LFM3-Audio-2B vs StepAudio 3: O 2B aberto contra a linha de produtos avaliada

StepAudio 3 Realtime tem um número atrelado àquilo pelo qual os produtos de voz são avaliados: 98,9% no ranking Conversational Dynamics da Artificial Analysis, primeiro lugar. LFM3-Audio-2B tem uma licença. Isso não é um contraste retórico — é o estado real das evidências. Da StepFun, a família StepAudio 3 foi lançada em 15 de setembro de 2026 como cinco modelos de áudio comerciais em uma única plataforma, com posicionamentos de terceiros e preço de prévia zero. O LFM3-Audio-2B da Liquid AI apareceu em 27 de outubro dentro do lançamento de seis modelos LFM3 como um checkpoint de pesos abertos de 2B com uma tabela do fornecedor e nenhuma pontuação independente. Um é um produto medido que você aluga. O outro é um arquivo não medido que você pode possuir. A decisão entre eles tem menos a ver com qualidade de áudio do que com qual dessas duas frases descreve sua restrição.

Há uma tentação de declarar o modelo pontuado vencedor e seguir em frente. Resista por um parágrafo. A pontuação do StepAudio 3 Realtime mede dinâmicas conversacionais — alternância de turnos, recuperação de interrupções, backchannels — em um sistema hospedado com WebSocket persistente e um conjunto de treinamento prioritariamente em chinês. O LFM3-Audio-2B não está nesse ranking, não é duplex e não seria medido por ele mesmo que alguém o inscrevesse. Os dois modelos não estão competindo pelo mesmo espaço em uma stack. A comparação útil é entre o que cada um consegue fazer que o outro não consegue e quanto custa descobrir isso para cada um.

O que o StepAudio 3 realmente é

O nome abrange uma família, e o nível que você escolhe altera a comparação. A StepFun lançou cinco modelos de áudio em 15 de setembro: Realtime, ASR, TTS, Gen e Music, todos disponíveis em sua plataforma aberta como APIs comerciais. Um nível Chat com contexto de 256K e saída de texto completa a superfície voltada a desenvolvedores.

• StepAudio 3 Realtime — conversa full-duplex nativa, raciocinando diretamente sobre a fala em vez de transcrevê-la primeiro, com chamada de ferramentas e execução assíncrona de tarefas longas enquanto a conversa continua. O carro-chefe e o análogo mais próximo de um modelo de voz geral.

• StepAudio 3 ASR — reconhecimento, com taxa de erro de palavras de 1,7% no ranking de precisão de ASR não streaming da Artificial Analysis, empatado em primeiro lugar.

• StepAudio 3 TTS — síntese em streaming, seis idiomas (inglês, chinês, japonês, coreano, francês, espanhol), 12 vozes do sistema, até 1.000 caracteres de entrada.

• StepAudio 3 Gen — geração unificada de voz, efeitos sonoros, ambiência, música de fundo e canto a partir de linguagem natural, atualmente em uma prévia gratuita limitada.

• StepAudio 3 Music — geração de músicas zero-shot com controle multiturno via notação ABC, vocal-to-arrangement e covers.

LFM3-Audio-2B é um checkpoint que tenta realizar várias dessas tarefas de uma só vez: reconhecimento, síntese, tradução, compreensão de áudio e chamadas de ferramentas por voz, selecionadas por prompt e perfil de serviço. Ele não gera música, e seu repertório de efeitos sonoros é o que emerge de um modelo de áudio geral. O que ele tem é um arquivo de pesos. O StepAudio 3 não tem nenhum — é uma família de APIs comerciais, não um lançamento aberto, e nenhum nível fornece pesos.

O placar, e quem o produziu

As métricas da StepFun são a base de evidências mais forte desta comparação, e também são as mais fáceis de superinterpretar. O número de 98,9% em Conversational Dynamics é uma colocação de terceiros no Artificial Analysis, o que o torna mais confiável do que uma tabela de fornecedor. O número de 99,7% em raciocínio de fala é citado pela StepFun, não reproduzido de forma independente. A taxa de erro de palavra ASR de 1,7% é uma colocação do Artificial Analysis, empatada em primeiro lugar, e pertence ao nível ASR, e não ao modelo Realtime. São três tipos diferentes de alegação vestindo o mesmo uniforme.

A tabela do LFM3-Audio-2B é uniformemente informada pelo fornecedor e uniformemente relativa ao seu próprio antecessor, o LFM2.5-Audio-1.5B: WER de ASR em inglês de 6,23 contra 6,13, WER/CER multilíngue de 6,03, UTMOSv2 de 3,83 contra 3,22, VoiceBench de 73,13 contra 55,17, MMAR de 50,60 contra 25,85, e uma avaliação interna de chamada de ferramentas em 58,50. Nenhum conjunto de teste, harness ou variância é especificado, e não conseguimos encontrar nenhuma reprodução independente de qualquer linha.

