LFM3-Audio-2B กับ Dessa: ตัวหนึ่งดาวน์โหลดได้ อีกตัวได้แค่ฟัง

ของ Liquid AILFM3-Audio-2B เป็นเช็กพอยต์ขนาด 2B พารามิเตอร์ที่มีสัญญาอนุญาตแบบเปิด มีรีโพซิทอรี Hugging Face และบิลด์ขนาด 2.1 GB ที่คุณดึงลงแล็ปท็อปได้ ในส่วนของ Block Dessaเป็นโมเดลเสียงแบบฟูลดูเพล็กซ์ที่ประกาศเมื่อวันที่ 23 ตุลาคม 2026 ภายใต้ระบบรายการรอ โดยไม่มีน้ำหนักโมเดล ไม่มีจำนวนพารามิเตอร์ ไม่มี API และไม่มีเบนช์มาร์กที่เผยแพร่ วางทั้งสองไว้เคียงกัน แล้วการเปรียบเทียบแบบที่คุ้นเคยก็พังทลายตั้งแต่ยังไม่เริ่ม: ตัวหนึ่งใครก็ตามที่อ่านข้อความนี้สามารถรัน ไฟน์ทูน และวัดผลได้ ส่วนอีกตัวฟังได้อย่างเดียว คำถามที่มีประโยชน์ไม่ใช่ตัวไหนฟังดูดีกว่า แต่คือแต่ละบริษัทเลือกเผยแพร่อะไร และการเลือกนั้นเปิดให้คุณทำอะไรได้ในเช้าวันจันทร์

ทั้งสองมาพร้อมป้ายเตือนเดียวกัน โดยมาจากทิศทางตรงกันข้าม LFM3-Audio-2B เปิดตัวเมื่อวันที่ 27 ตุลาคม 2026 ภายในชุดเปิดตัวตระกูล LFM3 ที่มีหกโมเดล และสาขาเสียงได้รับเพียงหนึ่งย่อหน้าในโพสต์เปิดตัวตระกูลของ Liquid พร้อมการ์ดโมเดลหนึ่งใบ ไม่มีประกาศแยกต่างหากชื่อ “Introducing LFM3-Audio” ไม่มีรายการราคาด้านเสียงบนเว็บไซต์ของ Liquid และ ณ เวลาที่เขียนนี้ ไม่มีการรัน benchmark ของโมเดลนี้โดยอิสระที่ใดเลย Dessa มีปัญหาตรงกันข้าม: บันทึกบทสนทนาที่คัดสรรแล้วราวหนึ่งโหล และแทบไม่มีข้อกำหนดทางเทคนิคเลย ไม่มีบริษัทใดให้ข้อมูลแก่คนภายนอกมากพอที่จะทำผลลัพธ์ซ้ำได้

สิ่งที่แต่ละรายเผยแพร่จริง

ตัดคำคุณศัพท์ออกไป แล้วบันทึกก็สั้นลง ทุกอย่างด้านล่างมาจากการ์ดโมเดลของ Liquid โพสต์เกี่ยวกับตระกูลโมเดลของบริษัท หรือประกาศของ Block เอง ไม่มีสิ่งใดได้รับการตรวจสอบอย่างเป็นอิสระ

• สิ่งที่คุณจะได้รับ — LFM3-Audio-2B: เช็กพอยต์ BF16, ไฟล์แปลง GGUF และ MLX 4-bit, โทเคไนเซอร์ และน้ำหนักโคเดกในไดเรกทอรี audio_tokenizer แยกต่างหาก Dessa: แบบฟอร์มรายชื่อผู้รอและชุดคลิปวิดีโอ

• ขนาด — LFM3-Audio-2B: พารามิเตอร์ 2B, 2.1 GB สำหรับบิลด์ Ollama Dessa: ไม่ได้เปิดเผย Block กล่าวว่ามันพอดีกับ MacBook Pro M4 Max ซึ่งบ่งชี้ว่าเป็นโมเดลที่เล็กพอสำหรับหน่วยความจำแบบรวม 128 GB แต่นั่นเป็นการอนุมาน ไม่ใช่ตัวเลข

