LFM3-Audio-2B vs Voxtral 3: En nedladdning på 2,1 GB mot en röstplattform

Det ärliga sättet att inleda en jämförelse mellan LFM3-Audio-2B och Voxtral 3 är att säga att ingen har publicerat en körning av den. Liquid AI publicerade en benchmarktabell för sin ljudmodell med 2 miljarder parametrar, och Mistral publicerade en för sin talsvit, och de två tabellerna har nästan inga gemensamma rader. Där de faktiskt överlappar är modellerna som mäts inte av samma generation. Den som säger till dig vilken av dessa som är "bättre" i en benchmark jämför ett tal från ett testramverk med ett tal från ett annat och hoppas att du inte kontrollerar.

Så det här stycket gör något {{1}}mindre prydligt{{/1}} och {{2}}mer användbart{{/2}}. Det skiljer frågan du kan besvara från den du inte kan. Du kan ännu inte säga vilken modell som transkriberar tyska bättre, eftersom det inte finns något gemensamt flerspråkigt test mellan dem. Du kan säga, med säkerhet och utifrån de två leverantörernas egen dokumentation, att dessa inte alls är samma typ av produkt: den ena är en fil på 2,1 GB som du kör själv, och den andra är en pipeline med fyra modeller med ett telefoni-SDK kopplat till sig och inga nedladdningsbara vikter.

Den skillnaden avgör de flesta verkliga driftsättningar innan en enda WER-siffra konsulteras. Resten av den här artikeln handlar om var den inte gör det.

Den Voxtral Liquid som benchmarkas är inte den Voxtral du jämför mot.

Liquids modellkort placerar LFM3-Audio-2B bredvid sex konkurrenter, och en av dem är en Voxtral. Raden är märkt Voxtral Mini 3B, och i engelsk ASR slår den Liquids modell: 5,51 % ordfelkvot mot 6,23 %. Det är den enda direkta Voxtral-jämförelse som Liquid publicerade, och det är lätt att tolka den som "Mistrals ljudmodell transkriberar mer korrekt."

Det är inte den jämförelse som rubriken antyder. Voxtral Mini 3B är mistralai/Voxtral-Mini-3B-2507 — en 3B-modell som släpptes i juli 2025 under Apache 2.0, byggd för lokal och edge-driftsättning. Den föregår Voxtral 3 med femton månader och tillhör en annan produktgeneration. Mistrals svit från 20 oktober 2026 innehåller ingen modell som heter Voxtral Mini 3B; dess minsta transkriberingsmodell är Voxtral Mini Transcribe 3 med 4B parametrar och $0,0035 per minut.

Det finns också en avvikelse inne i tabellen. Parameterkolumnen på den raden anger 5B, på en rad som är namngiven efter en 3B-modell. Det är inte ett skäl att misstro WER-siffrorna, som kommer från en namngiven utvärdering – ESB och Open ASR-leaderboard-uppsättningen, sammanslagna till ett medelvärde. Det är ett skäl att läsa kolumnrubrikerna på leverantörstabeller innan du läser siffrorna.

Konsekvensen förtjänar att sägas rakt ut, eftersom det är det enskilt mest användbara faktumet i den här artikeln: det finns ingen publicerad direkt jämförelse mellan LFM3-Audio-2B och någon Voxtral 3-modell. Inte från Liquid, inte från Mistral och inte från en oberoende utvärderare. Liquid jämförde sin nya modell med Mistrals öppenvikts-audiomodell från 2025, vilket är ett försvarbart val för en rättvis jämförelse mellan öppna modeller – och är också den enda typen av jämförelse som nu är möjlig, eftersom Voxtral 3 inte levereras med några vikter. 2026 års jämförelse av öppenvikts-audiomodeller kan inte göras mot Voxtral 3 överhuvudtaget.

Vad de två produkterna faktiskt är

Asymmetrin är lättare att se i formen på releasen än i specifikationerna.

