LFM3-Audio-2B vs StepAudio 3: Den öppna 2B-modellen mot den poängsatta produktlinjen

StepAudio 3 Realtime har en siffra knuten till det som röstprodukter bedöms på: 98.9 % på Artificial Analysis Conversational Dynamics-tavlan, förstaplats. LFM3-Audio-2B har en licens. Det är inte en retorisk kontrast – det är det faktiska läget i bevisningen. StepFuns StepAudio 3-familj lanserades den 15 september 2026 som fem kommersiella ljudmodeller på en plattform, med tredjepartsplaceringar och ett förhandspris på noll. Liquid AIs LFM3-Audio-2B dök upp den 27 oktober i LFM3-släppet med sex modeller som en 2B open-weight-checkpoint med en leverantörstabell och ingen oberoende poäng. Den ena är en uppmätt produkt som du hyr. Den andra är en omätt fil som du kan äga. Valet mellan dem handlar mindre om ljudkvalitet än om vilken av dessa två meningar som beskriver din begränsning.

Det finns en frestelse att utropa den poängsatta modellen till vinnare och gå vidare. Motstå den under ett stycke. StepAudio 3 Realtimes poäng mäter konversationsdynamik – turtagning, återhämtning efter avbrott, backchannel-signaler – i ett hostat system med en beständig WebSocket och ett träningsdataset med kinesiska i första hand. LFM3-Audio-2B finns inte på den listan, är inte duplex och skulle inte mätas av den även om någon anmälde den. De två modellerna konkurrerar inte om samma plats i en stack. Den användbara jämförelsen är vad var och en kan göra som den andra inte kan, och vad det kostar dig att ta reda på det för respektive modell.

Vad StepAudio 3 faktiskt är

Namnet omfattar en familj, och nivån du väljer ändrar jämförelsen. StepFun lanserade fem ljudmodeller den 15 september: Realtime, ASR, TTS, Gen och Music, alla tillgängliga på dess öppna plattform som kommersiella API:er. En Chat-nivå med 256K-kontext och textutdata kompletterar utvecklarytan.

• StepAudio 3 Realtime – inbyggd full-duplexkonversation som resonerar direkt över tal i stället för att först transkribera, med verktygsanrop och asynkron körning av långa uppgifter medan konversationen fortsätter. Flaggskeppet och den närmaste motsvarigheten till en allmän röstmodell.

• StepAudio 3 ASR — igenkänning, med en ord felfrekvens på 1,7 % på Artificial Analysis icke-strömmande ASR-noggrannhetstavla, delad förstaplats.

• StepAudio 3 TTS — strömmande syntes, sex språk (engelska, kinesiska, japanska, koreanska, franska, spanska), 12 systemröster, upp till 1 000 tecken indata.

• StepAudio 3 Gen — enhetlig generering av röst, ljudeffekter, atmosfärsljud, bakgrundsmusik och sång från naturligt språk, för närvarande i en begränsad gratis förhandsversion.

• StepAudio 3 Music – zero-shot-generering av låtar med flerstegskontroll via ABC-notering, vokal-till-arrangemang och covers.

LFM3-Audio-2B är en checkpoint som försöker klara flera av de uppgifterna på en gång: igenkänning, syntes, översättning, ljudförståelse och talade verktygsanrop, valda via prompt och serveringsprofil. Den genererar inte musik, och dess repertoar av ljudeffekter är vad som än faller ut ur en allmän ljudmodell. Det den har är en viktfil. StepAudio 3 har ingen – det är en familj kommersiella API:er, inte en öppen release, och ingen nivå levereras med vikter.

Resultattavlan, och vem som producerade den

StepFuns siffror är det starkaste evidensunderlaget i den här jämförelsen, och de är också de lättaste att övertolka. Siffran 98,9 % för Conversational Dynamics är en placering från tredje part hos Artificial Analysis, vilket gör den mer trovärdig än en leverantörstabell. Siffran 99,7 % för talresonemang citeras av StepFun och har inte reproducerats oberoende. ASR-ordfelsfrekvensen på 1,7 % är en placering hos Artificial Analysis, delar förstaplatsen och hör till ASR-nivån snarare än Realtime-modellen. Det är tre olika typer av påståenden som bär samma uniform.

LFM3-Audio-2B:s tabell är genomgående leverantörsrapporterad och genomgående relativ till dess egen föregångare, LFM2.5-Audio-1.5B: engelsk ASR-WER 6,23 mot 6,13, flerspråkig WER/CER 6,03, UTMOSv2 3,83 mot 3,22, VoiceBench 73,13 mot 55,17, MMAR 50,60 mot 25,85 och en intern utvärdering av verktygsanrop på 58,50. Inget testset, testramverk eller varians anges, och vi kunde inte hitta någon oberoende reproduktion av någon rad.