• อินพุตและเอาต์พุต — LFM3-Audio-2B: รับข้อความหรือเสียง 16 kHz เข้า; ส่งออกเป็นข้อความ เสียงพูด 24 kHz หรือข้อความและเสียงพูดสลับกัน Dessa: รับเสียงเข้า ส่งเสียงออก โดยไม่มีข้อความขั้นกลางในจุดใดเลย

• คอนเท็กซ์ — LFM3-Audio-2B: 32K โทเคน ครอบคลุมทั้งอินพุตและเอาต์พุต นี่ไม่ใช่ตัวเลข 256K ที่ถูกกล่าวถึงซ้ำในบทความเกี่ยวกับ LFM3 บางฉบับ ตัวเลขนั้นเป็นของโมเดลข้อความ LFM3-1.7B Dessa: ไม่ได้เผยแพร่

• สัญญาอนุญาต — LFM3-Audio-2B: LFM Open License v1.0 ใช้งานเชิงพาณิชย์ได้ฟรีเมื่อรายได้ต่อปีต่ำกว่า $10M Dessa: ไม่มีเวต จึงไม่มีสัญญาอนุญาตให้อ่าน

• การทดสอบประสิทธิภาพ — LFM3-Audio-2B: ตารางผู้จำหน่ายหกแถว Dessa: ไม่มี

แถวสุดท้ายคือจุดที่การเปรียบเทียบเริ่มน่าสนใจ Liquid เผยแพร่ตัวเลขแต่ไม่มีพยานอิสระ Block เผยแพร่พยาน — นักข่าวที่ฟังคลิปชุดเดียวกัน — แต่ไม่มีตัวเลข ผู้อ่านที่พยายามเลือกระหว่างสองฝ่ายนี้กำลังเลือกว่าจะทนกับช่องว่างแบบไหน

ข้อได้เปรียบเพียงหนึ่งเดียวของ Dessa ที่ไม่สามารถดาวน์โหลดได้

Dessa ถูกออกแบบมาสำหรับการสื่อสารแบบสองทางเต็มรูปแบบ (full duplex): มันฟังในขณะที่มันพูด โมเดลสามารถถูกขัดจังหวะกลางประโยคได้ สามารถปล่อยคำอย่าง “right” หรือ “mm-hm” ออกมาในขณะที่คุณยังพูดอยู่ และสามารถปรับจังหวะของมันให้เข้ากับคุณได้ เดโมของ Block พึ่งพาสิ่งนี้อย่างหนัก — เสียงหัวเราะกลางประโยคของมันเอง การเปลี่ยนระดับเสียงตามคำขอ ชื่อภาพยนตร์ที่ถูกพูดจบให้กับผู้พูดที่ลืมชื่อเรื่องนั้น The Verge ซึ่งฟังบันทึกเดียวกันนี้พบว่าบทสนทนา “ค่อนข้างประหลาดและชวนขนลุก” ซึ่งเป็นคำอธิบายที่ยุติธรรมสำหรับระบบที่กำลังเรียนรู้จังหวะในที่สาธารณะ

LFM3-Audio-2B ไม่ได้อ้างเช่นนั้น มันเป็นการรับคำขอและตอบกลับพร้อมสตรีมมิ่ง: ตัวเข้ารหัสเสียงแบบ causal ช่วยให้มันพรีฟิลได้ขณะคุณพูด ซึ่งเป็นที่มาของตัวเลข time-to-first-token "ต่ำสุดเพียง 50 ms" ของ Liquid และ LiquidCodec ก็สตรีมเสียงพูดกลับมา การสตรีมคำตอบไม่เหมือนกับการรองรับ barge-in หากผลิตภัณฑ์ของคุณต้องการบทสนทนาที่พูดขัดหรือพูดทับได้ LFM3-Audio-2B ก็เป็นโมเดลที่ผิดรูปแบบ และการไฟน์ทูนไม่ว่าจะมากเพียงใดก็เปลี่ยนอินเทอร์เฟซไม่ได้

