LFM3-Audio-2B против StepAudio 3: открытая модель 2B против продуктовой линейки с оценками

StepAudio 3 Realtimeк нему привязана цифра по тому критерию, по которому оценивают голосовые продукты: 98,9% в рейтинге Conversational Dynamics от Artificial Analysis, первое место. LFM3-Audio-2Bимеет лицензию. Это не риторическое противопоставление — это фактическое состояние доказательств. Семейство StepFunStepAudio 3вышло 15 сентября 2026 года как пять коммерческих аудиомоделей на одной платформе, с размещением у третьих сторон и предварительной ценой ноль. LFM3-Audio-2B от Liquid AI появилась 27 октября в рамках релиза LFM3 из шести моделей как чекпоинт с открытыми весами на 2B с таблицей от вендора и без независимой оценки. Один — измеренный продукт, который вы арендуете. Другой — неизмеренный файл, которым вы можете владеть. Выбор между ними меньше зависит от качества аудио, чем от того, какое из этих двух предложений описывает ваше ограничение.

Есть соблазн объявить модель, получившую оценку, победителем и на этом остановиться. Сопротивляйтесь этому хотя бы один абзац. Оценка StepAudio 3 Realtime измеряет динамику разговора — очерёдность реплик, восстановление после перебивания, реакции-поддакивания — на размещённой системе с постоянным соединением WebSocket и обучающим набором с приоритетом китайского языка. LFM3-Audio-2B отсутствует в этой таблице, не является дуплексной и не была бы ею измерена, даже если бы кто-то её туда добавил. Эти две модели не конкурируют за одно и то же место в стеке. Полезное сравнение — это то, что каждая из них умеет такого, чего не умеет другая, и сколько вам придётся потратить, чтобы это выяснить.

Что на самом деле представляет собой StepAudio 3

Название охватывает целое семейство, и выбранный вами уровень меняет сравнение. 15 сентября StepFun выпустила пять аудиомоделей: Realtime, ASR, TTS, Gen и Music — все они доступны на её открытой платформе в качестве коммерческих API. Уровень Chat с контекстом 256K и текстовым выводом дополняет набор возможностей для разработчиков.

• StepAudio 3 Realtime — нативная полнодуплексная беседа: модель рассуждает непосредственно по речи, а не сначала транскрибирует её, с вызовом инструментов и асинхронным выполнением длительных задач, пока разговор продолжается. Флагманская модель и наиболее близкий аналог универсальной голосовой модели.

• StepAudio 3 ASR — распознавание: частота ошибок в словах 1,7% в рейтинге точности непоточного ASR от Artificial Analysis, делит первое место.

• StepAudio 3 TTS — потоковый синтез, шесть языков (английский, китайский, японский, корейский, французский, испанский), 12 системных голосов, до 1 000 символов ввода.

• StepAudio 3 Gen — унифицированная генерация голоса, звуковых эффектов, атмосферного фона, фоновой музыки и пения на основе естественного языка; в настоящее время доступна в ограниченном бесплатном предварительном просмотре.

• StepAudio 3 Music — zero-shot генерация песен с многошаговым управлением через ABC-нотацию, преобразованием вокала в аранжировку и каверами.

LFM3-Audio-2B — это один чекпоинт, который пытается выполнять несколько из этих задач одновременно: распознавание, синтез, перевод, понимание аудио и голосовые вызовы инструментов, выбираемые с помощью промпта и профиля обслуживания. Он не генерирует музыку, а его репертуар звуковых эффектов — это то, что получается у универсальной аудиомодели. Что у него есть, так это файл весов. У StepAudio 3 его нет — это семейство коммерческих API, а не открытый релиз, и ни один тариф не поставляется с весами.

Табло, и кто его создал

Цифры StepFun — самая сильная доказательная база в этом сравнении, и их же легче всего переоценить. Показатель 98,9% в Conversational Dynamics — это сторонний результат в рейтинге Artificial Analysis, что делает его более убедительным, чем таблица от поставщика. Показатель 99,7% в речевом рассуждении цитируется StepFun, а не независимо воспроизведён. Частота ошибок в словах ASR 1,7% — это результат в рейтинге Artificial Analysis, разделяющий первое место, и он относится к категории ASR, а не к модели Realtime. Это три разных типа утверждений в одинаковой униформе.

Таблица LFM3-Audio-2B целиком составлена по данным поставщика, и все её показатели приведены относительно его собственного предшественника, LFM2.5-Audio-1.5B: WER для английского ASR — 6,23 против 6,13, мультиязычный WER/CER — 6,03, UTMOSv2 — 3,83 против 3,22, VoiceBench — 73,13 против 55,17, MMAR — 50,60 против 25,85, а внутренняя оценка вызова инструментов — на уровне 58,50. Не названы ни тестовый набор, ни стенд, ни разброс, и мы не смогли найти независимого воспроизведения ни одной строки.

