LFM3-Audio-2B vs Voxtral 3: скачивание объёмом 2.1 GB против голосовой платформы

Честный способ начать сравнение между LFM3-Audio-2B и Voxtral 3 — сказать, что никто не опубликовал прогона такого сравнения. Liquid AI опубликовала таблицу бенчмарка для своей аудиомодели с 2 млрд параметров, а Mistral — для своего набора речевых моделей, и эти две таблицы почти не имеют общих строк. Там, где они всё же пересекаются, измеряемые модели относятся к разным поколениям. Любой, кто говорит вам, какая из них «лучше» по бенчмарку, сравнивает число из одного тестового стенда с числом из другого и надеется, что вы не станете проверять.

Так что этот фрагмент делает нечто менее аккуратное и более полезное. Он отделяет вопрос, на который вы можете ответить, от того, на который ответить не можете. Вы пока не можете сказать, какая модель лучше транскрибирует немецкий, потому что у них нет общего многоязычного теста. Вы можете уверенно сказать, опираясь на документацию самих двух поставщиков, что это вовсе не продукты одного типа: один — это файл размером 2,1 ГБ, который вы запускаете сами, а другой — конвейер из четырёх моделей с прилагаемым SDK для телефонии и без загружаемых весов.

Эта разница определяет исход большинства реальных внедрений ещё до того, как будет рассмотрена хотя бы одна цифра WER. Остальная часть статьи посвящена случаям, где это не так.

Voxtral Liquid, прошедший бенчмарк, — это не тот Voxtral, с которым вы сравниваете.

В карточке модели Liquid LFM3-Audio-2B стоит рядом с шестью конкурентами, и один из них — Voxtral. Строка подписана Voxtral Mini 3B, и на английском ASR он превосходит модель Liquid: частота ошибок в словах — 5,51% против 6,23%. Это единственное прямое сравнение с Voxtral, опубликованное Liquid, и его легко прочитать как «аудиомодель Mistral транскрибирует точнее».

Это не то сравнение, которое подразумевает заголовок. Voxtral Mini 3B — это mistralai/Voxtral-Mini-3B-2507, модель с 3 млрд параметров, выпущенная в июле 2025 года под лицензией Apache 2.0 и созданная для локального и периферийного развёртывания. Она появилась на пятнадцать месяцев раньше Voxtral 3 и относится к другому поколению продукта. В линейке Mistral от 20 октября 2026 года нет модели под названием Voxtral Mini 3B; её самая маленькая модель транскрибации — Voxtral Mini Transcribe 3 с 4 млрд параметров и стоимостью $0,0035 в минуту.

Внутри таблицы также есть несоответствие. В столбце параметров в этой строке указано 5B, хотя строка названа в честь модели 3B. Это не причина не доверять показателям WER, которые взяты из поименованной оценки — ESB и набора Open ASR leaderboard, усреднённых. Это причина прочитать заголовки столбцов в таблицах поставщиков, прежде чем читать цифры.

Последствие стоит назвать прямо, потому что это самый полезный факт в этой статье: не существует опубликованного прямого сравнения LFM3-Audio-2B с какой-либо моделью Voxtral 3. Ни от Liquid, ни от Mistral, ни от независимого оценщика. Liquid сравнила свою новую модель с аудиомоделью Mistral с открытыми весами 2025 года, что является оправданным выбором для честного сравнения открытой модели с открытой — и это также единственный вид сравнения, возможный сейчас, поскольку Voxtral 3 не поставляется с весами. Сравнение аудиомоделей с открытыми весами 2026 года вообще невозможно провести с Voxtral 3.

Что на самом деле представляют собой эти два продукта

Асимметрию легче увидеть в форме релиза, чем в спецификациях.

LFM3-Audio-2B — одна из моделей, выпущенная 27 октября 2026 года в составе семейства LFM3 из шести моделей. Она принимает на вход текст или аудио с частотой 16 кГц и выдаёт текст, речь с частотой 24 кГц или чередующиеся текст и речь, а также вызовы инструментов. Новый собственный причинный аудиокодер позволяет ей выполнять предзаполнение, пока вы ещё говорите. Её LiquidCodec токенизатор сжимает 80 миллисекунд речи в 12 дискретных токенов, декодируемых параллельно, а не последовательно, примерно в 87 раз быстрее реального времени на одном потоке CPU M4 Max — это показатель пропускной способности кодека, а не требование к аппаратному обеспечению.

Voxtral 3, представленный 20 октября 2026 года, — это набор: пакетный транскрибатор, второй, более компактный пакетный транскрибатор, потоковый транскрибатор, модель TTS, продукт для адаптации голоса и SDK голосового агента на базе LiveKit, который объединяет их через SIP и WebRTC. Вы не выбираете Voxtral 3. Вы выбираете конвейер, а Voxtral 3 поставляет его этапы.