สิ่งที่เดโมของ Dessa บอกคุณไม่ได้คือมันทำตัวแบบนั้นบ่อยแค่ไหนเมื่อไม่มีใครกำลังเลือกคลิป Block กล่าวว่าการบันทึกเหล่านั้นเป็นแบบสด ไม่ได้ถูกชี้นำ และใส่คำบรรยายภายหลัง ซึ่งตัดความเป็นไปได้ของการฉ้อโกงเดโมในรูปแบบหยาบที่สุดออกไป แต่มันไม่ได้ตัดความเป็นไปได้เรื่องการคัดเลือกออกไป ทีมที่บันทึกบทสนทนาหลายรายการแล้วเผยแพร่เฉพาะรายการที่ดีที่สุดได้พิสูจน์ว่าบทสนทนาที่ดีมีอยู่จริง ไม่ได้พิสูจน์ว่าโมเดลนั้นเชื่อถือได้

ตัวเลขที่ Liquid เปิดเผย และคุณค่าของตัวเลขเหล่านั้น

การ์ดโมเดลของ Liquid มีตัวเลขอยู่หกค่า โดยสี่ค่ามีค่าของรุ่นก่อนหน้า ทั้งหมดเปรียบเทียบ LFM3-Audio-2B กับ LFM2.5-Audio-1.5B ซึ่งเป็นโมเดลที่ LFM3-Audio-2B เข้ามาแทนที่ ไม่มีการระบุชุดทดสอบ ฮาร์เนส หรือความแปรปรวน

• ASR ภาษาอังกฤษ อัตราความผิดพลาดระดับคำ — 6.23 เทียบกับ 6.13 ทรงตัว แถวเดียวที่ไม่ขยับ และช่องว่างเล็กพอที่จะเป็นสัญญาณรบกวนจากการสุ่มตัวอย่าง

• ASR หลายภาษา, WER/CER — 6.03 ยังไม่มีการเผยแพร่ตัวเลขจากรุ่นก่อนหน้า

• English TTS, UTMOSv2 — 3.83 เทียบกับ 3.22 เป็นการขยับ 0.6 คะแนน ซึ่งเกินกว่าความคลาดเคลื่อนแบบสุ่มอย่างชัดเจน บนสเกลที่ 4.0 มักถูกมองว่าใกล้เคียงระดับมนุษย์

• VoiceBench — 73.13 เทียบกับ 55.17

• ความเข้าใจด้านเสียง, MMAR — 50.60 เทียบกับ 25.85 เกือบสองเท่า

• การเรียกใช้เครื่องมือจากเสียง การประเมินภายใน — 58.50 ไม่มีตัวเลขจากรุ่นก่อนหน้า

เมื่อเทียบกับโมเดลอื่น ๆ ในตารางของ Liquid เอง นี่เป็นโมเดลเล็กที่ดี ไม่ใช่ผู้นำ: Voxtral Mini 3B ทำ WER ได้ 5.51 และ NVIDIA Audex 2B ทำได้ 5.99 ทั้งคู่ดีกว่า 6.23; Qwen2.5-Omni 3B ทำคะแนนการเข้าใจเสียงได้ 54.41; Gemma 4 E4B ทำคะแนนการเรียกใช้เครื่องมือได้ 72.40 สรุปตามจริงคือการรู้จำที่แข่งขันได้ การยกระดับคุณภาพเสียงอย่างชัดเจน และการให้เหตุผลที่มั่นคงสำหรับ 2B — ไม่ใช่สถิติสูงสุดในคอลัมน์ใดเลย

Dessa ไม่มีแถวที่เทียบเท่า และการไม่มีอยู่ดังกล่าวไม่ใช่เรื่องเทคนิคเล็กน้อย โมเดลแบบเสียงล้วนที่ฝึกโดยไม่มีข้อความไม่มีอินเทอร์เฟซโดยธรรมชาติสำหรับ JSON schema, PDF หรือการเรียก API Block ยอมรับคำถามที่ยังไม่มีคำตอบบนหน้าของตนเองว่า โมเดลแบบเสียงล้วนเรียนรู้ข้อเท็จจริงและภาษาต่าง ๆ ได้อย่างมีประสิทธิภาพเพียงใด และการเรียนรู้ในบริบทจะยังคงอยู่ได้หรือไม่เมื่อไม่มีการฝึกล่วงหน้าด้วยข้อความ สิ่งเหล่านี้คือความแตกต่างระหว่างคู่สนทนาที่น่าดึงดูดกับผู้ช่วยทั่วไป และไม่มีบริษัทใดเผยแพร่การทดสอบที่จะยุติเรื่องนี้ได้