Поставьте их рядом — и при честном взгляде станет видно, что они почти не пересекаются. StepAudio 3 Realtime оценивается по таймингам разговора; LFM3-Audio-2B — по распознаванию, качеству синтеза и аудиорезоннингу. Единственная ось, по которой обе что-то публикуют, — распознавание, и даже там сравнение некорректно: 1,7% у StepAudio — это независимая оценка в рейтинге для уровня ASR, тогда как 6,23 у Liquid — заявленное производителем значение для универсальной аудиомодели на безымянном наборе. Разрыв достаточно велик, чтобы направление, вероятно, было реальным. А вот величина — это не результат измерения, которое обе команды проводили совместно.

Duplex — это архитектурная линейка.

StepAudio 3 Realtime создан для телефонного звонка. Он слушает, пока говорит, обрабатывает перебивание и рассуждает на основе сырого аудио, а не транскрипта; StepFun утверждает, что это сохраняет тон и акценты, которые сгладились бы при переходе через текст. В его документации это разграничение указано явно: Realtime API предоставляет встроенное распознавание речи, управление контекстом, VAD, веб-поиск и извлечение данных; в Chat API всё это необходимо реализовывать самостоятельно.

{{1}}LFM3-Audio-2B{{/1}} создан для обработки запросов. Каузальный аудиокодер позволяет ему выполнять предзаполнение, пока вы говорите, а {{2}}LiquidCodec{{/2}} передаёт речь обратно потоком — 80 мс аудио в 12 токенов, декодируемых примерно в 87 раз быстрее реального времени на одном потоке CPU M4 Max. Показатель времени до первого токена — «всего {{3}}50 ms{{/3}}» — следует из этой архитектуры. Но потоковая передача ответа — не то же самое, что обработка перебивания, и {{4}}Liquid{{/4}} не заявляет о поддержке дуплекса. Если ваш продукт должен работать, когда его перебивают, архитектура решает это раньше любого бенчмарка.

Есть подвох с задержкой на другой стороне. StepAudio 3 Realtime показывает время до первого аудио 8,83 секунды в той же таблице лидеров, где побеждает по динамике разговора, — против 1,18 секунды у Gemini 3.8 Live и 1,24–1,34 секунды у GPT-Live-1. Модель, которая выигрывает в смене реплик, но тратит на начало речи почти столько времени, сколько длится предложение, — это модель, лучшее качество которой вы, возможно, никогда не сможете продемонстрировать в продакшене. Проверяйте задержку раньше качества разговора и, если можете, проверяйте её вне собственной инфраструктуры обслуживания StepFun.

Цена, лицензия и что вы на самом деле покупаете

StepAudio 3 доступен в рамках ограниченного по времени бесплатного предварительного просмотра для всей линейки, при этом для уровня Realtime тариф после окончания preview не объявлен. Для уровня TTS в стороннем каталоге опубликована прайсовая ставка около $0,36 за 10 000 символов, но это не цена Realtime, и её нельзя использовать в качестве таковой. Практический вывод: StepAudio 3 Realtime сегодня можно бесплатно протестировать, но для продакшена цена не определена — хорошее время для тестирования, плохое для построения модели юнит-экономики.

LFM3-Audio-2B требует ресурсов машины, на которой работает. LFM Open License v1.0 бесплатна для коммерческого использования при годовом доходе ниже $10 млн и платная выше этого порога. Сборка Ollama занимает 2,1 ГБ и работает на CPU; поддержка в llama.cpp была добавлена 27 октября; Transformers требует версии 5.20.2 или новее с trust_remote_code, а веса кодека загружаются из отдельного каталога, поэтому зафиксируйте окружение. Поминутной тарификации нет. Также нет SLA, нет пейджера и нет поставщика, которому можно позвонить, когда качество вывода падает.

• Что вы получаете — StepAudio 3 Realtime: коммерческий эндпоинт, текущий флагман, с поддержкой. LFM3-Audio-2B: чекпоинт, лицензия и операционная нагрузка.

• Что можно изучить — StepAudio 3: документация, позиции в таблице лидеров, веса отсутствуют. LFM3-Audio-2B: архитектура, карточка модели, веса, кодек, путь дообучения.

• Структура затрат — StepAudio 3: оплата за вызов, ноль при простое, цена не указана после предпросмотра. LFM3-Audio-2B: фиксированное оборудование, почти нулевые маржинальные затраты, без счётчика.

• Режим отказа — StepAudio 3: квота, регион, проблема с аккаунтом, тикет в поддержку. LFM3-Audio-2B: пейджер у вас.

Языковой охват — не ничья.

