LFM3-Audio-2B กับ Qwen-Audio-3.1: เช็กพอยต์เดียว หลายมาตรวัด

ถามว่าQwen-Audio-3.1ราคาเท่าไร และคำตอบตรง ๆ อย่างแรกก็คืออีกคำถามหนึ่ง: รุ่นไหน? ชื่อนี้ครอบคลุมกลุ่มผลิตภัณฑ์เสียงแบบโฮสต์ที่มีหลายระดับ — โมเดลดูเพล็กซ์แบบเรียลไทม์, ระดับ flash แบบเรียลไทม์, การถอดเสียงแบบสตรีมมิ่งและแบบไฟล์ และโมเดลสังเคราะห์เสียงอีกสองตัว — และแต่ละระดับก็มีตารางราคาของตัวเอง LFM3-Audio-2Bเป็นสิ่งที่ตรงกันข้าม: เช็กพอยต์ 2B หนึ่งตัวจาก Liquid AI ที่เปิดตัวเมื่อ 27 ตุลาคม 2026 ภายในตระกูล LFM3 ซึ่งมีหกโมเดล ดาวน์โหลดได้ภายใต้ LFM Open License v1.0 พร้อมบิลด์ Ollama ขนาด 2.1 GB และไม่มีมิเตอร์คิดเงินต่อการเรียกใช้ที่ไหนเลย การเปรียบเทียบทั้งสองจึงไม่ใช่การเปรียบเทียบคุณภาพเสียง แต่เป็นการเปรียบเทียบรูปแบบการเรียกเก็บเงินสองแบบ และผลลัพธ์ทางคณิตศาสตร์ก็ออกมาแตกต่างกัน ขึ้นอยู่กับว่าทราฟฟิกของคุณสม่ำเสมอ เป็นพีก หรือยังเป็นเพียงสมมติ

รูปแบบการเปิดตัวก็สำคัญเช่นกัน เพราะมันกำหนดความคาดหวังต่อเอกสารประกอบ Qwen-Audio-3.1 เป็นแบบแคตตาล็อกมาก่อน: รหัสโมเดลได้รับการจัดทำเอกสารไว้ใน Alibaba Cloud Model Studio อธิบายเพียงหนึ่งหรือสองบรรทัดต่อโมเดล กำหนดราคาตามโทเค็น โดยไม่เผยแพร่น้ำหนักโมเดลและไม่เปิดเผยจำนวนพารามิเตอร์ต่อสาธารณะ LFM3-Audio-2B เป็นแบบน้ำหนักโมเดลมาก่อน: มีรีโพซิทอรี การ์ดโมเดล พูลรีเควสต์ที่รวมแล้วใน llama.cpp และหนึ่งย่อหน้าในโพสต์เกี่ยวกับตระกูลโมเดลของผู้จำหน่าย ตัวหนึ่งคือสายผลิตภัณฑ์ที่คุณเช่าใช้ อีกตัวคือไฟล์ที่คุณเป็นเจ้าของ ความแตกต่างในทางปฏิบัติทุกข้อด้านล่างนี้ล้วนเกิดจากสิ่งนั้น

สิ่งที่ชื่อนี้ครอบคลุมจริง ๆ

Qwen-Audio-3.1 ไม่ใช่ endpoint เดียว และการมองว่าเป็นเพียงหนึ่งเดียวคือข้อผิดพลาดที่พบบ่อยที่สุดในการเปรียบเทียบ แต่ละระดับทำหน้าที่ต่างกัน:

• qwen-audio-3.1-realtime-flash — เสียงพูดแบบสองทางเรียลไทม์ รับส่งข้อความและเสียงทั้งขาเข้าและขาออก พร้อมการเรียกใช้ฟังก์ชัน การค้นหาเว็บ การโคลนเสียง และโหมดตรวจจับการผลัดกันพูดสามโหมด นี่คืออะนาล็อกที่ใกล้เคียงที่สุดของ LFM3-Audio-2B และเป็นระดับราคาที่บทความนี้กำหนดไว้

