LFM3-Audio-2B vs Qwen-Audio-3.1: один чекпоинт — множество измерений

Спросите, сколько стоит Qwen-Audio-3.1 — и первый честный ответ будет встречным вопросом: какой именно? Это название охватывает многоуровневую линейку облачных речевых моделей — модель двустороннего общения в реальном времени, тариф realtime flash, потоковую и файловую транскрипцию, а также две модели синтеза — и у каждого уровня своя тарифная сетка. LFM3-Audio-2B — объект противоположного рода: один чекпойнт на 2B от Liquid AI, выпущенный 27 октября 2026 года в составе семейства LFM3 из шести моделей, доступный для скачивания по LFM Open License v1.0, со сборкой Ollama размером 2,1 ГБ и без какого-либо счётчика за вызов. Их сравнение — это не сравнение качества звука. Это сравнение двух моделей оплаты, и арифметика складывается по-разному в зависимости от того, стабилен ли ваш трафик, имеет ли он пики или пока остаётся гипотетическим.

Формы выпуска тоже важны, потому что они задают ожидания от документации. Qwen-Audio-3.1 — релиз, ориентированный прежде всего на каталог: идентификаторы моделей документированы в Alibaba Cloud Model Studio, каждая описана одной-двумя строками, цена указана за токен, веса не опубликованы, а число параметров публично не раскрыто. LFM3-Audio-2B — релиз, ориентированный прежде всего на веса: репозиторий, карточка модели, принятый пул-реквест в llama.cpp и один абзац в публикации вендора о семействе. Один — это линейка продуктов, которую вы арендуете. Другой — это файл, которым вы владеете. Все практические различия ниже следуют из этого.

Что на самом деле охватывает это название

Qwen-Audio-3.1 — это не один эндпоинт, и отношение к нему как к одному — самая распространённая ошибка при сравнении. Уровни выполняют разные задачи:

• qwen-audio-3.1-realtime-flash — дуплексная речь в реальном времени, приём и выдача текста и аудио, с вызовом функций, веб-поиском, клонированием голоса и тремя режимами определения смены реплики. Это ближайший аналог LFM3-Audio-2B и именно тот ценовой уровень, который рассматривается в этой статье.

• qwen-audio-3.1-realtime-plus — более функциональный тариф realtime. Alibaba документирует для него преобразование аудио со скоростью 12,5 токена в секунду и взимает существенно более высокую плату за выходные данные, чем тариф flash. Другой продукт — другой счёт.

• qwen-audio-3.1-asr-flash-streaming — потоковое распознавание с промежуточными результатами, VAD, горячими словами и удалением дисфлюэнций. Без вывода речи.

• qwen-audio-3.1-asr-flash-filetrans — та же задача распознавания, выполняемая пакетно для файла.

• Qwen-Audio-3.1-TTS и TTS-Next — синтез, при этом модель Next позиционируется как модель «Audiogen» для голоса, звуковых эффектов и атмосферного фона за один проход на частоте 48 кГц.

LFM3-Audio-2B объединяет эти задачи в один чекпоинт. Распознавание, синтез, перевод, понимание аудио и голосовые вызовы инструментов — это режимы одной и той же модели 2B, выбираемые промптом и профилем обслуживания. Не нужно выбирать SKU, и нет отдельного счётчика для говорения и слушания. В обмен на простоту приходится жертвовать гранулярностью: нельзя платить только за распознавание, когда нужно только распознавание, потому что в любом случае запускается вся модель.

Счёт, рассчитанный

Alibaba публикует тарифы на qwen-audio-3.1-realtime-flash в долларах США за миллион токенов. В Сингапуре: текстовый ввод — $0,23, аудиоввод — $0,93, текстовый вывод — $0,70, аудиовывод — $1,87. В Пекине немного дешевле: $0,212, $0,848, $0,636 и $1,696. Лимиты: 60 запросов в минуту и 100 000 токенов в минуту, отдельного ограничения на число одновременных подключений WebSocket нет. Контекстное окно — 262 144 токена, при этом максимальный ввод — 245 760, а вывод — 16 384; однако аудиоистория ограничена 50 репликами или 300 суммарными секундами — именно в этот предел и упирается долгий разговор.