LFM3-Audio-2B включает 18 языков в 19 локалях, причём английский присутствует дважды — в вариантах для США и Великобритании. Это широкий список языков синтеза для модели размером 2B, и это самый сильный практический аргумент в её пользу для европейского или многоязычного продукта. Ограничения столь же конкретны: live ASR работает только на английском, а перевод наиболее силён в направлении с английского и на английский.

StepAudio 3 ориентирован в первую очередь на китайский. Документация уровня Realtime не публикует полный список языков; уровень TTS этого семейства охватывает шесть языков, а уровень ASR построен вокруг китайского и английского с обработкой диалектов, переключением кода, длинным аудио и пением. Если ваш трафик — это мандаринский с примесью английского, стек StepFun создан для такой нагрузки, а стек Liquid — нет. Если ваш трафик — шведский и нидерландский, 18-языковой чекпоинт — единственный из двух, который заявляет о поддержке.

Где маршрутизатор уместен, а где нет

StepAudio 3 отсутствует в каталоге OrcaRouter, и LFM3-Audio-2B тоже — один представляет собой закрытый API, другой — загрузку. Так что истории о переключении при сбое между этими двумя нет, и нет причин делать вид, что это не так.

Слой маршрутизации важен на уровень выше — именно там на самом деле сосредоточена сложность голосовых агентов. StepAudio 3 Realtime поддерживает вызов инструментов и длительные асинхронные задачи, а значит, разговор постоянно передаёт работу обычным текстовым моделям: поиск, извлечение, проверку политик. Именно на этом слое делегирования возникают сбои провайдеров и разброс затрат. OrcaRouter предоставляет более 200 текстовых и мультимодальных моделей за одним ключом по прайс-листовой цене провайдера без наценки, с автоматическим переключением при сбое, DSL маршрутизации, который объединяет несколько моделей в один вызов, и слиянием моделей, когда суждения одной модели недостаточно. Для прототипа на LFM3-Audio-2B это та половина стека, которую уже сегодня можно разместить за эндпоинтом, пока аудиомодель остаётся локальной.

Три вопроса, которые всё решают

Вам нужен разговор, который можно прервать?

Тогда StepAudio 3 Realtime — единственный из этих двух, кто заявляет такое поведение, и это правильная отправная точка, несмотря на вопрос задержки. LFM3-Audio-2B работает по схеме запрос-ответ; никакая тонкая настройка не изменит интерфейс. Проверьте показатель 8,83 секунды до первого аудио в своей сети, прежде чем принимать решение.

Вам нужно владеть моделью или работать без подключения к сети?

Тогда LFM3-Audio-2B — единственный вариант здесь, а порог лицензии — это число, которое нужно сопоставить с вашей выручкой. Примите контекст 32K, ASR в реальном времени только на английском и отсутствие независимой оценки. Прогоните через него собственные записи, прежде чем доверять приросту UTMOS.

Достаточно ли оценки поставщика для выбора?

Пока нет, и причина не в том, что цифры StepFun слабые. Дело в том, что оценки измеряют разные вещи в разных харнессах, а модель без оценки не допускается к таблице, которая дала наиболее цитируемую цифру. Нейтральное очное сравнение на одном и том же наборе диалогов решило бы больше, чем таблица любого из вендоров. Пока его нет, выбор — это вопрос ограничений, а не качества.

Вердикт

StepAudio 3 Realtime выигрывает по оси, которую рынок сейчас измеряет, — динамике диалога — и имеет более прочную доказательную базу, поскольку часть её подготовила третья сторона. У него также остаётся нерешённая проблема с задержкой, нет опубликованной цены после предварительной версии, отсутствуют веса и языковой профиль с приоритетом китайского языка. Это лучший выбор для голосового агента реального времени, ориентированного на китайских и английских пользователей, при условии, что тест задержки будет пройден, а цена предварительной версии не обернётся неприятным сюрпризом.

LFM3-Audio-2B выигрывает по владению и широте синтеза, но проигрывает по доказательности. Ему четыре дня, его цифры заявлены поставщиком, его ASR находится в середине его собственной таблицы, а в лицензии есть порог по выручке. Это лучший выбор для офлайн-продукта, многоязычного голоса или команды, которая не может принять оплату за каждый вызов, — и единственный из двух, который вы можете полностью оценить на собственном оборудовании на этой неделе.

На что обратить внимание — одинаково с обеих сторон: нейтральная оценка, которая ставит дуплексную модель и модель «запрос — ответ» на один и тот же набор диалогов, и опубликованная цена StepAudio 3 в продакшене. Первое показало бы, действительно ли 2B-чекпоинт Liquid ближе к передовому уровню, чем можно судить по его документам. Второе показало бы, сохраняется ли преимущество StepFun, когда дело доходит до счёта.