Asymetrię łatwiej dostrzec w kształcie wydania niż w specyfikacjach.

LFM3-Audio-2B to jeden model, wydany 27 października 2026 r. w ramach sześciomodelowej rodziny LFM3. Przyjmuje na wejściu tekst lub dźwięk 16 kHz, a na wyjściu zwraca tekst, mowę 24 kHz albo tekst i mowę przeplatane ze sobą, a także wywołania narzędzi. Nowy wewnętrzny przyczynowy enkoder audio pozwala mu wstępnie przetwarzać dane, gdy jeszcze mówisz. Jego tokenizer LiquidCodec kompresuje 80 milisekund mowy do 12 dyskretnych tokenów, dekodowanych równolegle, a nie sekwencyjnie, z szybkością około 87 razy większą od czasu rzeczywistego na pojedynczym wątku CPU M4 Max — co jest wskaźnikiem przepustowości kodeka, a nie wymogiem sprzętowym.

Voxtral 3, ogłoszony 20 października 2026 r., to zestaw: transkryber wsadowy, drugi, mniejszy transkryber wsadowy, transkryber strumieniowy, model TTS, produkt do adaptacji głosu oraz oparty na LiveKit SDK do agentów głosowych, który spina je ze sobą przez SIP i WebRTC. Nie wybierasz Voxtral 3. Wybierasz potok, a Voxtral 3 dostarcza jego etapy.

• Wagi — LFM3-Audio-2B udostępnia otwarte wagi na licencji LFM Open License v1.0; Voxtral 3 nie publikuje żadnych wag do pobrania, a materiały premierowe Mistrala opisują zamiast tego dostęp przez API, środowiska testowe Studio i wdrożenie w prywatnej infrastrukturze.

• Ślad — 2,1 GB w Ollama w porównaniu z punktem końcowym; nie ma pliku Voxtral 3, którego rozmiar można by określić.

• Kontekst — 32 tys. tokenów dla LFM3-Audio-2B, na wejście i wyjście. Mistral w ogóle nie podaje wartości kontekstu dla transkryberów; zamiast tego rozlicza według minut.

• Modalności — LFM3-Audio-2B obsługuje any-to-any w jednym modelu: słyszy, mówi, rozumie, tłumaczy, wywołuje narzędzia. Voxtral 3 rozdziela te funkcje na osobne modele i punkty końcowe; transkrybery i model TTS to nie ten sam system.

• Licencja — LFM Open License v1.0, bezpłatna do użytku komercyjnego przy rocznych przychodach poniżej 10 mln USD; Voxtral 3 to komercyjne API, którego warunki obowiązują przy każdym wywołaniu.

• Diaryzacja i biasowanie kontekstem — Voxtral 3 oferuje obie te funkcje, osiągając 18,4% cpWER na własnym zestawie Mistrala do diaryzacji oraz wzrost przywołania fraz kluczowych z 81,4% do 94,6%, gdy dostarczysz kontekst. LFM3-Audio-2B nie publikuje żadnej z tych możliwości.

Pokrycie językowe to jedyna luka, która nie jest bliska zamknięcia.

LFM3-Audio-2B obsługuje 18 języków w 19 lokalizacjach, wymienionych na karcie: arabski, duński, niemiecki, grecki, angielski (brytyjski i amerykański liczone osobno), fiński, francuski, hebrajski, włoski, japoński, koreański, niderlandzki, polski, portugalski, hiszpański, szwedzki, turecki i chiński. Testuje wielojęzyczne ASR na dziewięciu z nich i podaje średni współczynnik błędu 6,03 w FLEURS, stosując współczynnik błędu na poziomie znaków dla chińskiego, japońskiego i koreańskiego.

Transkrybery Voxtral 3 obsługują 50 lub więcej języków. Model działający w czasie rzeczywistym podaje 35+ w jednym miejscu na stronie, a 40+ w innym, co jest tego rodzaju niespójnością, która zwykle oznacza, że liczba zmieniła się w tygodniu premiery i nikt nie uzgodnił tekstu.

Jeśli Twoje audio jest w języku wietnamskim, hindi, rosyjskim, norweskim lub katalońskim, LFM3-Audio-2B go nie wymienia, a Voxtral 3 obsługuje wszystkie pięć — należą one do osiemnastu języków presetów głosowych wymienianych przez Mistral. W całej liście nie udało nam się zidentyfikować języka obsługiwanego przez Liquid, którego ponad 50 języków transkrypcji Mistral nie deklaruje obejmować. Uczciwe zastrzeżenie jest takie, że Mistral publikuje swoją listę presetów głosowych w całości, a zakres transkrypcji jedynie jako liczbę, więc część tego porównania to zestawienie listy z liczbą.