LFM3-Audio-2B är en modell som släpptes den 27 oktober 2026 som en del av LFM3-familjen med sex modeller. Den tar in text eller 16 kHz-ljud och matar ut text, 24 kHz-tal eller text och tal som varvas, samt verktygsanrop. En ny egenutvecklad kausal ljudkodare gör att den kan förfylla medan du fortfarande talar. Dess LiquidCodec-tokenizer komprimerar 80 millisekunder tal till 12 diskreta tokens, som avkodas parallellt i stället för sekventiellt, med ungefär 87 gånger realtid på en enda CPU-tråd i en M4 Max – ett mått på codec-genomströmning, inte ett hårdvarukrav.

Voxtral 3, som tillkännagavs den 20 oktober 2026, är en svit: en batchtranskriberare, en andra mindre batchtranskriberare, en streamingtranskriberare, en TTS-modell, en produkt för röstanpassning och ett LiveKit-baserat röstagent-SDK som knyter ihop dem via SIP och WebRTC. Du väljer inte Voxtral 3. Du väljer en pipeline, och Voxtral 3 levererar stegen.

• Vikter — LFM3-Audio-2B levereras med öppna vikter under LFM Open License v1.0; Voxtral 3 publicerar inga nedladdningsbara vikter, och Mistrals lanseringsmaterial beskriver i stället API-åtkomst, Studio-lekmiljöer och driftsättning i privat infrastruktur.

• Fotavtryck — 2,1 GB på Ollama mot en endpoint; det finns ingen Voxtral 3-fil att mäta storleken på.

• Kontext — 32K tokens för LFM3-Audio-2B, in- och utdata. Mistral publicerar ingen kontextsiffra för transkriberingsmodellerna överhuvudtaget; i stället tar man betalt per minut.

• Modaliteter — LFM3-Audio-2B är any-to-any i en enda modell: höra, tala, förstå, översätta, anropa verktyg. Voxtral 3 delar upp detta i separata modeller och ändpunkter; transkriberarna och TTS-modellen är inte samma system.

• Licens — LFM Open License v1.0, gratis för kommersiell användning under 10 miljoner USD i årlig intäkt; Voxtral 3 är ett kommersiellt API vars villkor gäller per anrop.

• Diarisering och kontextbaserad biasning — Voxtral 3 har båda, med 18,4 % cpWER på Mistrals egen diariseringsuppsättning och nyckelfrasåterkallelse som stiger från 81,4 % till 94,6 % när du anger kontext. LFM3-Audio-2B redovisar ingen av dessa förmågor.

Språktäckningen är det enda gapet som inte är nära att stängas.

LFM3-Audio-2B stöder 18 språk över 19 lokaler, listade på kortet: arabiska, danska, tyska, grekiska, engelska (brittisk och amerikansk räknas separat), finska, franska, hebreiska, italienska, japanska, koreanska, nederländska, polska, portugisiska, spanska, svenska, turkiska och kinesiska. Den benchmarkar flerspråkig ASR på nio av dem och rapporterar en genomsnittlig felkvot på 6,03 på FLEURS, med teckenfelkvot för kinesiska, japanska och koreanska.

Voxtral 3:s transkriberare täcker 50 eller fler språk. Realtidsmodellen uppger 35+ på ett ställe på sidan och 40+ på ett annat, vilket är den typ av inkonsekvens som vanligtvis innebär att siffran ändrades under lanseringsveckan och att ingen stämde av texten.

Om ditt ljud kommer in på vietnamesiska, hindi, ryska, norska eller katalanska listar LFM3-Audio-2B det inte, och Voxtral 3 talar alla fem – de är bland de arton röstförinställda språk som Mistral namnger. I hela listan kunde vi inte identifiera något språk som Liquid stöder som Mistrals 50+ transkriptionsspråk inte gör anspråk på att täcka. Det ärliga förbehållet är att Mistral publicerar sin lista över röstförinställda språk i sin helhet och sin transkriptionstäckning endast som en siffra, så en del av den här jämförelsen är en lista mot en siffra.

