LFM3-Audio-2B vs Voxtral 3: Um download de 2,1 GB contra uma plataforma de voz

A forma honesta de começar uma comparação entre LFM3-Audio-2B e Voxtral 3 é dizer que ninguém publicou uma execução dele. A Liquid AI publicou uma tabela de benchmark para seu modelo de áudio de 2 bilhões de parâmetros, e a Mistral publicou uma para sua suíte de fala, e as duas tabelas quase não compartilham linhas. Onde elas se cruzam, os modelos medidos não são da mesma geração. Qualquer pessoa que diga qual destes é "melhor" em um benchmark está comparando um número de um harness de teste com um número de outro e esperando que você não confira.

Então esta parte faz algo menos arrumado e mais útil. Ela separa a pergunta que você consegue responder daquela que não consegue. Você ainda não pode dizer qual modelo transcreve alemão melhor, porque não há um teste multilíngue compartilhado entre eles. Você pode dizer, com confiança e com base na documentação dos próprios dois fornecedores, que estes não são de modo algum o mesmo tipo de produto: um é um arquivo de 2,1 GB que você mesmo executa, e o outro é um pipeline de quatro modelos com um SDK de telefonia acoplado e sem pesos para download.

Essa diferença decide a maioria das implantações reais antes mesmo de se consultar um único valor de WER. O restante deste artigo trata de onde isso não acontece.

O Voxtral Liquid avaliado no benchmark não é o Voxtral com o qual você está comparando.

O model card da Liquid coloca o LFM3-Audio-2B ao lado de seis concorrentes, e um deles é um Voxtral. A linha está rotulada como Voxtral Mini 3B, e em ASR de inglês ele supera o modelo da Liquid: taxa de erro de palavras de 5,51% contra 6,23%. Essa é a única comparação direta com o Voxtral que a Liquid publicou, e é fácil interpretá-la como "o modelo de áudio da Mistral transcreve com mais precisão."

Não é a comparação que a manchete sugere. O Voxtral Mini 3B é mistralai/Voxtral-Mini-3B-2507 — um modelo de 3B lançado em julho de 2025 sob Apache 2.0, criado para implantação local e de borda. Ele é quinze meses anterior ao Voxtral 3 e pertence a uma geração de produto diferente. A suíte da Mistral de 20 de outubro de 2026 não contém nenhum modelo chamado Voxtral Mini 3B; seu menor transcritor é o Voxtral Mini Transcribe 3, com 4B parâmetros e US$ 0,0035 por minuto.

Há também uma discrepância dentro da tabela. A coluna de parâmetros naquela linha indica 5B, numa linha nomeada para um modelo 3B. Isso não é motivo para desconfiar dos números de WER, que vêm de uma avaliação nomeada — ESB e o conjunto do Open ASR leaderboard, com média. É motivo para ler os cabeçalhos das colunas nas tabelas dos fornecedores antes de ler os números.

A consequência merece ser dita sem rodeios, porque é o fato mais útil deste artigo: não existe nenhum confronto direto publicado entre o LFM3-Audio-2B e qualquer modelo Voxtral 3. Nem da Liquid, nem da Mistral, nem de um avaliador independente. A Liquid comparou seu novo modelo ao modelo de áudio de pesos abertos da Mistral de 2025, o que é uma escolha defensável para uma comparação justa entre modelos abertos — e também é o único tipo de comparação possível agora, porque o Voxtral 3 não disponibiliza pesos. A comparação de áudio com pesos abertos de 2026 não pode ser feita com o Voxtral 3 de forma alguma.

O que os dois produtos realmente são

A assimetria é mais fácil de perceber na forma do lançamento do que nas especificações.

LFM3-Audio-2B é um modelo, lançado em 27 de outubro de 2026 como parte da família LFM3 de seis modelos. Ele recebe texto ou áudio de 16 kHz e emite texto, fala de 24 kHz, ou texto e fala intercalados, além de chamadas de ferramentas. Um novo codificador de áudio causal interno permite que ele faça prefill enquanto você ainda está falando. O tokenizer LiquidCodec comprime 80 milissegundos de fala em 12 tokens discretos, decodificados em paralelo em vez de sequencialmente, a aproximadamente 87 vezes o tempo real em uma única thread de CPU de um M4 Max — um número de throughput do codec, não um requisito de hardware.

Voxtral 3, anunciado em 20 de outubro de 2026, é um conjunto: um transcritor em lote, um segundo transcritor em lote menor, um transcritor de streaming, um modelo de TTS, um produto de adaptação de voz e um SDK de agente de voz baseado no LiveKit que os conecta via SIP e WebRTC. Você não escolhe o Voxtral 3. Você escolhe um pipeline, e o Voxtral 3 fornece as etapas.

