LFM3-Audio-2B vs Dessa: En du kan ladda ner, en du bara kan höra

Liquid AI:s LFM3-Audio-2B är en checkpoint med 2B parametrar, öppen licens, ett Hugging Face-repository och en 2,1 GB stor version som du kan hämta till en laptop. Blocks Dessa är en full-duplex-talmodell som annonserades den 23 oktober 2026 bakom en väntelista, utan vikter, utan parameterantal, utan API och utan publicerad benchmark. Ställer man dem sida vid sida kollapsar den vanliga jämförelsen innan den ens har börjat: den ena kan köras, finjusteras och mätas av vem som helst som läser det här, och den andra kan man bara lyssna på. Den användbara frågan är inte vilken som låter bättre. Det är vad respektive företag valde att publicera, och vad det valet gör att du kan göra på måndag morgon.

Båda anländer med samma varningsetikett, från motsatta håll. LFM3-Audio-2B släpptes den 27 oktober 2026 som en del av LFM3-familjens lansering med sex modeller, och ljudgrenen fick ett stycke i Liquids familjeinlägg plus ett modellkort. Det finns inget fristående tillkännagivande med rubriken "Introducing LFM3-Audio", ingen prisuppgift för ljud på Liquids webbplats och – vid tidpunkten för detta skrivande – ingen oberoende benchmarkkörning av modellen någonstans. Dessa har det motsatta problemet: ett dussin kurerade samtalsinspelningar och nästan ingen specifikation. Inget av företagen har gett en utomstående tillräckligt för att reproducera ett resultat.

Vad var och en faktiskt publicerade

Skalar man bort adjektiven blir själva underlaget kort. Allt nedan kommer från Liquids modellkort, deras familjeinlägg eller Blocks eget tillkännagivande; ingenting har verifierats oberoende.

• Vad du får — LFM3-Audio-2B: en BF16-checkpoint, GGUF- och MLX 4-bit-konverteringar, en tokenizer och codec-vikter i en separat audio_tokenizer-katalog. Dessa: ett formulär för väntelista och en uppsättning videoklipp.

• Storlek — LFM3-Audio-2B: 2B parametrar, 2,1 GB som Ollama-bygget. Dessa: ej angivet. Block säger att den får plats på en MacBook Pro M4 Max, vilket antyder en modell som är tillräckligt liten för 128 GB enhetligt minne, men det är en slutledning, inte en siffra.

• Indata och utdata — LFM3-Audio-2B: text eller 16 kHz-ljud som indata; text, 24 kHz-tal eller växelvis text och tal som utdata. Dessa: ljud som indata, ljud som utdata, utan text som mellansteg någon gång.

• Kontext – LFM3-Audio-2B: 32K token som täcker indata och utdata. Detta är inte den 256K-siffra som upprepas i viss LFM3-bevakning; den tillhör textmodellen LFM3-1.7B. Dessa: inte publicerad.

Licens — LFM3-Audio-2B: LFM Open License v1.0, gratis för kommersiell användning under 10 miljoner USD i årlig intäkt. Dessa: inga vikter, så ingen licens att läsa.

• Benchmark — LFM3-Audio-2B: en leverantörstabell med sex rader. Dessa: inga.

Den sista raden är där jämförelsen blir intressant. Liquid publicerade siffror och inget oberoende vittne. Block publicerade vittnen – journalister som lyssnade på samma klipp – och inga siffror. En läsare som försöker välja mellan dem väljer vilken sorts lucka den ska tolerera.

Den enda fördelen Dessa har som inte kan laddas ner

Dessa är byggd för fullduplex: den lyssnar medan den talar. Modellen kan avbrytas mitt i en mening, kan slänga in ett "right" eller "mm-hm" medan du fortfarande pratar och kan anpassa sin tajming till din. Blocks demos lutar sig tungt mot detta – skratt mitt i dess egen mening, en volymändring på begäran, en filmtitel som avslutas åt en talare som glömt den. The Verge, som lyssnade på samma inspelningar, upplevde samtalen som "lite besvärliga och kusliga", vilket är en rättvisande beskrivning av ett system som lär sig tajming inför publik.

LFM3-Audio-2B hävdar inte det. Det är request-and-response med streaming: en kausal ljudencoder gör att den kan göra prefill medan du talar, vilket är varifrån Liquids siffra "så lågt som 50 ms" för time-to-first-token kommer, och LiquidCodec strömmar tal tillbaka. Att strömma ett svar är inte samma sak som att hantera barge-in. Om din produkt behöver ett samtal som man kan tala över är LFM3-Audio-2B fel sorts modell, och ingen mängd finjustering ändrar gränssnittet.

Vad Dessas demo inte kan säga dig är hur ofta den beter sig på det sättet när ingen väljer ut klippet. Block säger att inspelningarna är live, ostyrda och undertextade i efterhand, vilket utesluter den grövsta formen av demobedrägeri. Det utesluter inte urval. Ett team som spelar in många samtal och publicerar de bästa av dem har bevisat att bra samtal finns, inte att modellen är pålitlig.

Siffrorna som Liquid publicerade, och vad de är värda

Liquids modellkort innehåller sex siffror, varav fyra med ett värde för föregångaren. Alla jämför LFM3-Audio-2B med LFM2.5-Audio-1.5B, modellen som den ersätter. Ingen testmängd, testramverk eller varians anges.

• Engelsk ASR, ordfelsfrekvens — 6,23 mot 6,13. Oförändrat. Den enda raden som inte ändrades, och en skillnad som är tillräckligt liten för att vara samplingsbrus.

• Flerspråkig ASR, WER/CER — 6,03. Ingen siffra för föregångaren publicerad.