Det finns en vassare kant inne i Liquids egen dokumentation. Modellens live-ASR-läge – det som transkriberar i takt med att ljudet strömmar in, i stycken om cirka 0,96 sekunder – stöder endast engelska. Batchtranskribering täcker hela listan med 18 språk; strömningsvägen gör det inte. Den som planerar en realtidsfunktion för flerspråkig textning utifrån LFM3-Audio-2B bör läsa den raden två gånger, eftersom den utesluter modellen för uppgiften oavsett WER-tabellen.

Två latensvärden som inte mäter samma sak

Liquid uppger tid till första token "så lågt som 50 ms." Mistral uppger under 500 ms för sin realtidstranskriberare och en fullständig agentvända på under en sekund. Dessa siffror är inte jämförbara, och skillnaden är inte ett avrundningsfel.

Siffran 50 ms avser en tal-till-tal-bana: den kausala kodaren börjar bearbeta innan du har avslutat meningen, så modellen kan börja generera den första token i sitt svar medan ljud fortfarande strömmar in. Det är ett påstående om interaktivitet i en samtalsmodell. Siffran på under 500 ms är transkriptionslatens – fördröjningen innan text visas – och Mistrals egna tabeller visar vad den kostar. På Mistrals realtidsbenchmark ligger Voxtral Mini Transcribe Realtime 3 på 6,0 % WER vid 960 ms latens; vid 480 ms är den 6,4 %; vid 240 ms är den 7,4 %. Latens och träffsäkerhet byts direkt mot varandra, och Mistral låter dig välja punkten på den kurvan.

Liquid publicerar ingen motsvarande kurva. De publicerar ett golv – 50 ms – utan angiven hårdvara, utan testuppsättning och utan noggrannhet vid den latensen. Golvet kan vara verkligt. Det är ännu inte en specifikation som du kan planera en produkt utifrån.

Kostnadsmatematiken, uträknad i stället för påstådd

Att jämföra en modell med öppna vikter med ett API med minutbaserad prissättning handlar om volym, och räkneoperationerna är tillräckligt enkla för att kunna göras ordentligt.

Transkribering, 1 000 timmar ljud — 60 000 minuter. Voxtral Mini Transcribe 3 kostar 0,0035 USD/minut, vilket blir 210 USD. Voxtral Small Transcribe 3 kostar 0,004 USD, vilket blir 240 USD. Voxtral Mini Transcribe Realtime 3 kostar 0,008 USD, vilket blir 480 USD. LFM3-Audio-2B är en gratis nedladdning som körs på hårdvara du redan äger, så dess marginalkostnad är el.

Talsyntes, 1 000 timmar — med ungefär 900 tecken per talad minut blir det 54 miljoner tecken. Voxtral Mini TTS 3 kostar 13 dollar per miljon tecken, vilket blir 702 dollar. LFM3-Audio-2B kostar inget per tecken och erbjuder två röstalternativ, manlig och kvinnlig, som väljs med en prompt. Voxtral klonar en röst från 30 minuters ljud och ger kontroll över känsla, tempo och betoning.

En live-röstagent, 1 000 timmar konversation – Mistral prissätter den sammansatta pipelineen till 0,04 USD per minut med Mistral Small 4 som sköter resonemanget, 0,08 USD med en större modell. Det blir 2 400 till 4 800 USD. LFM3-Audio-2B hanterar lyssnandet och talandet lokalt, men den behöver fortfarande en resonemangsmodell för allt utöver sin egen förmåga, och dess modellkort säger rakt ut att den inte rekommenderas för komplex flerstegsresonemang.

