LFM3-Audio-2B vs Dessa: Um que você pode baixar, outro que você só pode ouvir

Da Liquid AI, o LFM3-Audio-2B é um checkpoint de 2 bilhões de parâmetros com licença aberta, um repositório no Hugging Face e um build de 2,1 GB que você pode baixar para um notebook. Da Block, a Dessa é um modelo de fala full-duplex anunciado em 23 de outubro de 2026 atrás de uma lista de espera, sem pesos, sem número de parâmetros, sem API e sem benchmark publicado. Coloque os dois lado a lado e a comparação de sempre desmorona antes de começar: um deles pode ser executado, ajustado e medido por qualquer pessoa que esteja lendo isto, e o outro só pode ser ouvido. A pergunta útil não é qual soa melhor. É o que cada empresa escolheu publicar, e o que essa escolha permite que você faça na manhã de segunda-feira.

Ambos chegam com o mesmo rótulo de advertência, vindos de direções opostas. O LFM3-Audio-2B foi lançado em 27 de outubro de 2026 dentro do lançamento da família LFM3 de seis modelos, e o ramo de áudio recebeu um parágrafo do post da Liquid sobre a família, além de um model card. Não há anúncio independente do tipo "Introducing LFM3-Audio", nenhuma entrada de preço para áudio no site da Liquid e — até o momento desta redação — nenhuma execução independente de benchmark do modelo em lugar algum. A Dessa tem o problema oposto: uma dúzia de gravações de conversas curadas e quase nenhuma especificação. Nenhuma das duas empresas deu a alguém de fora informações suficientes para reproduzir um resultado.

O que cada um realmente publicou

Tire os adjetivos e o registro fica curto. Tudo o que segue abaixo vem da ficha do modelo da Liquid, do post da família dela ou do anúncio da própria Block; nada foi verificado de forma independente.

• O que você recebe — LFM3-Audio-2B: um checkpoint BF16, conversões GGUF e MLX 4-bit, um tokenizer e pesos de codec em um diretório audio_tokenizer separado. Dessa: um formulário de lista de espera e um conjunto de clipes de vídeo.

• Tamanho — LFM3-Audio-2B: 2B parâmetros, 2,1 GB na build do Ollama. Dessa: não divulgado. Block afirma que cabe em um MacBook Pro M4 Max, o que implica um modelo pequeno o suficiente para 128 GB de memória unificada, mas isso é uma inferência, não um número.

• Entrada e saída — LFM3-Audio-2B: texto ou áudio de 16 kHz na entrada; texto, fala de 24 kHz ou texto e fala intercalados na saída. Dessa: áudio na entrada, áudio na saída, sem nenhum texto intermediário em momento algum.

• Contexto — LFM3-Audio-2B: 32K tokens cobrindo entrada e saída. Este não é o valor de 256K repetido em algumas coberturas do LFM3; esse pertence ao modelo de texto, LFM3-1.7B. Dessa: não publicado.

• Licença — LFM3-Audio-2B: LFM Open License v1.0, gratuita para uso comercial com receita anual abaixo de US$ 10 milhões. Dessa: sem pesos, portanto não há licença para ler.

• Benchmark — LFM3-Audio-2B: uma tabela de fornecedores com seis linhas. Dessa: nenhum.

Essa última linha é onde a comparação fica interessante. A Liquid publicou números e nenhuma testemunha independente. A Block publicou testemunhas — jornalistas que ouviram os mesmos clipes — e nenhum número. Um leitor tentando escolher entre as duas está escolhendo que tipo de lacuna tolerar.

A única vantagem da Dessa que não pode ser baixada

A Dessa foi criada para duplex completo: ela escuta enquanto fala. O modelo pode ser interrompido no meio da frase, pode soltar um “certo” ou “mm-hm” enquanto você ainda está falando e pode ajustar o ritmo dele ao seu. As demos da Block apostam pesado nisso — risadas no meio da própria frase, uma mudança de volume a pedido, o título de um filme completado para um interlocutor que se esqueceu dele. The Verge, ao ouvir as mesmas gravações, achou as conversas “um pouco estranhas e inquietantes”, o que é uma descrição justa de um sistema aprendendo timing em público.