• qwen-audio-3.1-realtime-plus — ระดับเรียลไทม์ที่ครบเครื่องกว่า Alibaba ระบุว่ามีการแปลงเสียงที่ 12.5 โทเค็นต่อวินาทีสำหรับรุ่นนี้ และคิดอัตราค่าเอาต์พุตที่สูงกว่าระดับแฟลชอย่างมีนัยสำคัญ สินค้าคนละตัว บิลคนละใบ

• qwen-audio-3.1-asr-flash-streaming — การรู้จำเสียงแบบสตรีมมิ่ง พร้อมผลลัพธ์ระหว่างทาง VAD คำฮอตเวิร์ด และการตัดคำพูดที่ไม่คล่องออก ไม่มีเอาต์พุตเสียง

• qwen-audio-3.1-asr-flash-filetrans — งานการรู้จำเดียวกันที่ประมวลผลเป็นชุดกับไฟล์

• Qwen-Audio-3.1-TTS และ TTS-Next — การสังเคราะห์เสียง โดยโมเดล Next ถูกวางตลาดในฐานะโมเดล "Audiogen" สำหรับเสียงพูด เอฟเฟกต์เสียง และบรรยากาศ ในการประมวลผลครั้งเดียวที่ 48 kHz

LFM3-Audio-2B รวมงานเหล่านั้นไว้ใน checkpoint เดียว การรู้จำ การสังเคราะห์ การแปล การทำความเข้าใจเสียง และการเรียกใช้เครื่องมือด้วยเสียง ล้วนเป็นโหมดของโมเดล 2B ตัวเดียวกัน ซึ่งเลือกได้ผ่าน prompt และ serving profile ไม่มี SKU ให้เลือก และไม่มีมาตรวัดแยกสำหรับการพูดกับการฟัง สิ่งที่แลกมาคือความละเอียดแลกกับความเรียบง่าย: คุณไม่สามารถจ่ายเฉพาะการรู้จำได้เมื่อคุณต้องการเพียงการรู้จำ เพราะไม่ว่าอย่างไรคุณก็ต้องรันโมเดลทั้งตัว

บิลที่คำนวณแล้ว

Alibaba ประกาศอัตราค่าบริการสำหรับ qwen-audio-3.1-realtime-flash เป็น USD ต่อหนึ่งล้านโทเค็น ในสิงคโปร์: ข้อความขาเข้า $0.23, เสียงขาเข้า $0.93, ข้อความขาออก $0.70, เสียงขาออก $1.87 ปักกิ่งถูกกว่าเล็กน้อยที่ $0.212, $0.848, $0.636 และ $1.696 จำกัดอัตราที่ 60 คำขอต่อนาที และ 100,000 โทเค็นต่อนาที โดยไม่มีเพดานแยกสำหรับการเชื่อมต่อ WebSocket พร้อมกัน หน้าต่างบริบทมีขนาด 262,144 โทเค็น โดยมีอินพุตสูงสุด 245,760 และเอาต์พุต 16,384 — แต่ประวัติเสียงถูกจำกัดไว้ที่ 50 เทิร์น หรือรวมสะสม 300 วินาที ซึ่งเป็นขีดจำกัดที่บทสนทนายาวจะเจอจริง

LFM3-Audio-2B ไม่มีเรตการ์ด เพราะ Liquid ไม่ได้ขายเป็นเอนด์พอยต์ ต้นทุนคือเครื่องที่คุณใช้รัน ขนาดดาวน์โหลด 2.1 GB และเกณฑ์ใบอนุญาต: ใช้เชิงพาณิชย์ฟรีเมื่อรายได้ต่อปีต่ำกว่า $10M และต้องจ่ายเมื่อเกินกว่านั้น บนแล็ปท็อปแทบเป็นศูนย์ ส่วนบน GPU ก็คือค่าใช้จ่ายของความจุที่ว่างซึ่งคุณจ่ายอยู่แล้ว โคเดกคือข้ออ้างเรื่องประสิทธิภาพที่ควรรู้ — LiquidCodec อัดเสียงพูด 80 ms ให้เหลือ 12 โทเคน และถอดรหัสได้เร็วประมาณ 87 เท่าของเวลาจริงบน CPU เธรดเดียวของ M4 Max — แต่นั่นวัดเฉพาะโคเดก ไม่ใช่โมเดลภาษา และไม่ควรตีความเป็นทรูพุตแบบ end-to-end บนฮาร์ดแวร์ของคุณ

