LFM3-Audio-2B vs Dessa: один можно скачать, а другой — только услышать

Liquid AI LFM3-Audio-2B — это чекпоинт с 2 млрд параметров, открытой лицензией, репозиторием на Hugging Face и сборкой объёмом 2,1 ГБ, которую можно загрузить на ноутбук. Разработанная Block Dessa — это полнодуплексная речевая модель, анонсированная 23 октября 2026 года и доступная только по листу ожидания, без весов, без указания числа параметров, без API и без опубликованных бенчмарков. Поставьте их рядом — и обычное сравнение рушится ещё до начала: одну из них может запустить, дообучить и измерить любой, кто это читает, а другую можно только слушать. Полезный вопрос не в том, что звучит лучше. А в том, что каждая компания решила опубликовать и что этот выбор позволяет вам сделать утром в понедельник.

Оба появляются с одной и той же предупреждающей пометкой, но с противоположных сторон. LFM3-Audio-2B вышел 27 октября 2026 года в рамках выпуска семейства LFM3 из шести моделей, и аудиоветвь получила один абзац в посте Liquid о семействе плюс карточку модели. Нет отдельного анонса «Представляем LFM3-Audio», нет записи о ценах на аудио на сайте Liquid, и — на момент написания — нигде нет независимого прогона бенчмарков этой модели. У Dessa противоположная проблема: дюжина отобранных записей разговоров и почти никаких спецификаций. Ни одна из компаний не дала стороннему наблюдателю достаточно, чтобы воспроизвести результат.

Что на самом деле опубликовал каждый из них

Уберите прилагательные — и запись окажется короткой. Всё ниже взято из карточки модели Liquid, публикации Liquid о семействе или собственного анонса Block; ничего не было независимо проверено.

• Что вы получаете — LFM3-Audio-2B: чекпоинт BF16, 4-битные конвертации GGUF и MLX, токенизатор и веса кодека в отдельной директории audio_tokenizer. Dessa: форма для листа ожидания и набор видеоклипов.

• Размер — LFM3-Audio-2B: 2 млрд параметров, 2,1 ГБ в сборке Ollama. Dessa: не раскрывается. Block утверждает, что модель помещается на MacBook Pro M4 Max, что подразумевает модель, достаточно малую для 128 ГБ объединённой памяти, но это предположение, а не конкретное число.

• Ввод и вывод — LFM3-Audio-2B: на входе текст или аудио с частотой дискретизации 16 кГц; на выходе текст, речь 24 кГц или чередующиеся текст и речь. Dessa: аудио на входе, аудио на выходе, без какого-либо текстового промежуточного этапа.

• Контекст — LFM3-Audio-2B: 32K токенов, охватывающих ввод и вывод. Это не та цифра 256K, которая повторяется в некоторых материалах о LFM3; она относится к текстовой модели LFM3-1.7B. Dessa: не опубликовано.

• Лицензия — LFM3-Audio-2B: LFM Open License v1.0, бесплатна для коммерческого использования при годовой выручке ниже $10 млн. Dessa: весов нет, поэтому лицензию читать не нужно.

• Бенчмарк — LFM3-Audio-2B: таблица вендора из шести строк. Dessa: нет.

Последняя строка — вот где сравнение становится интересным. Liquid опубликовал цифры — и ни одного независимого свидетеля. Block опубликовал свидетелей — журналистов, прослушавших те же самые записи, — и ни одной цифры. Читатель, пытающийся выбрать между ними, выбирает, какой вид пробела ему терпеть.

Единственное преимущество Dessa, которое нельзя скачать

Dessa создана для полного дуплекса: она слушает, пока говорит. Модель можно прервать на середине предложения, она может вставить «ага» или «мм-хм», пока вы ещё говорите, и подстроить свой тайминг под ваш. Демонстрации Block сильно на это опираются — смех посреди собственного предложения, изменение громкости по просьбе, название фильма, законченное за говорящего, который его забыл. The Verge, прослушав те же записи, нашёл, что разговоры «немного неловкие и жутковатые», — справедливое описание системы, которая учится таймингу на публике.

LFM3-Audio-2B этого не утверждает. Это модель «запрос — ответ» со стримингом: причинный аудиокодер позволяет ей выполнять предзаполнение, пока вы говорите, — отсюда и взята цифра Liquid «всего от 50 мс» до первого токена, — а LiquidCodec передаёт речь обратно потоком. Стриминг ответа — это не то же самое, что обработка перебивания. Если вашему продукту нужен разговор, который можно перебивать, LFM3-Audio-2B — модель неподходящей архитектуры, и никакое дообучение не изменит интерфейс.

Демонстрация Dessa не может сказать вам, как часто она ведёт себя подобным образом, когда никто не отбирает клип. Block говорит, что записи велись вживую, без управления, а субтитры добавлялись позже, что исключает самую грубую форму подлога в демонстрациях. Это не исключает отбора. Команда, которая записывает много разговоров и публикует лучшие из них, доказала, что хорошие разговоры существуют, а не то, что модель надёжна.

Цифры, опубликованные Liquid, и чего они стоят

В карточке модели Liquid приведены шесть показателей, четыре из них — со значением предшественника. Все они сравнивают LFM3-Audio-2B с LFM2.5-Audio-1.5B — моделью, которую он заменяет. Не указаны ни тестовый набор, ни стенд оценки, ни разброс.

• ASR для английского языка, доля ошибок в словах — 6,23 против 6,13. Без изменений. Единственная строка, которая не сдвинулась, и разрыв достаточно мал, чтобы объясняться шумом выборки.

• Многоязычный ASR, WER/CER — 6.03. Показатель для предшествующей версии не опубликован.