LFM3-Audio-2B não afirma isso. É requisição e resposta com streaming: um codificador de áudio causal permite fazer o prefill enquanto você fala, que é de onde vem o número de tempo até o primeiro token "as low as 50 ms" da Liquid, e o LiquidCodec faz streaming da fala de volta. Fazer streaming de uma resposta não é o mesmo que lidar com barge-in. Se o seu produto precisa de uma conversa que possa ser interrompida por cima, o LFM3-Audio-2B é o formato errado de modelo, e nenhuma quantidade de ajuste fino muda a interface.

O que a demo da Dessa não pode lhe dizer é com que frequência ela se comporta assim quando ninguém está escolhendo o clipe. Block diz que as gravações são ao vivo, sem direcionamento e legendadas depois, o que descarta a forma mais grosseira de fraude em demos. Isso não descarta a seleção. Uma equipe que grava muitas conversas e publica as melhores delas provou que existem boas conversas, não que o modelo seja confiável.

Os números que a Liquid publicou e quanto valem

O model card da Liquid traz seis números, quatro deles com um valor do predecessor. Todos comparam o LFM3-Audio-2B com o LFM2.5-Audio-1.5B, o modelo que ele substitui. Nenhum conjunto de testes, harness ou variância é nomeado.

• ASR em inglês, taxa de erro de palavras — 6,23 contra 6,13. Sem variação. A única linha que não se alterou, e uma diferença pequena o suficiente para ser ruído de amostragem.

• ASR multilíngue, WER/CER — 6.03. Nenhum valor anterior publicado.

• TTS em inglês, UTMOSv2 — 3,83 contra 3,22. Um avanço de 0,6 ponto, bem fora do ruído, numa escala em que 4,0 costuma ser tratado como quase humano.

• VoiceBench — 73,13 contra 55,17.

• Compreensão de áudio, MMAR — 50,60 contra 25,85. Quase o dobro.

• Chamada de ferramentas a partir da fala, avaliação interna — 58,50. Sem valor do antecessor.

Em comparação com os outros modelos na própria tabela da Liquid, este é um bom modelo pequeno, e não um líder: o Voxtral Mini 3B registra 5,51 de WER e o NVIDIA Audex 2B registra 5,99, ambos melhores que 6,23; o Qwen2.5-Omni 3B fica com compreensão de áudio em 54,41; o Gemma 4 E4B fica com chamada de ferramentas em 72,40. O resumo honesto é: reconhecimento competitivo, um avanço claro em qualidade de voz e raciocínio sólido para um modelo 2B — não um recorde em nenhuma coluna.

Dessa não tem uma linha equivalente, e a ausência não é um detalhe técnico. Um modelo somente de voz treinado sem texto não tem interface nativa para um esquema JSON, um PDF ou uma chamada de API. A Block admite as questões em aberto em sua própria página: com que eficiência um modelo somente de voz aprende fatos e idiomas, e se o aprendizado em contexto sobrevive sem pré-treinamento em texto. Essas são a diferença entre um parceiro de conversa envolvente e um assistente geral, e nenhuma das empresas publicou o teste que resolveria isso.

Licença, acesso e quem pode construir sobre o quê

A licença do LFM3-Audio-2B é a razão prática pela qual ele vence a maioria das conversas de compras antes mesmo de se discutir a qualidade. A LFM Open License v1.0 permite uso comercial abaixo de US$ 10 milhões de receita anual e exige uma licença paga acima disso. Os pesos estão no Hugging Face; o llama.cpp incorporou o suporte no PR #31257 em 27 de outubro; o Ollama lista um build de 2,1 GB; o Transformers requer 5.20.2 ou mais recente com trust_remote_code. O requisito de código personalizado é o ponto que precisa ser fixado — o modelo carrega a partir do próprio módulo e lê os pesos do codec de um diretório separado, então um ambiente sem versão fixada é um chamado de suporte esperando para acontecer.