ตอนนี้คือส่วนที่ชี้ขาด โมเดลเรียลไทม์แบบโฮสต์คิดค่าบริการตามโทเคนของการสนทนา รวมถึงเสียงที่โมเดลสร้างขึ้น และต้นทุนของวอยซ์เอเจนต์อยู่ที่เอาต์พุต ส่วนโมเดลแบบโฮสต์เองคิดค่าฮาร์ดแวร์เป็นรายชั่วโมง ไม่ว่าคนจะคุยกันอยู่หรือไม่ สำหรับคอนแทกต์เซ็นเตอร์ที่รับโหลดสม่ำเสมอ ต้นทุนคงที่จะถูกเฉลี่ยจนตัวเลขต่อชั่วโมงอาจต่ำกว่าอัตราค่าบริการมาตรฐานใด ๆ สำหรับผลิตภัณฑ์ที่มีทราฟฟิกพุ่งเป็นช่วง ๆ — ทีมคอมพลายแอนซ์ที่ถอดเสียงสายนับพันสายในวันสุดท้ายของไตรมาส แล้วไม่ทำอะไรเลยอีกสิบเอ็ดสัปดาห์ — การคิดค่าบริการต่อสายชนะ เพราะ GPU ยังคงคิดค่าใช้จ่ายตลอดช่วงที่ไม่มีคนใช้งาน โดยทั่วไปไม่มีรูปแบบไหนถูกกว่า แต่ละรูปแบบจะถูกกว่าที่อัตราการใช้งานที่ต่างกัน

ความครอบคลุม ความหน่วง และคำกล่าวอ้างที่ไม่ผ่านเกณฑ์

• ภาษา — LFM3-Audio-2B: 18 ภาษา, 19 โลแคล โดย ASR แบบเรียลไทม์จำกัดอยู่ที่ภาษาอังกฤษ และการแปลจะทำได้ดีที่สุดเมื่อแปลไปหรือมาจากภาษาอังกฤษ Qwen-Audio-3.1: เอกสารของ Alibaba สำหรับระดับ realtime flash ไม่ได้เผยแพร่รายการภาษา; ระดับการรู้จำเสียงมีการบันทึกไว้โดยรอบภาษาจีนกลาง กวางตุ้ง เสฉวน และภาษาถิ่นจีนอื่น ๆ พร้อมการตรวจจับภาษาอัตโนมัติ ให้ถือว่าความครอบคลุมของ Qwen เป็นที่ยังไม่ทราบจนกว่าเอกสารจะระบุรายการดังกล่าว

• ความหน่วง — LFM3-Audio-2B: "ต่ำสุดถึง 50 ms" สำหรับเวลาถึงโทเคนแรก ซึ่งวัดโดยผู้จำหน่ายบนฮาร์ดแวร์ Apple ที่ระบุชื่อรุ่น โดยไม่มีเปอร์เซ็นไทล์หรือฮาร์เนส Qwen-Audio-3.1: ตัวเลขพาดหัวของตระกูลจาก Alibaba ที่ 92 ms สำหรับโทเคนแรกมาจากเบนช์มาร์กความพร้อมกันสูงของตนเองบนสเปก 0.6B ไม่ใช่การทดสอบโดยบุคคลที่สาม ทั้งสองค่าไม่ใช่ตัวเลขทั่วไป

• ดูเพล็กซ์ — LFM3-Audio-2B: การร้องขอและการตอบกลับแบบสตรีมมิ่ง; เอนโคเดอร์แบบคอซอลช่วยให้พรีฟิลได้ขณะคุณพูด แต่ไม่มีการอ้างว่าสามารถแทรกบทสนทนาได้ Qwen-Audio-3.1 realtime-flash: เป็นดูเพล็กซ์อย่างชัดเจน พร้อม VAD ฝั่งเซิร์ฟเวอร์ และโหมด smart-turn ที่จัดการการขัดจังหวะได้