• Веса — LFM3-Audio-2B поставляется с открытыми весами по лицензии LFM Open License v1.0; Voxtral 3 не публикует доступных для скачивания весов, а в материалах запуска Mistral вместо этого описываются API-доступ, playground'ы Studio и развертывание в частной инфраструктуре.

• Размер — 2,1 ГБ в Ollama против эндпоинта; файла Voxtral 3, чтобы оценить размер, нет.

• Контекст — 32K токенов для LFM3-Audio-2B, вход и выход. Mistral вообще не публикует значение контекста для транскрибаторов; вместо этого цена рассчитывается по минутам.

• Модальности — LFM3-Audio-2B обеспечивает any-to-any в одной модели: слышит, говорит, понимает, переводит, вызывает инструменты. Voxtral 3 распределяет всё это по отдельным моделям и эндпоинтам; транскрайберы и модель TTS — не одна и та же система.

• Лицензия — LFM Open License v1.0, бесплатно для коммерческого использования при годовом доходе менее 10 млн долларов; Voxtral 3 — коммерческий API, условия которого применяются к каждому вызову.

• Диаризация и контекстное смещение — Voxtral 3 поддерживает и то, и другое: cpWER 18,4% на собственном наборе Mistral для диаризации, а полнота ключевых фраз возрастает с 81,4% до 94,6%, если передать контекст. LFM3-Audio-2B не заявляет ни одной из этих возможностей.

Языковое покрытие — единственный пробел, который пока далёк от закрытия.

LFM3-Audio-2B поддерживает 18 языков в 19 локалях, перечисленных на карточке: арабский, датский, немецкий, греческий, английский (британский и американский варианты считаются отдельно), финский, французский, иврит, итальянский, японский, корейский, нидерландский, польский, португальский, испанский, шведский, турецкий и китайский. Он оценивает многоязычное ASR на девяти из них и сообщает средний коэффициент ошибок 6,03 на FLEURS, используя коэффициент ошибок символов для китайского, японского и корейского.

Функции транскрибации Voxtral 3 поддерживают 50 или более языков. Модель реального времени указывает 35+ в одном месте страницы и 40+ в другом — подобное несоответствие обычно означает, что цифра изменилась в неделю запуска, а текст никто не привёл в соответствие.

Если ваше аудио поступает на вьетнамском, хинди, русском, норвежском или каталанском, LFM3-Audio-2B его не указывает, а Voxtral 3 говорит на всех пяти — они входят в восемнадцать языков голосовых пресетов, которые называет Mistral. По всему списку мы не смогли найти язык, который поддерживает Liquid и который, как утверждается, не покрывают 50+ языков транскрипции Mistral. Честная оговорка: Mistral публикует свой список голосовых пресетов полностью, а охват транскрипции — только в виде количества, поэтому часть этого сравнения — это список против числа.

В собственной документации Liquid есть более острый нюанс. Режим live ASR модели — тот, что транскрибирует по мере поступления аудио, фрагментами примерно по 0,96 секунды, — поддерживает только английский. Пакетная транскрипция охватывает весь список из 18 языков; потоковый путь — нет. Всем, кто планирует функцию субтитров в реальном времени на нескольких языках на базе LFM3-Audio-2B, стоит перечитать эту строку дважды, потому что она исключает модель для этой задачи независимо от таблицы WER.

Две цифры задержки, которые измеряют не одно и то же

Liquid рекламирует время до первого токена «всего 50 мс». Mistral рекламирует менее 500 мс для своего транскрайбера в реальном времени и полный цикл работы агента менее чем за одну секунду. Эти числа несопоставимы, и разница не является ошибкой округления.

Показатель в 50 мс относится к тракту «речь — речь»: каузальный энкодер начинает обработку до того, как вы закончите предложение, поэтому модель может начать выдавать первый токен своего ответа, пока аудио всё ещё поступает. Это утверждение об интерактивности в разговорной модели. Показатель менее 500 мс — это задержка транскрипции, то есть задержка перед появлением текста, и собственные таблицы Mistral показывают, во что это обходится. В её бенчмарке реального времени Voxtral Mini Transcribe Realtime 3 при задержке 960 мс показывает 6,0% WER; при 480 мс — 6,4%; при 240 мс — 7,4%. Задержка и точность находятся в прямой обратной зависимости, и Mistral позволяет выбрать точку на этой кривой.

Liquid не публикует эквивалентную кривую. Вместо этого публикуется нижняя граница — 50 мс — без указания оборудования, без набора тестов и без данных о точности при такой задержке. Эта нижняя граница может быть реальной. Но это ещё не спецификация, на которую можно опираться при планировании продукта.

