LFM3-Audio-2B vs Ming-3.0-audio-flash: Um checkpoint de laptop contra um ouvido de oito GPUs

O primeiro número que separa LFM3-Audio-2B de Ming-3.0-audio-flash não é um benchmark. É oito. O Ming-3.0-audio-flash, o modelo de mistura de especialistas áudio-linguagem de 126 bilhões de parâmetros da InclusionAI com 6,5 bilhões ativos, precisa de paralelismo de tensores em oito H800 de 80 GB para servir seu perfil completo de contexto de 128K com saída de fala — quatro GPUs fornecem um caminho SGLang validado que é somente texto, porque o módulo Talker não cabe. O LFM3-Audio-2B, que a Liquid AI lançou em 27 de outubro de 2026 dentro da família LFM3 de seis modelos, é um checkpoint de 2B que chega como um download de 2,1 GB no Ollama. Ambos são pesos abertos. Apenas um deles é uma decisão que um único desenvolvedor pode tomar nesta tarde.

Essa diferença é o que define a comparação, e vale resistir ao erro óbvio de tratá-la como um ranking de qualidade. O Ming-3.0-audio-flash ouve muito mais do que o LFM3-Audio-2B: gravações longas, vários falantes, música, cenas acústicas, sons não vocais. O LFM3-Audio-2B foi criado para um loop de voz em um laptop — reconhecimento, síntese, tradução e chamadas de ferramentas por voz em 18 idiomas. O Ming é um ouvido com uma boca acoplada; o modelo da Liquid é uma boca com um ouvido acoplado. A questão é qual é o trabalho que você realmente tem.

Dois navios silenciosos, dois tipos diferentes de silêncio

Nenhum dos modelos teve um lançamento convencional, e a diferença na forma como surgiram revela o que esperar de cada repositório.

Ming-3.0-audio-flash foi enviado ao Hugging Face em 3 de setembro de 2026 sem nenhum anúncio e depois ficou inutilizável por seis semanas, até que o código de serving, os exemplos e o card reescrito fossem publicados entre 15 e 19 de outubro. O repositório do GitHub foi criado no dia 15; o card ainda estava sendo editado no dia 19. A página do HF mostra 22 downloads no mês passado. Ele tem licença MIT, e os YAMLs de implantação de referência estão no repositório.

LFM3-Audio-2B surgiu em 27 de outubro como um dos seis modelos no lançamento da família da Liquid, compartilhando o backbone LFM3-1.7B-Base. O ramo de áudio recebeu um parágrafo do post da família mais um model card; não há anúncio de áudio independente nem entrada de preços para ele no site da Liquid. Em menos de um dia, ele já tinha um pull request mesclado no llama.cpp (#31257) e uma build no Ollama. A diferença é a velocidade das ferramentas, não a profundidade da documentação: a Ming tem painéis de benchmark como imagens, a Liquid tem uma tabela de seis linhas sem harness nomeado.

O que cada um consegue ouvir

• Entrada — LFM3-Audio-2B: texto ou áudio de 16 kHz. Ming-3.0-audio-flash: áudio acompanhado de uma instrução de texto.

• Saída — LFM3-Audio-2B: texto, fala de 24 kHz ou texto e fala intercalados. Ming-3.0-audio-flash: texto, ou texto com fala sintetizada por meio do Talker opcional.

• Contexto — LFM3-Audio-2B: 32K tokens, entrada mais saída. Ming-3.0-audio-flash: 128K tokens, aumentado de 8.192 em um commit de outubro.

• Idiomas — LFM3-Audio-2B: 18 idiomas listados como 19 locales porque o inglês aparece nas variantes dos EUA e do Reino Unido; o ASR ao vivo é somente em inglês. Ming-3.0-audio-flash: chinês e inglês, incluindo sotaques e dialetos — cantonês, xangainês, hunanês e hokkien são citados na cobertura da família.

• Licença — LFM3-Audio-2B: LFM Open License v1.0, gratuita para uso comercial abaixo de US$ 10 milhões em receita anual. Ming-3.0-audio-flash: MIT.

• Piso de hardware — LFM3-Audio-2B: compatível com CPU via GGUF, 2,1 GB. Ming-3.0-audio-flash: oito H800 de 80 GB para o perfil completo de áudio, quatro para somente texto.

A linha de idiomas é onde os dois costumam ser mais mal interpretados. Dezoito idiomas parecem mais abrangentes do que dois, e para síntese são mesmo. Mas os 18 são majoritariamente europeus, além de japonês, coreano e chinês, e a Liquid limita explicitamente o ASR ao vivo ao inglês. Os dois idiomas do Ming vêm com uma cobertura de dialetos que importa mais num contact center chinês do que uma longa lista de locales. Se o seu áudio é mandarim com alternância de código, a afirmação de idiomas do Ming, que parece estreita, é a mais forte; se você precisa de uma voz em holandês ou sueco num laptop, o LFM3-Audio-2B é o único dos dois que afirma isso.

O único número que coincide — e por que ele ainda não é um veredito

Ambos os fornecedores publicam um valor do VoiceBench, o que o torna o mais próximo de um eixo compartilhado aqui. Ming-3.0-audio-flash reporta 86,74. LFM3-Audio-2B reporta 73,13. À primeira vista, isso é uma diferença de 13,6 pontos a favor do Ming.