• บริบท — LFM3-Audio-2B: 32K โทเค็น รวมทั้งอินพุตและเอาต์พุต นี่ไม่ใช่ตัวเลข 256K ที่ถูกกล่าวซ้ำในสื่อบางฉบับเกี่ยวกับ LFM3; ตัวเลขนั้นเป็นของโมเดลข้อความ Qwen-Audio-3.1 realtime-flash: 262K โทเค็น โดยมีเพดานประวัติเสียงตามที่กล่าวไว้ข้างต้น

เส้นแบ่งแบบ duplex นั่นแหละคือจุดที่เปลี่ยนสถาปัตยกรรม ถ้าผลิตภัณฑ์ของคุณต้องถูกขัดจังหวะกลางประโยค LFM3-Audio-2B ก็เป็นโมเดลที่ผิดประเภท และไม่มีพรอมต์ใดแก้ไขได้ ถ้าผลิตภัณฑ์ของคุณอ่านบันทึกเสียงและตอบคำถามเกี่ยวกับบันทึกนั้น duplex ก็ไม่เกี่ยวข้อง และ checkpoint 2B คือออบเจ็กต์ที่เรียบง่ายกว่า

ใครวัดอะไรไว้บ้าง

Liquid เผยแพร่ตัวเลขหกค่าสำหรับ LFM3-Audio-2B โดยทั้งหมดเทียบกับโมเดลรุ่นก่อนหน้าของตัวเอง คือ LFM2.5-Audio-1.5B: WER ของ ASR ภาษาอังกฤษ 6.23 (เทียบกับ 6.13 ซึ่งแทบไม่เปลี่ยนแปลง), WER/CER หลายภาษา 6.03, UTMOSv2 3.83 (เทียบกับ 3.22), VoiceBench 73.13 (เทียบกับ 55.17), MMAR 50.60 (เทียบกับ 25.85) และการประเมิน tool-calling ภายในที่ 58.50 ไม่มีการระบุชุดทดสอบ ฮาร์เนส หรือค่าความแปรปรวนใด ๆ เราไม่พบการจำลองผลซ้ำโดยอิสระของแถวข้อมูลใด ๆ

หลักฐานของ Qwen แตกต่างในเชิงประเภท มีรายงานทางเทคนิคชื่อ "Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction" ซึ่งรายงานว่าความสำเร็จของงานบนการปรับใช้ half-duplex speech-to-text ของ τ-Voice เพิ่มขึ้นจาก 78.4% เป็น 82.0% และอัตราการตอบสนองต่อเสียงพูดพื้นหลังบน Full-Duplex-Bench v1.5 ลดลงจาก 73.0% เป็น 13.0% สองตัวเลขนี้เป็นตัวเลขที่ระบุไว้ในบทคัดย่อ เนื้อหาหลักมีตารางระดับโมเดล แต่ฉันยังไม่ได้ตรวจสอบกับ harness และบทความนี้เป็นรายงานของผู้ขายมากกว่าการประเมินที่เป็นอิสระ

ดังนั้นสกอร์บอร์ดที่ซื่อสัตย์คือ: โมเดลหนึ่งมีตารางจากผู้ขายแต่ไม่มีเปเปอร์ อีกโมเดลมีเปเปอร์จากผู้ขายแต่ไม่มีชุดทดสอบที่ทำซ้ำได้ และทั้งสองไม่ได้ปรากฏบนกระดานกลางใด ๆ ภายใต้ชื่อของตัวเอง บทความใดก็ตามที่นำตัวเลขของพวกเขามาใส่ในคอลัมน์ที่ติดกันกำลังจัดเรียงข้ออ้างที่ยังไม่ได้ตรวจสอบสองข้อ และปล่อยให้เลย์เอาต์เป็นตัวโน้มน้าว