Coloque os dois lado a lado e a observação honesta é que eles mal se sobrepõem. O StepAudio 3 Realtime é avaliado em timing de conversa; o LFM3-Audio-2B é avaliado em reconhecimento, qualidade de síntese e raciocínio de áudio. O único eixo em que ambos publicam algo é o reconhecimento, e mesmo aí a comparação está contaminada: os 1.7% do StepAudio são uma pontuação independente de ranking para a camada ASR, enquanto os 6.23 da Liquid são um número de fornecedor para um modelo de áudio geral em um conjunto sem nome. A lacuna é grande o suficiente para que a direção provavelmente seja real. A magnitude não é a medição de nada que duas equipes tenham executado juntas.

Duplex é a linha arquitetônica

A StepAudio 3 Realtime foi projetada para uma chamada telefônica. Ela escuta enquanto fala, lida com interrupções e raciocina sobre áudio bruto em vez de uma transcrição, o que, segundo a StepFun, preserva o tom e a ênfase que uma passagem por texto achataria. Sua documentação deixa a divisão explícita: a Realtime API traz reconhecimento de fala integrado, gerenciamento de contexto, VAD, busca na web e recuperação; a Chat API faz você implementar cada um desses recursos por conta própria.

O LFM3-Audio-2B foi criado para uma requisição. Um encoder de áudio causal permite que ele faça prefill enquanto você fala, e o LiquidCodec transmite a fala de volta — 80 ms de áudio em 12 tokens, decodificados a cerca de 87× o tempo real em uma thread de CPU de um M4 Max. O número de "apenas 50 ms" para o tempo até o primeiro token vem desse design. Mas transmitir uma resposta em streaming não é o mesmo que lidar com barge-in, e o Liquid não faz nenhuma alegação de duplex. Se o seu produto precisa permitir que as pessoas falem por cima, a arquitetura decide isso antes de qualquer benchmark.

Há uma pegadinha de latência do outro lado. O StepAudio 3 Realtime registra um tempo até o primeiro áudio de 8,83 segundos no mesmo ranking em que vence em dinâmica conversacional — contra 1,18 segundo do Gemini 3.8 Live e 1,24 a 1,34 segundo do GPT-Live-1. Um modelo que vence na troca de turnos, mas leva quase o tempo de uma frase para começar a falar, é um modelo cuja melhor qualidade você pode nunca conseguir demonstrar em produção. Teste a latência antes da qualidade da conversa, e teste fora da própria configuração de serviço da StepFun, se puder.

Preço, licença e o que você está realmente comprando

O StepAudio 3 está em prévia gratuita por tempo limitado em toda a família, sem tarifa pós-prévia anunciada para a camada Realtime. A camada TTS tem um preço de tabela publicado de aproximadamente US$ 0,36 por 10.000 caracteres por meio de um catálogo de terceiros, mas esse não é o preço do Realtime e não deve ser usado como tal. A posição prática é que o StepAudio 3 Realtime é gratuito para avaliação hoje e sem preço definido para produção — um bom momento para testar, um mau momento para construir um modelo de unit economics.

O custo do LFM3-Audio-2B é a máquina em que ele roda. A LFM Open License v1.0 é gratuita para uso comercial abaixo de US$ 10 milhões de receita anual e paga acima disso. A build do Ollama tem 2,1 GB e é capaz de rodar em CPU; o suporte foi incorporado ao llama.cpp em 27 de outubro; o Transformers exige 5.20.2 ou mais recente com trust_remote_code, e os pesos do codec são carregados de um diretório separado, então fixe o ambiente. Não há medição por minuto. Também não há SLA, nem pager, nem fornecedor para chamar quando a saída degrada.

• O que você recebe — StepAudio 3 Realtime: um endpoint comercial, o atual carro-chefe, com suporte. LFM3-Audio-2B: um checkpoint, uma licença e o ônus operacional.

• O que você pode inspecionar — StepAudio 3: documentação, posições no leaderboard, sem pesos. LFM3-Audio-2B: arquitetura, card, pesos, codec, caminho de fine-tuning.

• Formato de custo — StepAudio 3: por chamada, zero quando ocioso, sem preço após o preview. LFM3-Audio-2B: hardware fixo, custo marginal quase zero, sem medidor.

• Modo de falha — StepAudio 3: uma cota, uma região, um problema de conta, um ticket de suporte. LFM3-Audio-2B: o pager é com você.

A cobertura linguística não é um empate.