Расчёт стоимости: не утверждение, а вычисление

Сравнение модели с открытыми весами и API с поминутной оплатой сводится к объёмам, а арифметика достаточно проста, чтобы всё правильно посчитать.

Транскрипция, 1 000 часов аудио — 60 000 минут. Voxtral Mini Transcribe 3 по цене $0,0035 за минуту обойдётся в $210. Voxtral Small Transcribe 3 по $0,004 — в $240. Voxtral Mini Transcribe Realtime 3 по $0,008 — в $480. LFM3-Audio-2B бесплатно скачивается и работает на оборудовании, которое у вас уже есть, поэтому его предельные издержки — это электроэнергия.

Синтез речи, 1 000 часов — при примерно 900 символах на минуту речи это 54 миллиона символов. Voxtral Mini TTS 3 при цене $13 за миллион символов обойдётся в $702. LFM3-Audio-2B ничего не стоит за символ и предлагает два варианта голоса — мужской и женский, выбираемых с помощью промпта. Voxtral клонирует голос по 30 минутам аудио и предоставляет управление эмоциями, темпом и акцентированием.

Голосовой агент в реальном времени, 1000 часов разговора — Mistral оценивает стоимость собранного конвейера в $0,04 за минуту, когда рассуждения выполняет Mistral Small 4, и в $0,08 с более крупной моделью. Это от $2400 до $4800. LFM3-Audio-2B обрабатывает слух и речь локально, но ему всё равно нужна модель рассуждения для всего, что выходит за пределы его собственных возможностей, и в его карточке прямо сказано, что он не рекомендуется для сложных многошаговых рассуждений.

Теперь часть, которую обычно опускают: точка безубыточности. Машина за $1 000 окупается примерно после 4 760 часов Voxtral Mini Transcribe 3 — это примерно 200 дней непрерывного аудио или полтора года при восьми часах в день. При малых объёмах API дешевле покупки оборудования, и он дешевле в день, когда вы начинаете. Вариант с открытыми весами не «бесплатный». Это «фиксированные затраты вместо предельных», и он выигрывает только тогда, когда есть объём, требование к приватности жёсткое или у устройства нет сети.

Роутер оправдывает своё место в этой картине не на какой-либо из аудиомоделей — ни LFM3-Audio-2B, ни Voxtral 3 сегодня нет в каталоге OrcaRouter, и мы не собираемся делать вид, что это не так. Он нужен на этапе рассуждений, который в итоге требуется обеим архитектурам. Голосовой агент — это цепочка: транскрибировать, рассуждать, говорить. Среднее звено — это облачная LLM, и именно оно выигрывает от единого ключа к более чем 200 моделям, цен из прайс-листов провайдеров передаваемых с наценкой 0%, так что изменение цены у поставщика доходит до вас в тот же день, и автоматическое переключение при сбое, когда у провайдера случается неудачный час посреди звонка.

Что проверено, а что нет

Здесь задействованы три уровня доказательств, и именно их смешение приводит к ошибочным сравнениям.

Измерено независимо. У качества транскрипции Voxtral 3 есть сторонние цифры: Artificial Analysis поставила Voxtral Small Transcribe 3 на 2,1% WER в собственном индексе — третье место в общем зачёте по состоянию на 21 октября 2026 года, а Voxtral Mini Transcribe 3 — на 2,2%. Его TTS занял 13-е место на Provider Voice arena с 1 217 Elo и 14-е место на Controlled Voice с 1 066 — середина рейтинга, и об этом стоит сказать прямо, учитывая, что в публикации Mistral в соцсетях его назвали вошедшим в топ-12.

Заявлено поставщиком, не воспроизведено.Все приведённые в этой статье показатели LFM3-Audio-2B — собственные данные Liquid: 6.23 WER на английском, 6.03 для многоязычного набора, 3.83 UTMOSv2, 73.13 VoiceBench, 58.50 во внутренней оценке вызова инструментов и 50.60 MMAR. На момент написания статьи записи о модели в Artificial Analysis нет, и ни одна третья сторона не опубликовала результаты воспроизведения. Считайте их заявлениями, а не измерениями.

Их вообще нельзя сравнивать. Показатель Liquid — 6,23% WER на английском, результат Mistral — 4,0% на FLEURS, а 2,1% от Artificial Analysis — это три разных теста на трёх разных наборах аудио. Не вычитайте их друг из друга. Единственное сравнение в одинаковых условиях, которое опубликовала Liquid, — с Voxtral Mini 3B, открытой моделью 2025 года с открытыми весами. Там 2B от Liquid набирает 6,23 против 5,51 у Voxtral в английском ASR, но превосходит её в многоязычном ASR — 6,03 против 7,76, VoiceBench — 73,13 против 65,78, MMAR — 50,60 против 50,10 и вызове инструментов — 58,50 против 44,50.