ใบอนุญาต การเข้าถึง และใครสามารถสร้างต่อยอดบนสิ่งใดได้บ้าง

ใบอนุญาตของ LFM3-Audio-2B คือเหตุผลเชิงปฏิบัติที่ทำให้มันชนะบทสนทนาการจัดซื้อส่วนใหญ่ก่อนจะมีการพูดถึงคุณภาพ LFM Open License v1.0 อนุญาตให้ใช้เชิงพาณิชย์ได้เมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ และต้องมีใบอนุญาตแบบเสียค่าใช้จ่ายเมื่อเกินกว่านั้น เวตอยู่บน Hugging Face; llama.cpp รวมการรองรับไว้ใน PR #31257 เมื่อวันที่ 27 ตุลาคม; Ollama ระบุบิลด์ขนาด 2.1 GB; Transformers ต้องใช้ 5.20.2 หรือใหม่กว่า พร้อม trust_remote_code ข้อกำหนดเรื่องโค้ดที่กำหนดเองคือสิ่งที่ต้องปักหมุดไว้ — โมเดลโหลดจากโมดูลของตัวเองและอ่านเวต codec จากไดเรกทอรีแยกต่างหาก ดังนั้นสภาพแวดล้อมที่ไม่ปักหมุดเวอร์ชันก็คือตั๋วซัพพอร์ตที่รอเกิดขึ้น

Dessa ไม่มีเส้นทางที่เทียบได้ การเข้าถึงมีลักษณะเป็นรายชื่อรอ加上สิทธิ์เข้าถึงก่อนกำหนดสำหรับนักวิจัยด้านความปลอดภัยของ AI กลุ่มเล็ก ๆ ที่สมัครด้วยอีเมลสถาบัน เหตุผลที่ Block ระบุ — ความอยากรู้อยากเห็น ปฏิสัมพันธ์ระหว่างมนุษย์กับ AI และความปลอดภัย — สอดคล้องกับการเก็บเสียงที่อ่านอารมณ์ได้ไว้ในห้องเล็ก ๆ ข้อแลกเปลี่ยนคือการเข้าถึงแบบจำกัดและการประเมินอิสระดึงไปคนละทิศทาง จนกว่ากลุ่มภายนอกจะเผยแพร่ตัวเลข ข้อมูลสาธารณะก็คือคลิปของผู้ขายบวกกับความประทับใจของนักข่าวที่มีต่อคลิปของผู้ขาย

มีต้นทุนลำดับที่สองที่แทบไม่เคยถูกนำมาใส่ในการเปรียบเทียบ โมเดลที่ดาวน์โหลดได้คือ dependency ที่คุณเป็นเจ้าของ: 2.1 GB, กระบวนการที่ต้องดูแลให้ทำงานอยู่, ไม่มี SLA, และเกณฑ์สิทธิ์การใช้งานที่ต้องจับตาดูเมื่อคุณเติบโต โมเดลที่อยู่ในรายการรอไม่ใช่ dependency เลย — มันคือผลการวิจัยที่คุณอ้างอิงได้แต่ไม่สามารถนำไปใช้งานจริงได้ สำหรับทีมที่กำลังเลือก voice stack สองสิ่งนี้ไม่ใช่สองจุดบนเส้นเดียวกัน แต่เป็นการตัดสินใจที่แตกต่างกันสองอย่าง