Trate isso como uma hipótese, não como um resultado. Os dois números vêm de versões diferentes do harness, prompts diferentes e configurações de decodificação diferentes, e nenhum dos repositórios nomeia a configuração exata. Os próprios materiais da Ming alertam que os modelos de comparação foram reproduzidos sob a configuração de avaliação da inclusionAI e podem diferir dos relatórios oficiais por causa de prompts, decodificação, versões e pipelines. A tabela da Liquid não nomeia seu conjunto de teste. Um número de fornecedor comparado com o número de outro fornecedor é uma ordenação de duas alegações, não uma medição de dois modelos.

O mesmo cuidado se aplica ao restante do painel do Ming: CER médio de ASR em chinês 3,45, WER em inglês 3,69, CER de dialeto 9,40, BigBenchAudio 99,40, MMAU 82,00 — todos reportados pelo fornecedor, todos apenas para exibição. Em comparação com o WER em inglês de 6,23 e o MMAR de 50,60 do LFM3-Audio-2B, a direção é consistente: Ming é o ouvinte mais forte. A magnitude não é estabelecida por nada que qualquer um dos laboratórios tenha publicado.

O que a licença compra e quanto custa

A MIT é a licença mais limpa e não há comparação. A LFM Open License v1.0 é gratuita abaixo de um limite de receita e exige uma licença comercial paga acima dele; a MIT não tem limite. Para uma empresa que espera ultrapassar os 10 milhões de dólares, essa diferença é um item de aquisição, não uma nota de rodapé.

A licença é também a metade menor do custo. O piso de oito GPUs da Ming é uma decisão de capital com um cronograma de depreciação, um rack e um pager. O download de 2,1 GB da Liquid roda numa CPU de laptop via GGUF, com MLX de 4 bits para Apple silicon e ONNX Runtime para portabilidade. O custo marginal da milésima hora de áudio é quase zero em ambos; o custo fixo difere em três ordens de grandeza.

Isso não torna o Ming caro. Torna o Ming uma compra diferente. Se a sua carga de trabalho é constante e o seu áudio não pode sair das instalações, possuir um ouvido de 126B pode ser mais barato do que pagar por minuto durante anos — o ponto de equilíbrio é um cálculo de utilização, não um benchmark. Se a sua carga de trabalho for um protótipo, uma demonstração ou um produto cujo volume de áudio ainda é desconhecido, o perfil de oito GPUs é uma aposta feita antes de as evidências chegarem.

Experimentar antes de comprar

O problema prático dos dois modelos é o mesmo: não dá para saber, pela ficha do modelo, se qualquer um deles funciona nas suas gravações. O caminho de serviço do Ming pressupõe hardware que a maioria das equipes não possui; o da Liquid roda em qualquer lugar, mas não tem avaliação independente. A providência barata em ambos os casos é fazer medições em uma pequena amostra antes de se comprometer.

O OrcaRouter não hospeda nenhum desses checkpoints, então o argumento de roteamento não se aplica à própria camada de áudio. Ele se aplica um nível acima. Um pipeline de voz é um modelo de áudio mais um modelo de texto que classifica, resume ou roteia o que foi ouvido, e é nessa segunda chamada que um roteador se justifica: mais de 200 modelos atrás de uma única chave pelo preço de tabela do provedor, sem sobretaxa, failover automático entre provedores e uma DSL de roteamento se você quiser compor vários em uma única chamada. Execute suas vinte piores gravações pelo modelo de áudio e, em seguida, execute as transcrições pelo mesmo modelo downstream no mesmo endpoint — isso mantém a comparação limpa e custa quase nada.

Qual escolher

Escolha o LFM3-Audio-2B se o modelo precisar rodar em uma máquina que você já possui, se precisar de saída de fala em um idioma que o Ming não cobre, ou se estiver prototipando um loop de chamada de ferramentas por voz e quiser o modelo na mesma máquina que as ferramentas. Aceite que a metade de reconhecimento está no meio da tabela e que o ASR em tempo real é apenas em inglês e ainda é um pull request de acompanhamento no llama.cpp.

Escolha o Ming-3.0-audio-flash se a tarefa for compreensão e não conversação: reuniões longas, gravações ruidosas com vários falantes, raciocínio sobre áudio, ou uma carga de trabalho em chinês em que a cobertura de dialetos seja importante. Reserve orçamento para as oito GPUs, ou aceite o perfil somente texto com quatro GPUs e abra mão do Talker. Depois, faça sua própria avaliação antes de acreditar no painel de qualquer um dos fornecedores.

Não escolha nenhum dos dois, por enquanto, se ainda não consegue dizer qual desses dois trabalhos é o seu. Os modelos têm quatro dias e seis semanas, respectivamente, a documentação de ambos é mais escassa do que as alegações de capacidade, e o primeiro comparativo independente em um corpus compartilhado valerá mais do que todos os números deste artigo. Até que ele exista, o requisito mínimo de hardware é o critério de desempate mais honesto disponível: um deles cabe no seu laptop, e o outro cabe em um rack.