Что здесь на самом деле означает «тихий релиз»

LFM3-Audio-2B не получил отдельного запуска, и это различие имеет значение, если вы решаете, насколько доверять документации.

Liquid анонсировала семейство LFM3 27 октября 2026 года в посте под названием «Представляем LFM3: все модальности для специализированного интеллекта». Аудиомодель фигурирует там как одна из шести, в одном из разделов — отдельного поста в блоге про LFM3-Audio нет, как нет и отдельного запуска или собственной страницы продукта. Веса и карточка модели полностью готовы и общедоступны. Листинг в Ollama, ollama run lfm3-audio объёмом 2,1 ГБ, появился 28 октября без соответствующего анонса ни от Liquid, ни от Ollama — вместе с пул-реквестом в llama.cpp, добавившим аудио- и omni-модели, при этом живой ASR отложен до последующего обновления.

Итак, формулировка такова: артефакт реальный и задокументированный, запуск был всего лишь абзацем в анонсе семейства, а поддержка локального рантайма появилась днём позже — тихо. Практически это означает, что источником истины является карточка модели — не пост о запуске, потому что его нет, — и в карточке необычно конкретно перечислены ограничения, что говорит в её пользу. В ней LiveASR указана как англоязычная. В ней сказано, что модель не предназначена для агентного программирования или сложных многошаговых рассуждений. Задачи, требующие большого объёма знаний, она отправляет в поиск. Производитель, скрывающий слабую модель, обычно такого не пишет.

Кто что должен взять?

Выбирайте LFM3-Audio-2B, если аудио не может покидать устройство, если вам нужна одна модель, которая и слышит, и говорит без объединения двух сервисов, если ваши языки входят в число её восемнадцати, и если объём вашей нагрузки достаточно велик, чтобы фиксированная стоимость оборудования была выгоднее поминутного тарифа. Это также правильный выбор для прототипирования голосового интерфейса вообще без закупок — 2,1 ГБ и одна команда Ollama. Примите тот факт, что её английский ASR отстаёт от последнего поколения открытого Voxtral, что потоковая передача доступна только на английском, и что ни один независимый оценщик не проверял ни одной её цифры.

Выбирайте Voxtral 3, если вы создаёте агента для телефонии, а не функцию модели. Этот комплект предназначен для сборки: транскрайбер, модель рассуждений, TTS — через SIP и WebRTC, причём перебивание и определение конца реплики уже решены. Выбирайте его также, если вам нужны 50+ языков, диаризация, контекстная подстройка под имена и жаргон или клонирование голоса — четыре возможности, которых LFM3-Audio-2B не предлагает ни в каком виде. Обратная сторона в том, что вы не можете скачать его, не можете изучить его, а ваши расходы линейно растут с каждой минутой обслуживания — и так будет всегда.

Берите оба если архитектура позволяет, а она часто позволяет. Запускайте LFM3-Audio-2B на устройстве для слова-активатора, локальной диктовки и офлайн-сценария; отправляйте вызовы, которым нужно многоязычное покрытие, диаризация или клонированный голос, в Voxtral 3. Эти два не конкурируют за одно и то же место в стеке. Один — модель внутри вашего продукта; другой — поставщик, к которому вы обращаетесь, когда продукт — это телефонная линия.

Сравнение, за которым стоит следить

Две вещи решили бы этот вопрос должным образом, но ни одной из них пока не существует.

Первый — это независимая оценка LFM3-Audio-2B на том же стенде, который Artificial Analysis использует для моделей Voxtral 3. Одно это число — индекс WER на общем тесте — превратило бы самое важное утверждение в таблице Liquid из заявления вендора в измерение и показало бы, действительно ли 2B-модель, работающая на ноутбуке, находится в пределах одного пункта от хостируемой 4B-модели.

Второй вопрос — выпустит ли Mistral когда-либо веса Voxtral 3. Аудиомодели компании 2025 года были открытыми под Apache 2.0; набор 2026 года — нет. Если это изменится на обратное, справедливое сравнение открытых моделей с открытыми, которое Liquid решила опубликовать, снова станет актуальным, а главная оговорка этой статьи перестанет действовать.

Пока не произойдёт одно из этих событий, наиболее обоснованной остаётся самая невыигрышная позиция. По широте возможностей Voxtral 3 побеждает с отрывом, который не закроет никакой спор о бенчмарках: пятьдесят языков, диаризация, клонирование, телефония. По развёртываемости LFM3-Audio-2B выигрывает с не меньшим отрывом, потому что из этих двух только его можно подержать в руках. Всё, что между ними, — это число из таблицы одного поставщика рядом с числом из таблицы другого, а честный ответ на вопрос «который точнее» таков: никто это не измерял.