W samej dokumentacji Liquid kryje się jeszcze ostrzejsza granica. Tryb ASR na żywo w modelu — ten, który transkrybuje w miarę napływu dźwięku, w porcjach około 0,96 sekundy — obsługuje wyłącznie język angielski. Transkrypcja wsadowa obejmuje pełną listę 18 języków; ścieżka strumieniowa nie. Każdy, kto planuje funkcję wielojęzycznych napisów w czasie rzeczywistym opartą na LFM3-Audio-2B, powinien przeczytać tę linijkę dwa razy, ponieważ wyklucza ona model z tego zadania niezależnie od tabeli WER.

Dwie wartości opóźnienia, które nie mierzą tego samego

Liquid reklamuje czas do pierwszego tokenu „już od 50 ms”. Mistral reklamuje poniżej 500 ms dla swojego transkrybera w czasie rzeczywistym i pełną turę agenta w mniej niż sekundę. Te liczby nie są porównywalne, a różnica nie wynika z zaokrąglenia.

Liczba 50 ms dotyczy ścieżki mowa-do-mowy: enkoder przyczynowy zaczyna przetwarzać, zanim skończysz zdanie, więc model może zacząć emitować pierwszy token odpowiedzi, gdy dźwięk wciąż jeszcze napływa. To twierdzenie o interaktywności w modelu konwersacyjnym. Liczba poniżej 500 ms to opóźnienie transkrypcji — czas, zanim pojawi się tekst — a własne tabele Mistrala pokazują, ile to kosztuje. W ich benchmarku czasu rzeczywistego Voxtral Mini Transcribe Realtime 3 przy opóźnieniu 960 ms osiąga 6,0% WER; przy 480 ms jest to 6,4%; przy 240 ms — 7,4%. Opóźnienie i dokładność są bezpośrednio wymieniane na siebie, a Mistral pozwala wybrać punkt na tej krzywej.

Liquid nie publikuje równoważnej krzywej. Publikuje jedynie wartość dolną — 50 ms — bez podania sprzętu, bez zestawu testowego i bez dokładności przy takim opóźnieniu. Ta wartość może być prawdziwa. To jednak jeszcze nie jest specyfikacja, na podstawie której można planować produkt.

Rachunek kosztów: wyliczony, a nie tylko deklarowany

Porównanie modelu z otwartymi wagami z API rozliczanym za minutę sprowadza się do wolumenu, a arytmetyka jest wystarczająco prosta, by zrobić to porządnie.

Transkrypcja, 1000 godzin audio — 60 000 minut. Voxtral Mini Transcribe 3 przy $0,0035/minutę to $210. Voxtral Small Transcribe 3 przy $0,004 to $240. Voxtral Mini Transcribe Realtime 3 przy $0,008 to $480. LFM3-Audio-2B można pobrać bezpłatnie i uruchomić na sprzęcie, który już posiadasz, więc jego koszt krańcowy to koszt energii elektrycznej.

Synteza mowy, 1000 godzin — przy około 900 znakach na minutę mowy daje to 54 miliony znaków. Voxtral Mini TTS 3 przy 13 USD za milion znaków to 702 USD. LFM3-Audio-2B nie kosztuje nic za znak i oferuje dwie opcje głosu, męski i żeński, wybierane poleceniem. Voxtral klonuje głos z 30 minut nagrania i udostępnia kontrolę emocji, tempa i akcentowania.

Agent głosowy na żywo, 1000 godzin rozmowy — Mistral wycenia złożony potok na 0,04 USD za minutę, przy czym rozumowanie wykonuje Mistral Small 4, a z większym modelem na 0,08 USD. To od 2400 do 4800 USD. LFM3-Audio-2B obsługuje lokalnie słuchanie i mówienie, ale nadal potrzebuje modelu rozumującego do wszystkiego, co wykracza poza jego własne kompetencje, a jego karta wprost stwierdza, że nie jest zalecany do złożonego wieloetapowego rozumowania.

Teraz część zwykle pomijana: próg rentowności. Maszyna za 1000 dolarów zwraca się po około 4760 godzinach działania Voxtral Mini Transcribe 3 — to mniej więcej 200 dni ciągłego dźwięku, czyli półtora roku przy ośmiu godzinach dziennie. Przy małych wolumenach API jest tańsze niż kupno sprzętu i jest tańsze już w dniu, w którym zaczynasz. Wariant z otwartymi wagami nie jest „darmowy”. To „koszt stały zamiast kosztu krańcowego” i wygrywa tylko wtedy, gdy wolumen jest wystarczający, wymóg prywatności jest twardy albo urządzenie nie ma sieci.

