LFM3-Audio-2B vs Qwen-Audio-3.1: Um checkpoint, muitas métricas

Pergunte quanto custa o Qwen-Audio-3.1 e a primeira resposta honesta é outra pergunta: qual deles? O nome abrange uma linha de fala hospedada em níveis — um modelo duplex em tempo real, um nível flash em tempo real, transcrição em streaming e de arquivos, e dois modelos de síntese — e cada nível tem sua própria tabela de tarifas. LFM3-Audio-2B é o tipo oposto de objeto: um checkpoint de 2B da Liquid AI, lançado em 27 de outubro de 2026 dentro da família LFM3 de seis modelos, disponível para download sob a LFM Open License v1.0, com uma build Ollama de 2,1 GB e nenhum medidor por chamada em lugar algum. Compará-los não é uma comparação de qualidade de áudio. É uma comparação de dois formatos de cobrança, e a aritmética dá resultado diferente dependendo de seu tráfego ser estável, com picos ou ainda hipotético.

O formato dos lançamentos também importa, porque define as expectativas para a documentação. O Qwen-Audio-3.1 é catálogo primeiro: IDs de modelo documentados no Alibaba Cloud Model Studio, descritos em uma ou duas linhas cada, com preço por token, sem pesos publicados e sem contagem pública de parâmetros. O LFM3-Audio-2B é pesos primeiro: um repositório, um model card, um pull request mesclado no llama.cpp e um parágrafo no post da família do seu fornecedor. Um é uma linha de produtos que você aluga. O outro é um arquivo que você possui. Todas as diferenças práticas abaixo decorrem disso.

O que o nome realmente abrange

Qwen-Audio-3.1 não é um único endpoint, e tratá-lo como tal é o erro mais comum nas comparações. Os níveis desempenham funções diferentes:

• qwen-audio-3.1-realtime-flash — fala duplex em tempo real, texto e áudio de entrada e saída, com chamada de funções, pesquisa na web, clonagem de voz e três modos de detecção de turno. É o análogo mais próximo do LFM3-Audio-2B e a faixa que este artigo precifica.

• qwen-audio-3.1-realtime-plus — o nível de tempo real mais completo. A Alibaba documenta uma conversão de áudio de 12,5 tokens por segundo para ele e cobra uma tarifa de saída substancialmente maior do que o nível flash. Produto diferente, conta diferente.

• qwen-audio-3.1-asr-flash-streaming — reconhecimento em fluxo, com resultados intermediários, VAD, hotwords e remoção de disfluências. Sem saída de fala.

• qwen-audio-3.1-asr-flash-filetrans — a mesma tarefa de reconhecimento, processada em lote em um arquivo.

• Qwen-Audio-3.1-TTS e TTS-Next — síntese, com o modelo Next divulgado como um modelo "Audiogen" para voz, efeitos sonoros e ambiência em uma única passagem a 48 kHz.

O LFM3-Audio-2B condensa essas tarefas em um único checkpoint. Reconhecimento, síntese, tradução, compreensão de áudio e chamadas de ferramentas faladas são modos do mesmo modelo de 2B, selecionados por prompt e por perfil de serving. Não há SKU a escolher nem medição separada para falar versus ouvir. A troca é granularidade por simplicidade: você não pode pagar apenas pelo reconhecimento quando reconhecimento é tudo de que precisa, porque está executando o modelo inteiro de qualquer forma.

A conta, calculada

A Alibaba publica tarifas para qwen-audio-3.1-realtime-flash em USD por milhão de tokens. Em Singapura: entrada de texto US$ 0,23, entrada de áudio US$ 0,93, saída de texto US$ 0,70, saída de áudio US$ 1,87. Pequim é ligeiramente mais barata, a US$ 0,212, US$ 0,848, US$ 0,636 e US$ 1,696. Os limites de taxa são 60 solicitações por minuto e 100.000 tokens por minuto, sem limite separado para conexões WebSocket simultâneas. A janela de contexto é de 262.144 tokens, com entrada máxima de 245.760 e saída de 16.384 — mas o histórico de áudio é limitado a 50 turnos ou 300 segundos acumulados, que é o limite que uma conversa longa realmente atinge.

LFM3-Audio-2B não tem tabela de preços porque a Liquid não o vende como endpoint. O custo é a máquina em que você o executa, o download de 2,1 GB e o limite de licença: gratuito para uso comercial abaixo de US$ 10 milhões de receita anual, pago acima disso. Em um laptop, é quase zero; em uma GPU, é o que você já paga pela capacidade ociosa. O codec é a alegação de eficiência que vale conhecer — o LiquidCodec compacta 80 ms de fala em 12 tokens e decodifica a aproximadamente 87 vezes a velocidade do tempo real em uma única thread de CPU de um M4 Max —, mas isso mede o codec, não o modelo de linguagem, e não deve ser interpretado como throughput ponta a ponta no seu hardware.

Agora a parte que decide. Um modelo em tempo real alojado cobra por token de conversa, incluindo o áudio que gera, e o custo de um agente de voz reside na saída. Um modelo autoalojado cobra por hora de hardware, esteja alguém a falar ou não. Para um centro de contacto a funcionar com carga constante, o custo fixo é amortizado e o valor por hora pode ficar abaixo de qualquer tabela de preços. Para um produto com tráfego irregular — uma equipa de compliance que transcreve mil chamadas no último dia do trimestre e nada durante onze semanas — a cobrança por chamada vence, porque as GPUs cobram durante o silêncio. Nenhuma das formas é mais barata em geral. São mais baratas em utilizações diferentes.