Ställer man de två sida vid sida är den ärliga observationen att de knappt överlappar varandra. StepAudio 3 Realtime poängsätts på samtalstajming; LFM3-Audio-2B poängsätts på igenkänning, synteskvalitet och ljudresonemang. Den enda axel där båda publicerar något är igenkänning, och även där är jämförelsen kontaminerad: StepAudios 1.7% är en oberoende resultattavlepoäng för ASR-nivån, medan Liquids 6.23 är en leverantörssiffra för en allmän ljudmodell på en namnlös datamängd. Gapet är tillräckligt stort för att riktningen förmodligen är verklig. Storleken är inte en mätning av något som två team har kört tillsammans.

Duplex är den arkitektoniska linjen

StepAudio 3 Realtime är byggd för ett telefonsamtal. Den lyssnar medan den talar, hanterar avbrott och resonerar över rå ljuddata i stället för en transkription, vilket StepFun hävdar bevarar ton och betoning som ett textsteg skulle förflacka. Dess dokumentation tydliggör uppdelningen: Realtime API:et har inbyggd taligenkänning, kontexthantering, VAD, webbsökning och hämtning; Chat API:et kräver att du implementerar var och en av dessa själv.

LFM3-Audio-2B är byggd för en förfrågan. En kausal ljudkodare låter den förfylla medan du talar, och LiquidCodec strömmar tillbaka tal – 80 ms ljud till 12 tokens, avkodat i cirka 87× realtid på en CPU-tråd i en M4 Max. Siffran "så låg som 50 ms" för time-to-first-token kommer från den designen. Men att strömma ett svar är inte samma sak som att hantera barge-in, och Liquid gör inget anspråk på duplex. Om din produkt behöver klara av att någon talar över den, avgör arkitekturen detta före något riktmärke.

Det finns en hake när det gäller latensen på andra sidan. StepAudio 3 Realtime redovisar en tid till första ljud på 8,83 sekunder på samma leaderboard där den vinner samtalsdynamik – mot 1,18 sekunder för Gemini 3.8 Live och 1,24 till 1,34 sekunder för GPT-Live-1. En modell som vinner turtagning men tar nästan en hel menings tid på sig att börja tala är en modell vars bästa kvalitet du kanske aldrig får visa i produktion. Testa latens före samtalskvalitet, och testa den utanför StepFuns egen driftmiljö om du kan.

Pris, licens och vad du faktiskt köper

StepAudio 3 har en tidsbegränsad gratis förhandsvisning för hela familjen, och ingen taxa efter förhandsvisningen har meddelats för Realtime-nivån. TTS-nivån har en publicerad listtaxa på cirka 0,36 USD per 10 000 tecken via en tredjepartskatalog, men det är inte priset för Realtime och bör inte användas som ett sådant. Det praktiska läget är att StepAudio 3 Realtime är gratis att utvärdera i dag och utan pris för produktion – ett bra tillfälle att testa, ett dåligt tillfälle att bygga en modell för enhetsekonomi.

LFM3-Audio-2B ställer krav på maskinen den körs på. LFM Open License v1.0 är gratis för kommersiellt bruk under $10M i årliga intäkter och avgiftsbelagd över det. Ollama-bygget är 2,1 GB och kan köras på CPU; llama.cpp integrerade stödet den 27 oktober; Transformers kräver 5.20.2 eller nyare med trust_remote_code, och codec-vikterna läses in från en separat katalog, så lås miljön. Det finns ingen mätare per minut. Det finns heller ingen SLA, ingen personsökare och ingen leverantör att ringa när utdata försämras.

• Vad du får — StepAudio 3 Realtime: en kommersiell endpoint, nuvarande flaggskepp, med support. LFM3-Audio-2B: en checkpoint, en licens och den operativa bördan.

• Vad du kan granska – StepAudio 3: dokumentation, leaderboard-placeringar, inga vikter. LFM3-Audio-2B: arkitektur, modellkort, vikter, codec, väg för finjustering.

• Kostnadsprofil — StepAudio 3: per anrop, noll när inaktiv, oprissatt efter förhandsvisning. LFM3-Audio-2B: fast hårdvara, nära noll i marginalkostnad, ingen mätare.

• Felmod — StepAudio 3: en kvot, en region, ett kontoproblem, ett supportärende. LFM3-Audio-2B: du äger personsökaren.

Språktäckning är inte oavgjort.