To, gdzie router zasługuje na swoje miejsce w tym obrazie, nie dotyczy żadnego z dwóch modeli audio — ani LFM3-Audio-2B, ani Voxtral 3 nie znajdują się dziś w katalogu OrcaRouter i nie zamierzamy udawać, że jest inaczej. Chodzi o etap rozumowania, którego ostatecznie potrzebują obie architektury. Agent głosowy to łańcuch: transkrypcja, rozumowanie, mowa. Środkowe ogniwo to hostowany LLM i to właśnie ono korzysta z jednego klucza obejmującego ponad 200 modeli, cen listowych dostawców przekazywanych z marżą 0%, dzięki czemu zmiana ceny u dostawcy dociera do Ciebie tego samego dnia, oraz automatycznego przełączania awaryjnego, gdy u dostawcy wystąpi chwilowa awaria w trakcie rozmowy.

Co jest zweryfikowane, a co nie

W grę wchodzą tu trzy poziomy dowodów, a ich spłaszczanie to przepis na błędne porównania.

Niezależnie zmierzone. Jakość transkrypcji Voxtral 3 ma liczby potwierdzone przez strony trzecie: Artificial Analysis umieściło Voxtral Small Transcribe 3 na poziomie 2,1% WER we własnym indeksie, na trzecim miejscu ogółem na dzień 21 października 2026 r., a Voxtral Mini Transcribe 3 na poziomie 2,2%. Jego TTS zajął 13. miejsce w Provider Voice arena z 1217 punktami Elo i 14. miejsce w Controlled Voice z 1066 — środek stawki, co warto powiedzieć wprost, biorąc pod uwagę, że post Mistrala w mediach społecznościowych opisywał go jako pierwszą dwunastkę.

Zgłoszone przez dostawcę, nieodtworzone. Każda liczba LFM3-Audio-2B w tym artykule pochodzi od samego Liquid: WER 6,23 w języku angielskim, wynik wielojęzyczny 6,03, UTMOSv2 3,83, VoiceBench 73,13, wewnętrzna ewaluacja wywoływania narzędzi 58,50 oraz MMAR 50,60. W chwili pisania tego tekstu model nie ma wpisu w Artificial Analysis i żadna strona trzecia nie opublikowała jego reprodukcji. Należy traktować je jako deklaracje, a nie pomiary.

Zupełnie nieporównywalne. Wynik Liquid 6,23% WER dla angielskiego, wynik Mistral 4,0% w FLEURS i wynik Artificial Analysis 2,1% to trzy różne testy na trzech różnych zestawach audio. Nie należy ich odejmować. Jedynym opublikowanym przez Liquid porównaniem w tej samej konfiguracji testowej jest zestawienie z Voxtral Mini 3B — modelem open-weights z 2025 r. Tam 2B Liquid uzyskuje 6,23 wobec 5,51 Voxtral w ASR dla angielskiego, ale wyprzedza go w wielojęzycznym ASR 6,03 do 7,76, VoiceBench 73,13 do 65,78, MMAR 50,60 do 50,10 oraz wywoływaniu narzędzi 58,50 do 44,50.

Co właściwie oznacza tutaj „cicho wypuszczone”

LFM3-Audio-2B nie doczekał się własnej premiery, a to rozróżnienie ma znaczenie, jeśli decydujesz, na ile ufać dokumentacji.

Firma Liquid ogłosiła rodzinę LFM3 27 października 2026 r. w poście zatytułowanym „Przedstawiamy LFM3: każda modalność dla inteligencji specjalistycznej”. Model audio pojawia się tam jako jeden z sześciu, w sekcji — nie ma dedykowanego wpisu na blogu poświęconego LFM3-Audio, osobnej premiery ani własnej strony produktu. Wagi i karta modelu są kompletne i publiczne. Wpis w Ollama, ollama run lfm3-audio o rozmiarze 2,1 GB, pojawił się 28 października bez odpowiadającego mu ogłoszenia ze strony Liquid lub Ollama, obok pull requesta do llama.cpp, który dodał modele audio i omni, przy czym ASR na żywo odłożono do późniejszego etapu.