สิ่งที่วอยซ์เอเจนต์ต้องการซึ่งไม่มีโมเดลใดให้ได้ด้วยตัวเอง

ระบบเสียงในโปรดักชันไม่ค่อยใช้โมเดลเดียว ไม่ว่าส่วนหน้าจะเป็นแบบดูเพล็กซ์หรือแบบร้องขอและตอบกลับ บทสนทนาก็ยังส่งงานต่อให้โมเดลข้อความทั่วไปเป็นระยะ ทั้งการค้นหา การสกัดข้อมูล การตรวจสอบนโยบาย และการเรียกใช้การให้เหตุผลที่อยู่เบื้องหลังการหยุดรอ ชั้นการมอบหมายงานนี้คือจุดที่ความแปรปรวนของต้นทุนอยู่ และเป็นจุดที่ชั่วโมงแย่ ๆ ของผู้ให้บริการรายหนึ่งกลายเป็นการหยุดให้บริการของคุณ

เพื่อความชัดเจนเกี่ยวกับบริการของเราเอง: LFM3-Audio-2B ไม่ได้อยู่บน OrcaRouter และ Dessa ไม่ใช่ API เลยด้วยซ้ำ สิ่งที่ OrcaRouter ให้บริการคือเลเยอร์ข้อความที่ voice agent ส่งต่อไปยัง — โมเดลมากกว่า 200 รายการภายใต้คีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม มี failover อัตโนมัติเมื่อผู้ให้บริการมีปัญหา มี routing DSL ที่ประกอบหลายโมเดลไว้ในการเรียกครั้งเดียว และมี model fusion เมื่อการตัดสินใจของโมเดลเดียวไม่เพียงพอ หากคุณกำลังสร้างต้นแบบด้วย LFM3-Audio-2B ในเครื่อง ส่วนที่เป็น tool calling ครึ่งหนึ่งของลูปคือส่วนที่คุณสามารถวางไว้หลัง endpoint นั้นได้ตั้งแต่วันนี้ ส่วนที่เป็นเสียงยังคงอยู่ในเครื่องของคุณ

การทดสอบที่จะชี้ขาดเรื่องนี้

สำหรับ LFM3-Audio-2B หลักฐานที่ยังขาดอยู่มีความเฉพาะเจาะจง: การรัน WER แบบอิสระบนชุดมาตรฐาน การวัด latency บนฮาร์ดแวร์ที่ไม่ใช่ M4 Max และการทำซ้ำผลการเพิ่มขึ้นของ UTMOS โดยผู้ที่ไม่ได้ทำงานให้ Liquid ส่วน follow-up ด้าน live-ASR ใน llama.cpp ก็สำคัญเช่นกัน เพราะการถอดเสียงแบบแบตช์เป็นเส้นทางที่รองรับในปัจจุบัน และการรองรับเฉพาะภาษาอังกฤษเป็นข้อจำกัดเมื่อสตรีมมิ่งเปิดใช้งาน

สำหรับ Dessa รายการนั้นสั้นกว่าและยากกว่า: ชุดบทสนทนาที่กันไว้สำหรับทดสอบ ความหน่วงแบบ end-to-end ที่รวมถึงปฏิกิริยาทางเสียงแรกที่ได้ยิน การฟื้นตัวหลังถูกขัดจังหวะ ความชัดเจนในการฟังภายใต้เสียงรบกวน งบประมาณด้านข้อมูลและการประมวลผล และตัวชี้วัดบางอย่างเกี่ยวกับการคงอยู่ของข้อเท็จจริง เพียงข้อใดข้อหนึ่งในนั้นก็เปลี่ยนเดโมรีลให้กลายเป็นการประเมินได้ หากมีครบทั้งหมด ก็จะทำให้มันกลายเป็นผลิตภัณฑ์

จนกว่าจะถึงตอนนั้น คำอธิบายที่แม่นยำก็ยังแคบและมีประโยชน์ LFM3-Audio-2B คือโมเดลเสียงพูดขนาด 2B ที่คุณดาวน์โหลดได้ในหนึ่งนาที พูดได้ดีกว่าโมเดลที่มันมาแทน ฟังได้พอ ๆ กัน และยังไม่มีผู้ยืนยันอิสระใด ๆ Dessa คือเดโมเสียงที่น่าสนใจที่สุดของเดือนนี้ แต่ไม่มีทางตรวจสอบได้ ถ้าคุณต้องสร้างอะไรให้เสร็จภายในไตรมาสนี้ มีเพียงประโยคเดียวในนั้นที่ลงเอยด้วยการนำไปใช้งานจริง