LFM3-Audio-2B listar 18 språk över 19 språkversioner, där engelska förekommer två gånger som amerikansk och brittisk variant. Det är en bred sammanställningslista för en 2B-modell, och det är det starkaste praktiska argumentet för den i en europeisk eller flerspråkig produkt. Begränsningarna är lika specifika: live-ASR är endast på engelska, och översättning är starkast till eller från engelska.

StepAudio 3 är i första hand för kinesiska. Dokumentationen för Realtime-nivån publicerar ingen fullständig språklista; familjens TTS-nivå täcker sex språk, och ASR-nivån är byggd kring kinesiska och engelska med dialekthantering, kodväxling, långt ljud och sång. Om din trafik är mandarin med inblandad engelska är StepFuns stack byggd för den arbetsbelastningen, och det är inte Liquids. Om din trafik är svenska och nederländska är 18-språkscheckpointen den enda av de två som gör anspråk på det.

Var en router passar in, och var den inte gör det

StepAudio 3 finns inte i OrcaRouter-katalogen, och inte LFM3-Audio-2B heller – den ena är ett slutet API, den andra en nedladdning. Det finns alltså ingen failover-historia mellan dessa två att berätta, och ingen anledning att låtsas något annat.

Routningslagret är viktigt en nivå upp, där röstagenternas komplexitet faktiskt ligger. StepAudio 3 Realtime stöder verktygsanrop och långvariga asynkrona uppgifter, vilket innebär att konversationen ständigt lämnar över arbete till vanliga textmodeller: en uppslagning, en extrahering, en policykontroll. Det delegeringslagret är där leverantörsavbrott och kostnadsvariationer uppstår. OrcaRouter sätter fler än 200 text- och multimodala modeller bakom en enda nyckel till leverantörens listpris utan påslag, med automatisk failover, en routnings-DSL som kombinerar flera modeller i ett anrop och modellfusion när en modells bedömning inte räcker. För en LFM3-Audio-2B-prototyp är det den halva av stacken som du i dag kan lägga bakom en slutpunkt medan ljudmodellen förblir lokal.

Tre frågor som avgör det

Behöver du en konversation som kan avbrytas?

Då är StepAudio 3 Realtime det enda av dessa två som uppger sig ha beteendet, och det är rätt utgångspunkt trots latensfrågan. LFM3-Audio-2B är fråga-och-svar; oavsett hur mycket man finjusterar ändras inte gränssnittet. Testa mätvärdet 8,83 sekunder till första ljudet på ditt eget nätverk innan du bestämmer dig.

Behöver du äga modellen eller köra offline?

Då är LFM3-Audio-2B det enda alternativet här, och licensgränsen är det tal du ska jämföra med dina intäkter. Acceptera 32K-kontexten, den engelskspråkiga live-ASR:n och avsaknaden av en oberoende utvärdering. Kör dina egna inspelningar genom den innan du litar på UTMOS-vinsten.

Är ett leverantörsbetyg tillräckligt för att välja?

Inte än, och anledningen är inte att StepFuns siffror är svaga. Det är att poängen mäter olika saker från olika utvärderingsramverk, och modellen utan poäng är inte kvalificerad för leaderboarden som producerade det mest citerade numret. En neutral direkt jämförelse på samma samtalsuppsättning skulle avgöra mer än endera leverantörens tabell. Tills den finns är valet en fråga om begränsningar, inte en fråga om kvalitet.

Domen

StepAudio 3 Realtime vinner på den axel som marknaden för närvarande mäter – konversationsdynamik – och har den starkare evidensbasen eftersom en tredje part tog fram en del av den. Det har också ett olöst latensproblem, inget publicerat pris efter förhandsversionen, inga vikter och en kinesisk-först-språkprofil. Det är det bättre valet för en realtidsröstagent riktad till kinesiska och engelska användare, förutsatt att latenstestet klarar sig och att förhandsprissättningen inte förvandlas till en överraskning.

LFM3-Audio-2B vinner på ägande och bredd inom syntes, och förlorar på bevis. Den är fyra dagar gammal, dess siffror är leverantörsrapporterade, dess ASR ligger i mitten av tabellen i dess egen tabell, och dess licens har en intäktströskel. Det är det bättre valet för en offlineprodukt, en flerspråkig röst eller ett team som inte kan acceptera en mätare per anrop – och det enda av de två du kan utvärdera helt på din egen hårdvara den här veckan.

Det man bör hålla ögonen på är detsamma på båda sidor: en neutral utvärdering som ställer en duplexmodell och en modell för förfrågan och svar mot samma samtalsuppsättning, och ett offentliggjort produktionspris för StepAudio 3. Det första skulle visa om Liquids 2B-checkpoint ligger närmare frontlinjen än vad dess dokumentation antyder. Det andra skulle visa om StepFuns försprång överlever kontakten med en faktura.