LFM3-Audio-2B не имеет тарифной сетки, поскольку Liquid не продаёт его как эндпоинт. Стоимость — это машина, на которой вы его запускаете, загрузка объёмом 2,1 ГБ и лицензионный порог: бесплатно для коммерческого использования при годовой выручке ниже 10 млн долларов, платно — выше этого порога. На ноутбуке это почти ноль; на GPU это то, что вы уже платите за простаивающие мощности. Кодек — это заявление об эффективности, о котором стоит знать: LiquidCodec упаковывает 80 мс речи в 12 токенов и декодирует примерно в 87 раз быстрее реального времени на одном потоке CPU M4 Max, — но это характеризует кодек, а не языковую модель, и не должно восприниматься как сквозная пропускная способность на вашем оборудовании.

Теперь часть, которая всё решает. Облачная модель реального времени тарифицируется за токен разговора, включая генерируемое ею аудио, а затраты голосового агента приходятся на вывод. Самостоятельно размещённая модель тарифицируется за час работы оборудования, независимо от того, говорит ли кто-нибудь. Для контакт-центра с постоянной нагрузкой фиксированная стоимость амортизируется, и почасовая цифра может оказаться ниже любого тарифного плана. Для продукта с пиковой нагрузкой — команда комплаенса, которая транскрибирует тысячу звонков в последний день квартала и ничего в течение одиннадцати недель — тарификация за вызов выигрывает, потому что счёт за GPU идёт и во время тишины. Ни одна из этих схем не дешевле в общем случае. Они дешевле при разном уровне загрузки.

Покрытие, задержка и утверждения, которые не соответствуют требованиям

• Языки — LFM3-Audio-2B: 18 языков, 19 локалей, при этом потоковое ASR ограничено английским, а перевод наиболее силён в направлении с английского и на английский. Qwen-Audio-3.1: документация Alibaba для уровня realtime flash не публикует список языков; её уровни распознавания описаны применительно к путунхуа, кантонскому, сычуаньскому и другим китайским диалектам, с автоматическим определением языка. Считайте покрытие Qwen неизвестным, пока документация не перечислит его.

• Задержка — LFM3-Audio-2B: «всего 50 мс» до первого токена, по измерению поставщика на конкретно указанном оборудовании Apple, без указания процентиля или методики тестирования. Qwen-Audio-3.1: заявленный Alibaba рекламный показатель семейства — 92 мс до первого токена — получен в собственном бенчмарке с высокой конкурентностью на спецификации 0.6B, а не в стороннем тестировании. Ни то, ни другое не является типичным значением.

• Дуплекс — LFM3-Audio-2B: схема «запрос — ответ» с потоковой передачей; причинный энкодер позволяет выполнять предзаполнение, пока вы говорите, но поддержка перебивания не заявлена. Qwen-Audio-3.1 realtime-flash: явно дуплексный, с серверным VAD и режимом smart-turn, который обрабатывает перебивания.

• Контекст — LFM3-Audio-2B: 32K токенов, ввод плюс вывод. Это не та цифра 256K, которая повторяется в некоторых материалах о LFM3; она относится к текстовой модели. Qwen-Audio-3.1 realtime-flash: 262K токенов, при указанном выше ограничении на аудиоисторию.

Именно эта дуплексная линейка меняет архитектуру. Если ваш продукт должен допускать прерывание посреди предложения, LFM3-Audio-2B — модель не той формы, и никакой промпт этого не исправит. Если ваш продукт читает запись и отвечает на вопрос о ней, дуплекс не имеет значения, а чекпоинт 2B — более простой объект.