ตำแหน่งที่เราเตอร์พอดีอย่างแม่นยำ

ทั้ง LFM3-Audio-2B และ Qwen-Audio-3.1 ไม่มีอยู่ในแค็ตตาล็อกของ OrcaRouter ดังนั้นจึงยังไม่มีข้อกล่าวอ้างเรื่องการจัดเส้นทางใด ๆ ที่จะพูดถึงเลเยอร์เสียงพูดเองได้ ส่วนเลเยอร์ที่อยู่เหนือขึ้นไปนั้นเป็นอีกเรื่องหนึ่ง ผลิตภัณฑ์เสียงที่สร้างบนโมเดลใดโมเดลหนึ่งจากสองตัวนี้ยังคงต้องใช้โมเดลข้อความเพื่อสรุป จำแนกประเภท สกัดข้อมูล หรือตัดสินใจว่าตัวแทนจะพูดอะไรต่อไป และการเรียกใช้โมเดลในจุดนั้นเองที่ต้นทุนและความน่าเชื่อถือแตกต่างกันจริง ๆ

OrcaRouter นำโมเดลข้อความและมัลติโหมดิกว่า 200 โมเดลมาไว้เบื้องหลังคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม พร้อมการสลับไปยังผู้ให้บริการอื่นโดยอัตโนมัติเมื่อเกิดข้อขัดข้อง และ DSL สำหรับการกำหนดเส้นทางที่สามารถประกอบหลายโมเดลไว้ในการเรียกครั้งเดียวได้ สำหรับการเปรียบเทียบนี้ รูปแบบที่มีประโยชน์คือ A/B: รันบทสนทนาที่บันทึกไว้ชุดเดียวกันผ่าน qwen-audio-3.1-realtime-flash และผ่าน LFM3-Audio-2B บนฮาร์ดแวร์ของคุณเอง จากนั้นส่งบทถอดเสียงทั้งสองไปยังโมเดลปลายทางเดียวกันบนเอนด์พอยต์เดียวกัน การเปรียบเทียบจะยังคงสะอาด และครึ่งที่เป็นข้อความจะไม่กลายเป็นตัวแปรที่คุณลืมควบคุม

เลือกบิลไหนดี

เลือก Qwen-Audio-3.1 realtime-flash หากคุณต้องการการสนทนาแบบสองทางพร้อมกัน สแตกการรู้จำที่เน้นภาษาจีนเป็นหลัก บริบท 262K หรือ SLA จากผู้ให้บริการ — และหากทราฟฟิกของคุณพุ่งสูงเป็นช่วง ๆ พอที่การคิดค่าบริการตามโทเคนจะเป็นข้อได้เปรียบ อ่านชื่อระดับบริการให้ละเอียดก่อนเสนอราคา: realtime-plus และ realtime-flash ไม่ใช่ผลิตภัณฑ์เดียวกัน และอัตราค่าใช้จ่ายฝั่งเอาต์พุตคือจุดที่กำหนดค่าใช้จ่ายของ voice agent

เลือก LFM3-Audio-2B หากคุณต้องการเป็นเจ้าของโมเดล ใช้งานแบบออฟไลน์ หลีกเลี่ยงการคิดค่าบริการรายนาที หรือสังเคราะห์เสียง 18 ภาษาบนแล็ปท็อป จงยอมรับบริบท 32K, ASR สดที่รองรับเฉพาะภาษาอังกฤษ, เกณฑ์ใบอนุญาต และข้อเท็จจริงที่ว่าความแม่นยำในการรู้จำของมันอยู่ในระดับกลางตารางในการเปรียบเทียบของผู้ขายเอง

เดี๋ยวก่อน หากคุณต้องการตัวเลขที่คุณสามารถใช้ชี้แจงต่อทีมจัดซื้อได้ ทั้งสองโมเดลยังไม่มีตัวเลขนั้น การประเมินอิสระครั้งแรกบนคลังเสียงที่ใช้ร่วมกัน — ไม่ใช่ตารางจากผู้ขาย ไม่ใช่เอกสารจากผู้ขาย — จะมีค่ามากกว่าทุกตัวเลขข้างต้น และนั่นคือสิ่งที่ต้องจับตาก่อนที่ตัวใดตัวหนึ่งในสองตัวนี้จะกลายเป็นมาตรฐาน