
LFM3-Audio-2B กับ StepAudio 3: 2B โอเพนซอร์สปะทะไลน์ผลิตภัณฑ์ที่ได้รับการให้คะแนน
- Orcaใหม่OrcaCyber: GLM 5.3 Flash Abliterated2026-10-2780 tok/s
- Orcaใหม่OrcaCyber: Qwen3.8 Flash Next Abliterated2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 283 tok/s
- Orcaใหม่OrcaCyber: MiMo V2.6 Flash Abliterated2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 83 tok/s
- Moonshotใหม่MoonshotAI: Kimi K3.1 Pro2026-10-2455ความฉลาด
- Orcaใหม่OrcaCyber: DeepSeek V4.1 Flash Abliterated2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 119 tok/s
- minimaxใหม่MiniMax: M3.1 Flash2026-10-1943ความฉลาด
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 45 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-1745ความฉลาด
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 113 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2952ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2856ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 700 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2238ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2138ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2146ความฉลาด
- xAIGrok 4.72026-09-2146ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.02026-09-17$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 160 tok/s
StepAudio 3 Realtime มีตัวเลขที่ผูกอยู่กับสิ่งที่ผลิตภัณฑ์เสียงพูดถูกตัดสินด้วย: 98.9% บนบอร์ด Conversational Dynamics ของ Artificial Analysis โดยได้อันดับหนึ่ง LFM3-Audio-2B มีใบอนุญาต นั่นไม่ใช่การเปรียบเทียบเชิงวาทศิลป์ — มันคือสภาวะจริงของหลักฐานของ StepFun: StepAudio 3 ตระกูลนี้เปิดตัวเมื่อวันที่ 15 กันยายน 2026 ในฐานะโมเดลเสียงเชิงพาณิชย์ห้าโมเดลบนแพลตฟอร์มเดียว โดยมีการจัดวางโดยบุคคลที่สามและราคาพรีวิวเป็นศูนย์ LFM3-Audio-2B ของ Liquid AI ปรากฏเมื่อวันที่ 27 ตุลาคม ภายในชุดเปิดตัว LFM3 หกโมเดล ในฐานะเช็กพอยต์แบบเปิดน้ำหนักขนาด 2B พร้อมตารางผู้จำหน่ายและไม่มีคะแนนอิสระ ตัวหนึ่งเป็นผลิตภัณฑ์ที่วัดผลแล้วซึ่งคุณเช่า อีกตัวเป็นไฟล์ที่ยังไม่ได้วัดผลซึ่งคุณเป็นเจ้าของได้ การตัดสินใจระหว่างสองตัวนี้ไม่ได้เกี่ยวกับคุณภาพเสียงมากเท่ากับเกี่ยวกับว่าประโยคสองประโยคใดอธิบายข้อจำกัดของคุณ