• Pesos — O LFM3-Audio-2B é disponibilizado com pesos abertos sob a LFM Open License v1.0; o Voxtral 3 não publica pesos para download, e o material de lançamento da Mistral descreve, em vez disso, acesso via API, playgrounds do Studio e implantação em infraestrutura privada.

• Pegada — 2,1 GB no Ollama contra um endpoint; não há arquivo Voxtral 3 para dimensionar.

• Contexto — 32 mil tokens para o LFM3-Audio-2B, entrada mais saída. A Mistral não publica nenhum valor de contexto para os transcritores; em vez disso, cobra por minuto.

• Modalidades — O LFM3-Audio-2B é any-to-any em um único modelo: ouve, fala, compreende, traduz e chama ferramentas. O Voxtral 3 divide essas funções entre modelos e endpoints separados; os transcritores e o modelo de TTS não são o mesmo sistema.

• Licença — LFM Open License v1.0, gratuita para uso comercial abaixo de US$ 10 milhões em receita anual; o Voxtral 3 é uma API comercial cujos termos se aplicam por chamada.

• Diarização e viés de contexto — O Voxtral 3 tem ambos, com um cpWER de 18,4% no próprio conjunto de diarização da Mistral e recall de frases-chave subindo de 81,4% para 94,6% quando você fornece contexto. O LFM3-Audio-2B não publica nenhuma das duas capacidades.

A cobertura de idiomas é a única lacuna que não está perto de ser resolvida.

O LFM3-Audio-2B é compatível com 18 idiomas em 19 localidades, listados no cartão: árabe, dinamarquês, alemão, grego, inglês (britânico e americano contados separadamente), finlandês, francês, hebraico, italiano, japonês, coreano, holandês, polonês, português, espanhol, sueco, turco e chinês. Ele avalia ASR multilíngue em nove deles e relata uma taxa média de erro de 6,03 no FLEURS, usando taxa de erro de caractere para chinês, japonês e coreano.

Os transcritores do Voxtral 3 cobrem 50 ou mais idiomas. O modelo em tempo real afirma 35+ em um ponto da página e 40+ em outro, o tipo de inconsistência que normalmente significa que o número mudou durante a semana de lançamento e ninguém conciliou o texto.

Se o seu áudio chegar em vietnamita, hindi, russo, norueguês ou catalão, o LFM3-Audio-2B não o lista, e o Voxtral 3 fala todos os cinco — eles estão entre as dezoito línguas de predefinições de voz que a Mistral nomeia. Em toda a lista, não conseguimos identificar uma língua que o Liquid suporte e que as mais de 50 línguas de transcrição da Mistral não afirmem cobrir. A ressalva honesta é que a Mistral publica a sua lista de predefinições de voz na íntegra e a sua cobertura de transcrição apenas como um número, pelo que parte desta comparação é uma lista contra um número.

Há um limite mais nítido dentro da própria documentação da Liquid. O modo ASR ao vivo do modelo — aquele que transcreve conforme o áudio chega, em blocos de cerca de 0,96 segundo — suporta apenas inglês. A transcrição em lote cobre a lista completa de 18 idiomas; o fluxo de streaming não. Qualquer pessoa que planeje um recurso de legendagem multilíngue em tempo real com o LFM3-Audio-2B deve ler essa linha duas vezes, porque ela elimina o modelo para a tarefa, independentemente da tabela de WER.

Dois números de latência que não medem a mesma coisa

A Liquid anuncia tempo até o primeiro token "tão baixo quanto 50 ms". A Mistral anuncia menos de 500 ms para seu transcritor em tempo real e um turno completo de agente em menos de um segundo. Esses números não são comparáveis, e a diferença não é um erro de arredondamento.

O valor de 50 ms corresponde a um caminho de fala para fala: o codificador causal começa a processar antes de você terminar a frase, de modo que o modelo pode começar a emitir o primeiro token da resposta enquanto o áudio ainda está chegando. É uma afirmação sobre interatividade em um modelo conversacional. O valor abaixo de 500 ms é a latência de transcrição — o atraso antes de o texto aparecer — e as próprias tabelas da Mistral mostram quanto isso custa. No benchmark de tempo real dela, o Voxtral Mini Transcribe Realtime 3, com 960 ms de latência, apresenta 6,0% de WER; com 480 ms, é 6,4%; com 240 ms, é 7,4%. Latência e precisão estão em troca direta entre si, e a Mistral permite que você escolha o ponto nessa curva.

A Liquid não publica nenhuma curva equivalente. Publica um piso — 50 ms — sem hardware declarado, sem conjunto de testes e sem precisão nessa latência. O piso pode ser real. Ainda não é uma especificação sobre a qual você possa planejar um produto.

A matemática dos custos, calculada em vez de apenas afirmada.