Кто что измерил

Liquid публикует шесть показателей для LFM3-Audio-2B, все — в сравнении с собственной предыдущей моделью LFM2.5-Audio-1.5B: WER для английского ASR 6,23 (против 6,13, без изменений), многоязычный WER/CER 6,03, UTMOSv2 3,83 (против 3,22), VoiceBench 73,13 (против 55,17), MMAR 50,60 (против 25,85) и внутренняя оценка вызова инструментов на 58,50. Не указаны ни тестовый набор, ни харнесс, ни разброс. Мы не смогли найти независимого воспроизведения ни одного из этих показателей.

Доказательства Qwen имеют иной характер. Есть технический отчёт «Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction», в котором сообщается, что успешность выполнения задач в полудуплексной адаптации τ-Voice для распознавания речи повысилась с 78,4% до 82,0%, а доля ответов на фоновую речь в Full-Duplex-Bench v1.5 снизилась с 73,0% до 13,0%. Это две цифры, приведённые в аннотации; в основной части есть таблицы на уровне моделей, но я не проверял их с помощью тестового стенда, и эта статья — отчёт вендора, а не независимая оценка.

Итак, честная картина такова: у одной модели есть таблица от поставщика, но нет статьи, у другой есть статья от поставщика, но нет воспроизводимого стенда, и ни одна из них не фигурирует в нейтральной таблице под собственным названием. Любая статья, которая ставит их числа в соседние столбцы, выстраивает два неподтверждённых утверждения и позволяет вёрстке делать убедительную работу.

Где именно помещается роутер

Ни LFM3-Audio-2B, ни Qwen-Audio-3.1 нет в каталоге OrcaRouter, поэтому в отношении самого речевого слоя утверждать что-либо о маршрутизации нельзя. Слой над ним — совсем другое дело. Голосовому продукту, построенному на любой из этих моделей, всё равно нужна текстовая модель, чтобы суммировать, классифицировать, извлекать данные или решать, что агент скажет дальше, и именно на этом вызове фактически варьируются стоимость и надёжность.

OrcaRouter размещает более 200 текстовых и мультимодальных моделей за одним ключом по каталожной цене провайдера без наценки, с автоматическим переключением при сбое между провайдерами и DSL маршрутизации, позволяющим объединять несколько моделей в один вызов. Для этого сравнения полезен шаблон A/B: пропустите одни и те же записанные разговоры через qwen-audio-3.1-realtime-flash и через LFM3-Audio-2B на собственном оборудовании, затем отправьте обе расшифровки в одну и ту же нижестоящую модель на одном и том же эндпоинте. Сравнение остаётся чистым, а текстовая часть никогда не становится переменной, которую вы забыли проконтролировать.

Какой счёт выбрать

Выбирайте Qwen-Audio-3.1 realtime-flash, если вам нужен дуплексный диалог, стек распознавания с приоритетом китайского языка, контекст в 262K или SLA от вендора — и если ваш трафик настолько неравномерен, что оплата за токены становится преимуществом. Внимательно читайте названия тарифов, прежде чем называть цену: realtime-plus и realtime-flash — это не один и тот же продукт, и именно тариф на вывод определяет счёт голосового агента.

Выбирайте LFM3-Audio-2B, если вам нужно владеть моделью, работать офлайн, избегать поминутной тарификации или синтезировать речь на 18 языках на ноутбуке. Примите контекст 32K, ASR в реальном времени только на английском, лицензионный порог и тот факт, что точность распознавания у модели средняя в сравнении самого производителя.

Погодите, если вам нужно число, которое можно отстоять перед отделом закупок. Ни у одной из моделей его пока нет. Первая независимая оценка на общем аудиокорпусе — не таблица поставщика, не статья поставщика — будет стоить больше, чем все приведённые выше цифры, и именно за ней стоит следить, прежде чем любая из них станет стандартом.