• Engelsk TTS, UTMOSv2 — 3,83 mot 3,22. En förflyttning på 0,6 punkter, väl utanför bruset, på en skala där 4,0 vanligtvis betraktas som nära mänsklig.

• VoiceBench — 73,13 mot 55,17.

• Ljudförståelse, MMAR — 50,60 mot 25,85. Nästan dubbelt.

• Verktygsanrop från tal, intern utvärdering — 58,50. Inget värde för föregångare.

Jämfört med de andra modellerna i Liquids egen tabell är detta en bra liten modell snarare än en ledande sådan: Voxtral Mini 3B har 5,51 WER och NVIDIA Audex 2B har 5,99, båda bättre än 6,23; Qwen2.5-Omni 3B tar ljudförståelse på 54,41; Gemma 4 E4B tar verktygsanrop på 72,40. Den ärliga sammanfattningen är konkurrenskraftig igenkänning, ett tydligt lyft i röstkvalitet och solid resonemangsförmåga för 2B – inte ett rekord i någon kolumn.

Dessa har ingen motsvarande rad, och frånvaron är inte en formsak. En enbart talbaserad modell som tränats utan text har inget inbyggt gränssnitt för ett JSON-schema, en PDF eller ett API-anrop. Block medger de öppna frågorna på sin egen sida: hur effektivt en enbart talbaserad modell lär sig fakta och språk, och om in-context learning överlever utan textförträning. Det är skillnaden mellan en övertygande samtalspartner och en allmän assistent, och ingen av företagen har publicerat det test som skulle avgöra saken.

Licens, åtkomst och vem som kan bygga vidare på vad

Licensen för LFM3-Audio-2B är den praktiska anledningen till att den vinner de flesta upphandlingssamtal innan kvaliteten ens diskuteras. LFM Open License v1.0 tillåter kommersiell användning under 10 miljoner USD i årlig omsättning och kräver en betald licens över den nivån. Vikterna finns på Hugging Face; llama.cpp sammanfogade stöd i PR #31257 den 27 oktober; Ollama listar ett bygge på 2,1 GB; Transformers kräver 5.20.2 eller nyare med trust_remote_code. Kravet på anpassad kod är det man måste låsa – modellen läses in från sin egen modul och läser codec-vikter från en separat katalog, så en miljö utan låsta versioner är ett supportärende som väntar på att inträffa.

Dessa har ingen jämförbar väg. Åtkomst sker via en väntelista plus tidig åtkomst för en liten grupp AI-säkerhetsforskare som ansöker med en institutionell e-postadress. Blocks angivna skäl – nyfikenhet, människa–AI-interaktion, säkerhet – är förenliga med att hålla en röst som läser av känslor inom ett litet rum. Avvägningen är att åtkomst bakom grind och oberoende utvärdering drar i olika riktningar. Till dess att en extern grupp publicerar siffror består den offentliga bilden av leverantörens klipp plus journalisters intryck av leverantörens klipp.

Det finns en sekundär kostnad som sällan hamnar i jämförelserna. En nedladdningsbar modell är ett beroende du äger: 2,1 GB, en process att hålla vid liv, inget SLA och en licenströskel att bevaka när du växer. En modell på väntelista är inte ett beroende alls – det är ett forskningsresultat som du kan citera men inte leverera. För ett team som väljer en röststack är de inte två punkter på en linje. De är två olika beslut.

Vad en röstagent behöver som ingen av modellerna kan erbjuda på egen hand

Produktionsröstsystem är sällan en enda modell. Oavsett om frontenden är duplex eller begäran-och-svar fortsätter konversationen att lämna över arbete till vanliga textmodeller: en uppslagning, en extrahering, en policykontroll, ett resonemangsanrop bakom en paus som hålls. Det delegeringslagret är där kostnadsvariationen bor, och där en leverantörs dåliga timme blir ditt driftavbrott.

För att vara exakt om vår egen täckning: LFM3-Audio-2B finns inte på OrcaRouter, och Dessa är över huvud taget inget API. Det OrcaRouter tillhandahåller är det textlager som en röstagent delegerar till – över 200 modeller bakom en enda nyckel till leverantörens listpris utan påslag, automatisk failover när en leverantör snubblar, ett routing-DSL som sammanfogar flera modeller till ett enda anrop och modellfusion när en enskild modells omdöme inte räcker till. Om du prototypar lokalt med LFM3-Audio-2B är den verktygsanropande halvan av loopen den del du redan idag kan lägga bakom den endpointen; den ljudliga halvan stannar på din maskin.

Testet som skulle avgöra det

För LFM3-Audio-2B är den saknade bevisningen specifik: en oberoende WER-körning på en standarduppsättning, en latensmätning på hårdvara som inte är en M4 Max, och en reproduktion av UTMOS-vinsten av någon som inte arbetar för Liquid. Uppföljningen av live-ASR i llama.cpp spelar också roll, eftersom batchtranskribering är den väg som stöds i dag och enbart engelska är begränsningen när streaming lanseras.

För Dessa är listan kortare och svårare: {{1}}en undanhållen konversationsuppsättning{{/1}}, fördröjning från ände till ände inklusive den första hörbara reaktionen, återhämtning efter avbrott, begriplighet i brus, en data- och beräkningsbudget samt något mått på bevarande av faktauppgifter. Vilken som helst av dessa skulle förvandla en demorulle till en utvärdering. Alla skulle göra den till en produkt.

Fram till dess är den korrekta beskrivningen snäv och användbar. LFM3-Audio-2B är en talmodell på 2B som du kan ladda ner på en minut, som pratar bättre än modellen den ersätter, lyssnar ungefär lika bra och ännu inte har några oberoende vittnen. Dessa är månadens mest intressanta röstdemo, utan något sätt att kontrollera den. Om du behöver bygga det här kvartalet slutar bara en av de meningarna i en driftsättning.