A więc ujęcie jest takie: artefakt jest prawdziwy i udokumentowany, premiera była jednym akapitem w ogłoszeniu rodziny modeli, a wsparcie dla lokalnego środowiska uruchomieniowego pojawiło się dzień później, po cichu. W praktyce oznacza to, że autorytetem jest karta modelu — a nie wpis o premierze, bo takiego nie ma — i karta ta jest nietypowo konkretna, jeśli chodzi o ograniczenia, co jest na jej korzyść. Wymienia LiveASR jako obsługujący wyłącznie język angielski. Mówi, że model nie służy do kodowania agentowego ani złożonego wieloetapowego rozumowania. Zadania mocno oparte na wiedzy kieruje do mechanizmów wyszukiwania. Dostawca ukrywający słaby model zwykle tego nie zapisuje.

Kto powinien co wziąć?

Wybierz LFM3-Audio-2B, jeśli audio nie może opuszczać urządzenia, jeśli potrzebujesz jednego modelu, który zarówno słyszy, jak i mówi, bez łączenia dwóch usług, jeśli Twoje języki należą do jego osiemnastu oraz jeśli Twój wolumen jest wystarczająco wysoki, aby stały koszt sprzętu był korzystniejszy niż opłata za minutę. To także właściwy wybór do prototypowania interfejsu głosowego bez jakichkolwiek zakupów — 2,1 GB i jedno polecenie Ollama. Zaakceptuj, że jego ASR dla języka angielskiego pozostaje w tyle za najnowszą generacją otwartego Voxtral, że strumieniowanie jest tylko w języku angielskim oraz że żaden niezależny ewaluator nie sprawdził żadnych jego liczb.

Wybierz Voxtral 3, jeśli budujesz agenta telefonicznego, a nie funkcję modelu. Ten zestaw powstał po to, by go złożyć: transkryber, model rozumujący, TTS, przez SIP i WebRTC, z przerywaniem wypowiedzi i wykrywaniem końca tury już rozwiązanymi. Wybierz go również, jeśli potrzebujesz ponad 50 języków, diayryzacji, ukierunkowania kontekstu na nazwy i żargon albo klonowania głosu — czterech możliwości, których LFM3-Audio-2B nie oferuje w żadnej formie. Kompromis polega na tym, że nie możesz go pobrać, nie możesz go zbadać, a koszt rośnie liniowo z każdą minutą obsługi, na zawsze.

Weź oba, jeśli architektura na to pozwala, a często pozwala. Uruchamiaj LFM3-Audio-2B na urządzeniu do wykrywania słowa wybudzającego, lokalnego dyktowania i ścieżki offline; połączenia wymagające pokrycia wielojęzycznego, diaryzacji lub sklonowanego głosu kieruj do Voxtral 3. Te dwa modele nie konkurują o to samo miejsce w stosie. Jeden to model wewnątrz twojego produktu; drugi to dostawca, do którego dzwonisz, gdy produkt jest linią telefoniczną.

Porównanie, na które warto uważać

Dwie rzeczy rozstrzygnęłyby to należycie, a żadna z nich jeszcze nie istnieje.

Pierwsza to niezależna ocena LFM3-Audio-2B w tym samym środowisku testowym, którego Artificial Analysis używa dla modeli Voxtral 3. Ta jedna liczba — jej wskaźnik WER we wspólnym teście — zamieniłaby najistotniejsze twierdzenie z tabeli Liquid z zapewnienia dostawcy w pomiar i powiedziałaby ci, czy model 2B działający na laptopie rzeczywiście mieści się w granicach jednego punktu od hostowanego modelu 4B.

Druga kwestia dotyczy tego, czy Mistral kiedykolwiek udostępni wagi Voxtral 3. Modele audio tej firmy z 2025 r. były otwarte na licencji Apache 2.0; pakiet z 2026 r. już nie jest. Jeśli to się odwróci, uczciwe porównanie otwarte-do-otwartego, które Liquid zdecydował się opublikować, znów stanie się aktualne, a główne zastrzeżenie tego artykułu straci ważność.

Dopóki jedno z tych wydarzeń nie nastąpi, stanowisko, którego można bronić, jest tym mało efektownym. Pod względem szerokości możliwości Voxtral 3 wygrywa przewagą, której żaden spór o benchmarki nie zdoła zmniejszyć: pięćdziesiąt języków, diaryzacja, klonowanie, telefonia. Pod względem wdrożeniowości LFM3-Audio-2B wygrywa równie dużą przewagą, ponieważ jako jedyny z tej dwójki jest do trzymania w ręku. Wszystko pomiędzy to liczba z tabeli jednego dostawcy obok liczby z tabeli drugiego, a uczciwa odpowiedź na pytanie „który jest dokładniejszy” brzmi: nikt tego nie zmierzył.