A Dessa não tem um caminho comparável. O acesso consiste em uma lista de espera mais acesso antecipado para um pequeno grupo de pesquisadores de segurança de IA que se inscrevem com um e-mail institucional. As razões declaradas pela Block — curiosidade, interação humano–IA, segurança — são coerentes com manter uma voz que lê emoções dentro de uma sala pequena. O trade-off é que acesso restrito e avaliação independente puxam em direções opostas. Até que um grupo externo publique números, o registro público é composto pelos clipes do fornecedor mais as impressões dos jornalistas sobre os clipes do fornecedor.

Há um custo de segunda ordem que raramente entra nas comparações. Um modelo baixável é uma dependência que você possui: 2,1 GB, um processo para manter ativo, nenhum SLA e um limiar de licença a monitorar à medida que você cresce. Um modelo em lista de espera não é dependência nenhuma — é um resultado de pesquisa que você pode citar e não pode entregar. Para uma equipe escolhendo uma pilha de voz, esses não são dois pontos na mesma linha. São duas decisões diferentes.

O que um agente de voz precisa que nenhum dos dois modelos fornece sozinho

Sistemas de voz em produção raramente se resumem a um único modelo. Quer o front end seja duplex ou de requisição e resposta, a conversa continua delegando trabalho a modelos de texto comuns: uma consulta, uma extração, uma verificação de políticas, uma chamada de raciocínio por trás de uma pausa mantida. É nessa camada de delegação que reside a variação de custos e onde uma hora ruim de um provedor se transforma na sua indisponibilidade.

Para ser preciso sobre nossa própria cobertura: o LFM3-Audio-2B não está no OrcaRouter, e o Dessa não é uma API de forma alguma. O que o OrcaRouter fornece é a camada de texto à qual um agente de voz delega — mais de 200 modelos atrás de uma única chave ao preço de tabela do provedor, sem acréscimo de margem, failover automático quando um provedor falha, uma DSL de roteamento que compõe vários modelos em uma única chamada, e fusão de modelos quando o julgamento de um único modelo não é suficiente. Se você está prototipando com o LFM3-Audio-2B localmente, a metade de chamada de ferramentas do loop é a parte que você pode colocar por trás desse endpoint hoje; a metade de áudio permanece na sua máquina.

O teste que resolveria isso

Para o LFM3-Audio-2B, a evidência faltante é específica: uma execução independente de WER em um conjunto padrão, uma medição de latência em hardware que não seja um M4 Max e uma reprodução do ganho do UTMOS por alguém que não trabalhe para a Liquid. O acompanhamento de ASR ao vivo no llama.cpp também importa, porque a transcrição em lote é o caminho suportado hoje e o suporte apenas ao inglês é a limitação quando o streaming chegar.

Para a Dessa, a lista é mais curta e mais difícil: um conjunto de conversas reservado, latência de ponta a ponta incluindo a primeira reação audível, recuperação de interrupções, inteligibilidade sob ruído, um orçamento de dados e computação, e alguma medida de retenção factual. Qualquer um desses transformaria um vídeo de demonstração em uma avaliação. Todos eles o tornariam um produto.

Até então, a descrição precisa é restrita e útil. O LFM3-Audio-2B é um modelo de fala de 2B que você pode baixar em um minuto, fala melhor do que o modelo que substitui, ouve quase tão bem e ainda não tem testemunhas independentes. O Dessa é a demo de voz mais interessante do mês, sem nenhuma forma de verificá-la. Se você precisa construir neste trimestre, apenas uma dessas frases termina em uma implantação.