Comparar um modelo de pesos abertos com uma API cobrada por minuto se resume a volume, e a aritmética é simples o bastante para ser feita corretamente.

Transcrição, 1.000 horas de áudio — 60.000 minutos. Voxtral Mini Transcribe 3 a $0.0035/minuto custa $210. Voxtral Small Transcribe 3 a $0.004 custa $240. Voxtral Mini Transcribe Realtime 3 a $0.008 custa $480. O LFM3-Audio-2B é um download gratuito que roda em hardware que você já possui, portanto seu custo marginal é a eletricidade.

Síntese de fala, 1.000 horas — a cerca de 900 caracteres por minuto falado, isso dá 54 milhões de caracteres. O Voxtral Mini TTS 3 a US$ 13 por milhão de caracteres fica em US$ 702. O LFM3-Audio-2B não custa nada por caractere e oferece duas opções de voz, masculina e feminina, selecionadas por prompt. O Voxtral clona uma voz a partir de 30 minutos de áudio e expõe controles de emoção, ritmo e ênfase.

Um agente de voz ao vivo, 1.000 horas de conversa — A Mistral precifica o pipeline montado em US$ 0,04 por minuto com o Mistral Small 4 fazendo o raciocínio, US$ 0,08 com um modelo maior. Isso dá de US$ 2.400 a US$ 4.800. O LFM3-Audio-2B cuida da audição e da fala localmente, mas ainda precisa de um modelo de raciocínio para qualquer coisa além da própria competência, e sua ficha diz claramente que ele não é recomendado para raciocínio complexo em várias etapas.

Agora a parte geralmente omitida: o ponto de equilíbrio. Uma máquina de US$ 1.000 se paga após cerca de 4.760 horas de Voxtral Mini Transcribe 3 — aproximadamente 200 dias de áudio contínuo, ou um ano e meio a oito horas por dia. Em volumes pequenos, a API é mais barata do que comprar hardware, e é mais barata no dia em que você começa. O caso open-weights não é “grátis”. É “custo fixo em vez de custo marginal”, e só vence quando o volume existe, a exigência de privacidade é rígida, ou o dispositivo não tem rede.

Onde um roteador ganha seu lugar nesse cenário não é em nenhum dos dois modelos de áudio — nem o LFM3-Audio-2B nem o Voxtral 3 estão no catálogo da OrcaRouter hoje, e não vamos fingir o contrário. É a etapa de raciocínio de que ambas as arquiteturas acabam precisando. Um agente de voz é uma cadeia: transcrever, raciocinar, falar. O elo do meio é um LLM hospedado, e é esse o elo que se beneficia de uma única chave para mais de 200 modelos, preços de tabela dos provedores repassados com 0% de markup para que uma mudança de preço do fornecedor chegue até você no mesmo dia, e failover automático quando um provedor tiver um problema no meio da chamada.

O que é verificado, e o que não é

Há três níveis de evidência em jogo aqui, e achatá-los é o que faz as comparações darem errado.

Medido de forma independente. A qualidade de transcrição do Voxtral 3 tem números de terceiros: a Artificial Analysis colocou o Voxtral Small Transcribe 3 em 2,1% de WER no próprio índice, terceiro lugar no geral em 21 de outubro de 2026, com o Voxtral Mini Transcribe 3 em 2,2%. Seu TTS ficou em 13º lugar na arena Provider Voice com 1.217 Elo e em 14º lugar na Controlled Voice com 1.066 — no meio do pelotão, e vale dizer sem rodeios, já que a publicação nas redes sociais da Mistral o descreveu como estando entre os doze primeiros.

Relatado pelo fornecedor, não reproduzido.Todos os números do LFM3-Audio-2B neste artigo são da própria Liquid: o WER de 6,23 em inglês, o valor multilíngue de 6,03, o UTMOSv2 de 3,83, o VoiceBench de 73,13, a avaliação interna de chamada de ferramentas de 58,50 e o MMAR de 50,60. Não há entrada do Artificial Analysis para o modelo até o momento desta redação, e nenhum terceiro publicou uma reprodução. Trate-os como alegações, não como medições.

Não são comparáveis de forma alguma. O WER de 6,23% em inglês do Liquid, a métrica de 4,0% do Mistral no FLEURS e os 2,1% do Artificial Analysis são três testes diferentes em três conjuntos de áudio diferentes. Não os subtraia. A única comparação com o mesmo harness que a Liquid publicou é com o Voxtral Mini 3B — o modelo open-weights de 2025. Nela, o 2B da Liquid marca 6,23 contra 5,51 do Voxtral em ASR em inglês, mas o supera em ASR multilíngue (6,03 a 7,76), VoiceBench (73,13 a 65,78), MMAR (50,60 a 50,10) e chamada de ferramentas (58,50 a 44,50).