Nu till delen som vanligtvis utelämnas: break-even. En maskin för 1 000 dollar betalar sig själv efter ungefär 4 760 timmar av Voxtral Mini Transcribe 3 – ungefär 200 dagar av kontinuerligt ljud, eller ett och ett halvt år vid åtta timmar om dagen. Vid små volymer är API:et billigare än att köpa hårdvara, och det är billigare redan den dag du börjar. Fallet med öppna vikter är inte "gratis". Det är "fast kostnad i stället för marginalkostnad", och det vinner bara när volymen finns, integritetskravet är strikt, eller enheten saknar nätverksanslutning.

Där en router gör sig förtjänt av sin plats i den här bilden är inte på någon av ljudmodellerna – varken LFM3-Audio-2B eller Voxtral 3 finns i OrcaRouter-katalogen i dag, och vi tänker inte låtsas något annat. Det är på resonemangssteget som båda arkitekturerna till slut behöver.en nyckel för fler än 200 modeller, leverantörernas listpriser som förs vidare med 0 % påslag så att en ändring i leverantörens pris når dig samma dag, och automatisk failover när en leverantör har en dålig stund mitt i samtalet.

Vad som är verifierat och vad som inte är det

Tre nivåer av bevis spelar in här, och att platta till dem är där jämförelser går fel.

Oberoende uppmätt. Transkriberingskvaliteten för Voxtral 3 har siffror från tredje part: Artificial Analysis placerade Voxtral Small Transcribe 3 på 2,1 % WER i sitt eget index, på tredje plats totalt den 21 oktober 2026, med Voxtral Mini Transcribe 3 på 2,2 %. Dess TTS landade på plats 13 på Provider Voice-arenan med 1 217 Elo och plats 14 på Controlled Voice med 1 066 – mitt i fältet, och värt att säga rakt ut med tanke på att Mistrals inlägg i sociala medier beskrev den som topp tolv.

Leverantörsrapporterat, ej reproducerat.Varje LFM3-Audio-2B-siffra i den här artikeln är Liquid:s egen: de 6,23 i engelsk WER, de 6,03 i flerspråkigt mått, 3,83 i UTMOSv2, 73,13 i VoiceBench, 58,50 i den interna tool-calling-utvärderingen och 50,60 i MMAR. Det finns ingen Artificial Analysis-post för modellen vid tidpunkten för detta skrivande, och ingen tredje part har publicerat en reproduktion. Betrakta dem som påståenden, inte mätningar.

Inte alls jämförbara.Liquids 6,23 % i engelsk WER, Mistrals 4,0 % FLEURS-siffra och siffran 2,1 % från Artificial Analysis är tre olika tester på tre olika ljuduppsättningar. Subtrahera dem inte. Den enda jämförelsen i samma testramverk som Liquid publicerat är mot Voxtral Mini 3B – 2025 års modell med öppna vikter. Där får Liquids 2B 6,23 mot Voxtrals 5,51 på engelsk ASR, men slår den på flerspråkig ASR med 6,03 mot 7,76, VoiceBench med 73,13 mot 65,78, MMAR med 50,60 mot 50,10 och verktygsanrop med 58,50 mot 44,50.

Vad "släpptes tyst" faktiskt betyder här

LFM3-Audio-2B fick ingen egen lansering, och den skillnaden spelar roll om du ska avgöra hur mycket du kan lita på dokumentationen.

Liquid meddelade LFM3-familjen den 27 oktober 2026 i ett inlägg med titeln "Introducing LFM3: Every Modality for Specialized Intelligence". Ljudmodellen förekommer där som en av sex, i ett avsnitt – det finns inget dedikerat blogginlägg för LFM3-Audio, ingen separat lansering, ingen egen produktsida. Vikterna och modellkortet är kompletta och offentliga. ollama run lfm3-audio på 2,1 GB dök upp den 28 oktober utan ett motsvarande meddelande från vare sig Liquid eller Ollama, tillsammans med en pull request för llama.cpp som lade till ljud- och omnimodellerna, där live-ASR sköts upp till en uppföljning.