Cobertura, latência e as alegações que não se cumprem

• Idiomas — LFM3-Audio-2B: 18 idiomas, 19 locales, com ASR ao vivo limitado ao inglês e tradução mais forte de ou para o inglês. Qwen-Audio-3.1: a documentação da Alibaba para o nível flash em tempo real não publica uma lista de idiomas; seus níveis de reconhecimento são documentados em torno de mandarim, cantonês, sichuanês e outros dialetos chineses, com detecção automática de idioma. Considere a cobertura como desconhecida para o Qwen até que a documentação a enumere.

• Latência — LFM3-Audio-2B: "tão baixo quanto 50 ms" de tempo até o primeiro token, medido pelo fornecedor em hardware Apple especificado, sem percentil nem harness. Qwen-Audio-3.1: o destaque da família da Alibaba de 92 ms para o primeiro token vem de seu próprio benchmark de alta concorrência em uma especificação de 0,6B, não de testes de terceiros. Nenhum dos dois é um número típico.

• Duplex — LFM3-Audio-2B: requisição e resposta com streaming; um codificador causal permite prefill enquanto você fala, mas não há garantia de barge-in. Qwen-Audio-3.1 realtime-flash: explicitamente duplex, com VAD no servidor e um modo smart-turn que lida com interrupções.

• Contexto — LFM3-Audio-2B: 32K tokens, entrada mais saída. Este não é o valor de 256K repetido em alguns materiais sobre o LFM3; esse pertence ao modelo de texto. Qwen-Audio-3.1 realtime-flash: 262K tokens, com o limite de histórico de áudio acima.

Essa linha duplex é a que muda a arquitetura. Se o seu produto precisa ser interrompido no meio da frase, o LFM3-Audio-2B é o modelo com o formato errado, e nenhum prompt corrige isso. Se o seu produto lê uma gravação e responde a uma pergunta sobre ela, o duplex é irrelevante e o checkpoint 2B é o objeto mais simples.

Quem mediu o quê

A Liquid publica seis números para o LFM3-Audio-2B, todos em comparação com seu próprio modelo anterior, o LFM2.5-Audio-1.5B: WER de ASR em inglês 6,23 (contra 6,13, estável), WER/CER multilíngue 6,03, UTMOSv2 3,83 (contra 3,22), VoiceBench 73,13 (contra 55,17), MMAR 50,60 (contra 25,85) e uma avaliação interna de chamada de ferramentas em 58,50. Não são nomeados conjunto de teste, harness nem variância. Não conseguimos encontrar nenhuma reprodução independente de qualquer linha.

A evidência do Qwen é de natureza diferente. Há um relatório técnico, “Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction”, que relata sucesso de tarefa em uma adaptação de fala para texto em half-duplex do τ-Voice melhorando de 78,4% para 82,0%, e a taxa de resposta a fala de fundo no Full-Duplex-Bench v1.5 caindo de 73,0% para 13,0%. Esses são os dois números declarados no resumo; o corpo traz tabelas no nível de modelo, mas não as verifiquei em um harness, e o artigo é um relatório de fornecedor, e não uma avaliação independente.

Então o placar honesto é: um modelo tem uma tabela do fornecedor sem artigo, o outro tem um artigo do fornecedor sem um harness reproduzível, e nenhum dos dois aparece em um placar neutro sob o próprio nome. Qualquer artigo que coloque seus números em colunas adjacentes está organizando duas alegações não verificadas e deixando o layout fazer a persuasão.

Onde um roteador se encaixa, precisamente

Nem o LFM3-Audio-2B nem o Qwen-Audio-3.1 estão no catálogo do OrcaRouter, portanto não há qualquer afirmação de roteamento a fazer sobre a própria camada de fala. A camada acima dela é outra história. Um produto de voz construído sobre qualquer um dos modelos ainda precisa de um modelo de texto para resumir, classificar, extrair ou decidir o que o agente dirá em seguida, e é nessa chamada que custo e confiabilidade realmente variam.

OrcaRouter coloca mais de 200 modelos de texto e multimodais atrás de uma única chave pelo preço de tabela do provedor, sem markup, com failover automático entre provedores e uma DSL de roteamento que pode compor vários modelos em uma única chamada. Para esta comparação, o padrão útil é um teste A/B: execute as mesmas conversas gravadas no qwen-audio-3.1-realtime-flash e no LFM3-Audio-2B no seu próprio hardware, depois envie as duas transcrições para o mesmo modelo downstream no mesmo endpoint. A comparação permanece limpa, e a parte de texto nunca se torna a variável que você esqueceu de controlar.

Qual conta escolher

Escolha Qwen-Audio-3.1 realtime-flash se você precisa de conversa duplex, uma pilha de reconhecimento com chinês como prioridade, um contexto de 262K ou um SLA do fornecedor — e se seu tráfego é irregular o suficiente para que a cobrança por token seja uma vantagem. Leia os nomes dos níveis com atenção antes de cotar um preço: realtime-plus e realtime-flash não são o mesmo produto, e é na taxa de saída que a conta de um agente de voz é decidida.

Escolha o LFM3-Audio-2B se precisar de ser dono do modelo, de o executar offline, de evitar uma cobrança ao minuto ou de sintetizar 18 idiomas num portátil. Aceite o contexto de 32K, o ASR em direto apenas em inglês, o limiar da licença e o facto de a sua precisão de reconhecimento ficar a meio da tabela na comparação do próprio fornecedor.

Espere, caso você precise de um número que consiga defender diante de uma equipe de compras. Nenhum dos modelos tem um ainda. A primeira avaliação independente em um corpus de áudio compartilhado — não uma tabela de fornecedor, não um artigo de fornecedor — valerá mais do que todos os números acima, e é isso que se deve observar antes que qualquer um deles se torne um padrão.