O que "lançado sem alarde" realmente significa aqui

O LFM3-Audio-2B não teve um lançamento próprio, e essa distinção importa se você está decidindo o quanto confiar na documentação.

A Liquid anunciou a família LFM3 em 27 de outubro de 2026 com uma publicação intitulada "Apresentando o LFM3: Todas as Modalidades para Inteligência Especializada". O modelo de áudio aparece lá como um de seis, em uma seção — não há publicação dedicada ao LFM3-Audio no blog, nem lançamento separado, nem página de produto própria. Os pesos e o model card estão completos e públicos. A listagem no Ollama, ollama run lfm3-audio com 2,1 GB, surgiu em 28 de outubro sem um anúncio correspondente por parte da Liquid ou da Ollama, ao lado de um pull request no llama.cpp que adicionou os modelos de áudio e omni, com o ASR ao vivo adiado para uma atualização posterior.

O enquadramento é este: o artefato é real e documentado, o lançamento foi um parágrafo dentro de um anúncio de uma família de modelos, e o suporte a runtime local chegou um dia depois, discretamente. Na prática, isso significa que o model card é a autoridade — não um post de lançamento, porque não existe um — e o card é incomumente específico sobre limitações, o que é um ponto a seu favor. Ele declara que o LiveASR é apenas em inglês. Diz que o modelo não é para codificação agêntica ou raciocínio complexo em várias etapas. Ele encaminha tarefas com muita carga de conhecimento para recuperação. Um fornecedor que esconde um modelo fraco normalmente não escreve isso.

Quem deve levar qual

Escolha o LFM3-Audio-2B se o áudio não puder sair do dispositivo, se você precisar de um único modelo que tanto ouça quanto fale sem juntar dois serviços, se seus idiomas estiverem entre os dezoito dele e se seu volume for alto o suficiente para que um custo fixo de hardware compense uma cobrança por minuto. Também é a escolha certa para prototipar uma interface de voz sem nenhuma aquisição — 2,1 GB e um comando do Ollama. Aceite que o ASR em inglês dele fica atrás da última geração do Voxtral aberto, que o streaming é apenas em inglês e que nenhum avaliador independente verificou nenhum dos números dele.

Escolha o Voxtral 3 se você estiver criando um agente telefônico, e não um recurso de modelo. A suíte existe para ser montada: transcritor, modelo de raciocínio, TTS, via SIP e WebRTC, com interrupção da fala (barge-in) e detecção de fim de turno já resolvidas. Escolha-a também se precisar de mais de 50 idiomas, diarização, enviesamento de contexto para nomes e jargões, ou clonagem de voz — quatro capacidades que o LFM3-Audio-2B não oferece de forma alguma. A contrapartida é que você não pode baixá-la, não pode inspecioná-la, e seu custo escala linearmente com cada minuto servido, para sempre.

Use os dois se a arquitetura permitir, e muitas vezes permite. Execute o LFM3-Audio-2B no dispositivo para palavra de ativação, ditado local e o caminho offline; envie as chamadas que precisam de cobertura multilíngue, diarização ou voz clonada para o Voxtral 3. Os dois não competem pelo mesmo espaço em uma pilha. Um é o modelo dentro do seu produto; o outro é o fornecedor que você aciona quando o produto é uma linha telefônica.

A comparação a que se deve estar atento

Duas coisas resolveriam isso adequadamente, e nenhuma das duas existe ainda.

O primeiro é uma avaliação independente do LFM3-Audio-2B no mesmo harness que a Artificial Analysis usa para os modelos Voxtral 3. Esse único número — seu índice WER em um teste compartilhado — converteria a alegação de maior impacto da tabela da Liquid de uma afirmação do fornecedor em uma medição, e lhe diria se um modelo 2B rodando em um laptop está genuinamente dentro de um ponto de um 4B hospedado.

O segundo é se a Mistral algum dia vai disponibilizar os pesos do Voxtral 3. Os modelos de áudio de 2025 da empresa eram abertos sob a Apache 2.0; a linha de 2026 não é. Se isso se inverter, a comparação justa aberto-versus-aberto que a Liquid escolheu publicar volta a ser atual, e a ressalva central deste artigo caduca.

Até que uma dessas coisas aconteça, a posição defensável é a pouco glamourosa. Em amplitude de capacidades, o Voxtral 3 vence por uma distância que nenhuma disputa de benchmark consegue fechar: cinquenta idiomas, diarização, clonagem, telefonia. Em capacidade de implantação, o LFM3-Audio-2B vence por uma margem igualmente grande, porque é o único dos dois que você consegue ter em mãos. Tudo o que está no meio é um número da tabela de um fornecedor ao lado de um número da tabela de outro, e a resposta honesta para "qual é mais preciso" é que ninguém mediu.