• Английский TTS, UTMOSv2 — 3,83 против 3,22. Сдвиг на 0,6 балла, явно за пределами шума, по шкале, где 4,0 обычно считается близким к человеческому уровню.

• VoiceBench — 73.13 против 55.17.

• Понимание аудио, MMAR — 50,60 против 25,85. Почти вдвое больше.

• Вызов инструментов из речи, внутренняя оценка — 58.50. Значения для предыдущей версии нет.

По сравнению с другими моделями в собственной таблице Liquid это хорошая небольшая модель, а не лидер: Voxtral Mini 3B показывает WER 5,51, а NVIDIA Audex 2B — 5,99, обе лучше, чем 6,23; Qwen2.5-Omni 3B лидирует по пониманию аудио с 54,41; Gemma 4 E4B лидирует по вызову инструментов с 72,40. Честный вывод: конкурентоспособное распознавание, заметный шаг вперёд по качеству голоса и уверенные рассуждения для 2B — но не рекорд ни в одной колонке.

У Dessa нет аналогичной строки, и это отсутствие не является формальностью. Речевая модель, обученная без текста, не имеет нативного интерфейса для JSON-схемы, PDF или вызова API. Block признаёт открытые вопросы на своей странице: насколько эффективно речевая модель усваивает факты и языки и сохраняется ли обучение в контексте без предварительного обучения на тексте. Это разница между убедительным собеседником и универсальным ассистентом, и ни одна из компаний не опубликовала тест, который мог бы это решить.

Лицензия, доступ и кто на основе чего может создавать

Лицензия LFM3-Audio-2B — практическая причина, по которой он выигрывает большинство закупочных обсуждений ещё до того, как речь заходит о качестве. LFM Open License v1.0 разрешает коммерческое использование при годовой выручке ниже $10 млн и требует платной лицензии при превышении этого порога. Веса опубликованы на Hugging Face; в llama.cpp поддержка была включена в PR #31257 27 октября; Ollama указывает сборку размером 2,1 ГБ; Transformers требует версию 5.20.2 или новее с trust_remote_code. Требование к пользовательскому коду — вот что нужно зафиксировать: модель загружается из собственного модуля и читает веса кодека из отдельного каталога, поэтому окружение без фиксации версий — это готовый тикет в поддержку.

У Dessa нет сопоставимого пути. Доступ — это лист ожидания плюс ранний доступ для небольшой группы исследователей безопасности ИИ, которые подают заявку с институциональной электронной почты. Заявленные Block причины — любопытство, взаимодействие человека и ИИ, безопасность — согласуются с тем, чтобы держать голос, считывающий эмоции, в узком кругу. Компромисс в том, что ограниченный доступ и независимая оценка тянут в противоположные стороны. Пока внешняя группа не опубликует цифры, публичные сведения — это клипы вендора плюс впечатления журналистов от клипов вендора.

Есть вторичная издержка, которая редко попадает в сравнения. Скачиваемая модель — это зависимость, которой вы владеете: 2,1 ГБ, процесс, который нужно поддерживать работающим, отсутствие SLA и порог лицензии, за которым нужно следить по мере роста. Модель в листе ожидания — вовсе не зависимость: это результат исследования, на который можно ссылаться, но который нельзя выпустить в эксплуатацию. Для команды, выбирающей голосовой стек, это не две точки на одной прямой. Это два разных решения.

Что нужно голосовому агенту и чего не может дать ни одна из моделей в отдельности

Продакшен-голосовые системы редко обходятся одной моделью. Независимо от того, дуплексный ли фронтенд или работающий по схеме «запрос — ответ», разговор постоянно передаёт работу обычным текстовым моделям: поиск, извлечение, проверка политик, вызов рассуждения во время удерживаемой паузы. Именно на этом слое делегирования возникает разброс затрат, и именно там плохой час у одного провайдера превращается в ваш простой.

Если быть точными насчёт нашего собственного покрытия: LFM3-Audio-2B нет в OrcaRouter, а Dessa — вовсе не API. OrcaRouter предоставляет именно текстовый слой, которому делегирует голосовой агент, — более 200 моделей за одним ключом по цене из прайс-листа провайдера без наценки, автоматическое переключение при сбое провайдера, DSL маршрутизации, который объединяет несколько моделей в один вызов, и слияние моделей, когда суждения одной модели недостаточно. Если вы локально прототипируете с LFM3-Audio-2B, часть цикла, связанная с вызовом инструментов, — это то, что вы уже сегодня можете перевести на этот эндпоинт; аудиочасть остаётся на вашей машине.

Тест, который бы всё решил

Для LFM3-Audio-2B недостающие доказательства конкретны: независимый прогон WER на стандартном наборе, измерение задержки на оборудовании, отличном от M4 Max, и воспроизведение прироста UTMOS кем-то, кто не работает в Liquid. Доработка live-ASR в llama.cpp тоже важна, потому что пакетная транскрипция — это поддерживаемый путь сегодня, а ограничение только английским языком станет проблемой, когда появится потоковый режим.

Для Dessa список короче и сложнее: отложенный набор диалогов, сквозная задержка, включая первую слышимую реакцию, восстановление после прерывания, разборчивость в условиях шума, бюджет данных и вычислений, а также некоторая мера сохранения фактов. Любой из этих пунктов превратил бы демонстрационный ролик в оценку. Все они сделали бы из него продукт.

До тех пор точное описание остаётся узким и полезным. LFM3-Audio-2B — это речевая модель на 2B параметров, которую можно скачать за минуту; она говорит лучше модели, которую заменяет, слушает примерно так же хорошо и пока не имеет независимых подтверждений. Dessa — самая интересная голосовая демонстрация месяца, но проверить её невозможно. Если вам нужно что-то строить в этом квартале, только одно из этих предложений заканчивается развёртыванием.