A LFM3-Audio-2B lista 18 idiomas em 19 localidades, com o inglês aparecendo duas vezes como variantes dos EUA e do Reino Unido. Essa é uma lista de síntese ampla para um modelo 2B, e é o argumento prático mais forte a favor dele em um produto europeu ou multilíngue. Os limites são igualmente específicos: o ASR ao vivo é apenas em inglês, e a tradução é mais forte de ou para o inglês.

O StepAudio 3 prioriza o chinês. A documentação do nível Realtime não publica uma lista completa de idiomas; o nível TTS da família cobre seis idiomas, e o nível ASR é construído em torno do chinês e do inglês, com tratamento de dialetos, alternância entre idiomas, áudio longo e canto. Se o seu tráfego for mandarim com inglês misturado, a stack da StepFun foi criada para essa carga de trabalho, e a da Liquid não. Se o seu tráfego for sueco e holandês, o checkpoint de 18 idiomas é o único dos dois que afirma isso.

Onde um router se encaixa e onde não

O StepAudio 3 não está no catálogo do OrcaRouter, e o LFM3-Audio-2B também não — um é uma API fechada, o outro é um download. Portanto, não há história de failover entre esses dois para contar, e nenhuma razão para fingir o contrário.

A camada de roteamento importa um nível acima, onde os agentes de voz realmente concentram sua complexidade. O StepAudio 3 Realtime oferece suporte a chamadas de ferramentas e tarefas assíncronas de longa duração, o que significa que a conversa está constantemente delegando trabalho a modelos de texto comuns: uma consulta, uma extração, uma verificação de políticas. É nessa camada de delegação que vivem as interrupções de provedores e a variação de custos. O OrcaRouter coloca mais de 200 modelos de texto e multimodais atrás de uma única chave ao preço de lista do provedor, sem acréscimo, com failover automático, 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. Para um protótipo LFM3-Audio-2B, essa é a metade da pilha que você pode colocar atrás de um endpoint hoje, enquanto o modelo de áudio permanece local.

Três perguntas que decidem isso

Você precisa de uma conversa que possa ser interrompida?

Então, o StepAudio 3 Realtime é o único dos dois que declara esse comportamento, e é o ponto de partida correto, apesar da questão da latência. O LFM3-Audio-2B é de requisição e resposta; nenhum ajuste fino muda a interface. Teste o valor de 8,83 segundos para o primeiro áudio na sua própria rede antes de se comprometer.

Você precisa ter o modelo ou executá-lo offline?

Então, o LFM3-Audio-2B é a única opção aqui, e o limite da licença é o número a comparar com a sua receita. Aceite o contexto de 32K, o ASR ao vivo apenas em inglês e a ausência de uma avaliação independente. Teste-o com as suas próprias gravações antes de confiar no ganho do UTMOS.

Uma pontuação de fornecedor é suficiente para escolher?

Ainda não, e o motivo não é que os números da StepFun sejam fracos. É que as pontuações medem coisas diferentes em harnesses diferentes, e o modelo sem pontuação não é elegível para o ranking que produziu o número mais citado. Um confronto direto neutro no mesmo conjunto de conversas resolveria mais do que a tabela de qualquer um dos fornecedores. Até que ele exista, a escolha é uma questão de restrição, não de qualidade.

O veredito

O StepAudio 3 Realtime vence no eixo que o mercado atualmente mede — a dinâmica conversacional — e tem a base de evidências mais forte porque uma terceira parte produziu uma parte dela. Ele também tem um problema de latência não resolvido, nenhum preço pós-prévia publicado, nenhum peso e um perfil de idioma com prioridade para o chinês. É a melhor escolha para um agente de voz em tempo real voltado a usuários de chinês e inglês, desde que o teste de latência seja aprovado e o preço de prévia não se transforme em uma surpresa.

LFM3-Audio-2B vence em propriedade e amplitude de síntese, e perde em evidências. Ele tem quatro dias, seus números são informados pelo fornecedor, seu ASR está no meio da tabela na própria tabela, e sua licença tem um limite de receita. É a melhor escolha para um produto offline, uma voz multilíngue ou uma equipe que não pode aceitar cobrança por chamada — e o único dos dois que você pode avaliar inteiramente no seu próprio hardware esta semana.

O que observar é o mesmo dos dois lados: uma avaliação neutra que coloca um modelo duplex e um modelo de solicitação e resposta no mesmo conjunto de conversas, e um preço de produção publicado para o StepAudio 3. O primeiro diria se o checkpoint de 2B da Liquid está mais perto da fronteira do que sua documentação sugere. O segundo diria se a liderança da StepFun sobrevive ao contato com uma fatura.