Inramningen är alltså: artefakten är verklig och dokumenterad, lanseringen var ett stycke i ett familjemeddelande, och stödet för lokal körmiljö kom en dag senare, tyst. Vad det innebär i praktiken är att modellkortet är auktoriteten – inte ett lanseringsinlägg, eftersom det inte finns något sådant – och kortet är ovanligt specifikt om begränsningar, vilket är ett plus i dess favör. Det anger att LiveASR endast är för engelska. Det säger att modellen inte är avsedd för agentisk kodning eller komplexa flerstegsresonemang. Det hänvisar kunskapstunga uppgifter till retrieval. En leverantör som döljer en svag modell brukar inte skriva ned det.

Vem ska ta vilken

Välj LFM3-Audio-2B om ljudet inte får lämna enheten, om du behöver en enda modell som både lyssnar och talar utan att sy ihop två tjänster, om dina språk finns bland dess arton, och om din volym är tillräckligt hög för att en fast hårdvarukostnad ska slå en räkning per minut. Det är också rätt val för att prototypa ett röstgränssnitt helt utan upphandling — 2,1 GB och ett Ollama-kommando. Acceptera att dess engelska ASR ligger efter den senaste generationen av öppna Voxtral, att strömning endast är på engelska, och att ingen oberoende utvärderare har kontrollerat några av dess siffror.

Välj Voxtral 3 om du bygger en telefonagent snarare än en modellfunktion. Sviten är avsedd att sättas ihop: transkriberare, resonemangsmodell, TTS, över SIP och WebRTC, där avbrytning och detektering av tursslut redan är lösta. Välj det också om du behöver 50+ språk, diarisering, kontextbiasering för namn och jargong eller röstkloning — fyra funktioner som LFM3-Audio-2B inte erbjuder i någon form. Avvägningen är att du inte kan ladda ner det, du kan inte granska det, och din kostnad skalar linjärt med varje minut du betjänar, för alltid.

Ta båda om arkitekturen tillåter det, och det gör den ofta. Kör LFM3-Audio-2B på enheten för wake word, lokal diktering och offlinevägen; skicka de anrop som behöver flerspråkig täckning, diarisering eller en klonad röst till Voxtral 3. De två konkurrerar inte om samma plats i en stack. Den ena är modellen i din produkt; den andra är leverantören du anropar när produkten är en telefonlinje.

Jämförelsen att hålla utkik efter

Två saker skulle avgöra detta ordentligt, och ingen av dem finns ännu.

Den första är en oberoende utvärdering av LFM3-Audio-2B på samma testramverk som Artificial Analysis använder för Voxtral 3-modellerna. Den enda siffran – dess WER-index på ett delat test – skulle förvandla det mest betydelsefulla påståendet i Liquids tabell från leverantörspåstående till mätning, och skulle visa om en 2B-modell som körs på en bärbar dator verkligen ligger inom en procentenhet från en värdbaserad 4B.

Den andra är huruvida Mistral någonsin släpper vikterna för Voxtral 3. Företagets ljudmodeller från 2025 var öppna under Apache 2.0; 2026-sviten är det inte. Om det vänder blir den rättvisa jämförelsen öppen mot öppen som Liquid valde att publicera återigen levande, och den här artikelns centrala förbehåll upphör att gälla.

Tills något av detta inträffar är den försvarbara hållningen den oglamorösa. När det gäller bredden i förmågor vinner Voxtral 3 med en marginal som ingen tvist om benchmarkresultat kan överbrygga: femtio språk, diarisering, kloning, telefoni. När det gäller driftsättbarhet vinner LFM3-Audio-2B med en lika stor marginal, eftersom det är den enda av de två som du kan hålla. Allt däremellan är en siffra från en leverantörs tabell bredvid en siffra från en annan leverantörs, och det ärliga svaret på ”vilket som är mer exakt” är att ingen har mätt det.