มีแรงเย้ายวนให้ประกาศว่าโมเดลที่ได้คะแนนคือผู้ชนะแล้วเดินหน้าต่อไป จงต้านทานสิ่งนั้นไว้สักย่อหน้าหนึ่ง คะแนนของ StepAudio 3 Realtime วัดพลวัตของการสนทนา — การผลัดกันพูด การฟื้นตัวจากการขัดจังหวะ สัญญาณตอบรับระหว่างฟัง — บนระบบโฮสต์ที่มี WebSocket แบบคงอยู่และชุดข้อมูลฝึกที่ให้ความสำคัญกับภาษาจีนเป็นอันดับแรก LFM3-Audio-2B ไม่ได้อยู่ในกระดานนั้น ไม่ใช่แบบดูเพล็กซ์ และจะไม่ถูกวัดด้วยกระดานนั้นแม้มีคนส่งมันเข้าไปก็ตาม สองโมเดลนี้ไม่ได้แข่งขันกันเพื่อช่องเดียวกันในสแตก การเปรียบเทียบที่มีประโยชน์คือแต่ละตัวทำอะไรได้ที่อีกตัวทำไม่ได้ และแต่ละตัวต้องเสียต้นทุนเท่าใดในการค้นหาสิ่งนั้น
StepAudio 3 จริงๆ แล้วคืออะไร
ชื่อนี้ครอบคลุมทั้งตระกูลผลิตภัณฑ์ และระดับที่คุณเลือกจะเปลี่ยนการเปรียบเทียบ StepFun เปิดตัวโมเดลเสียงห้ารุ่นเมื่อวันที่ 15 กันยายน ได้แก่ Realtime, ASR, TTS, Gen และ Music ซึ่งใช้งานได้จริงบนแพลตฟอร์มเปิดในรูปแบบ API เชิงพาณิชย์ ส่วนระดับ Chat ที่มีบริบท 256K และเอาต์พุตข้อความช่วยเติมเต็มขอบเขตการใช้งานสำหรับนักพัฒนา
• StepAudio 3 Realtime — การสนทนาแบบฟูลดูเพล็กซ์โดยกำเนิด คิดวิเคราะห์จากเสียงพูดโดยตรงแทนที่จะถอดเสียงเป็นข้อความก่อน พร้อมการเรียกใช้เครื่องมือและการทำงานแบบอะซิงโครนัสของงานที่ใช้เวลานานในขณะที่การสนทนายังดำเนินอยู่ เป็นผลิตภัณฑ์เรือธง และเป็นสิ่งที่ใกล้เคียงที่สุดกับโมเดลเสียงอเนกประสงค์
• StepAudio 3 ASR — การรู้จำเสียง มีอัตราความผิดพลาดระดับคำที่ 1.7% บนกระดานจัดอันดับความแม่นยำ ASR แบบไม่สตรีมมิงของ Artificial Analysis โดยได้อันดับหนึ่งร่วม
• StepAudio 3 TTS — การสังเคราะห์เสียงแบบสตรีมมิ่ง รองรับ 6 ภาษา (อังกฤษ จีน ญี่ปุ่น เกาหลี ฝรั่งเศส สเปน) มีเสียงระบบ 12 เสียง และรับข้อความอินพุตได้สูงสุด 1,000 ตัวอักษร
• StepAudio 3 Gen — การสร้างเสียงพูด เอฟเฟกต์เสียง เสียงบรรยากาศ เพลงประกอบ และเสียงร้องแบบครบวงจรจากภาษาธรรมชาติ ขณะนี้อยู่ในช่วงทดลองใช้ฟรีแบบจำกัด
• StepAudio 3 Music — การสร้างเพลงแบบ zero-shot พร้อมการควบคุมแบบหลายรอบผ่านโน้ต ABC การแปลงเสียงร้องเป็นการเรียบเรียง และเพลงคัฟเวอร์
LFM3-Audio-2B เป็นเช็กพอยต์เดียวที่พยายามทำงานหลายอย่างเหล่านั้นพร้อมกัน ได้แก่ การรู้จำ การสังเคราะห์ การแปล ความเข้าใจเสียง และการเรียกใช้เครื่องมือด้วยเสียง โดยเลือกตามพรอมต์และโปรไฟล์การให้บริการ มันจะไม่สร้างเพลง และคลังเสียงเอฟเฟกต์ของมันก็มีเท่าที่โมเดลเสียงทั่วไปให้มา สิ่งที่มันมีก็คือไฟล์น้ำหนัก StepAudio 3 ไม่มีเลย — มันเป็นตระกูล API เชิงพาณิชย์ ไม่ใช่การเปิดตัวแบบโอเพนซอร์ส และไม่มีระดับบริการใดที่ส่งมอบไฟล์น้ำหนัก
กระดานคะแนน และใครเป็นผู้สร้าง
ตัวเลขของ StepFun คือฐานหลักฐานที่แข็งแรงที่สุดในการเปรียบเทียบครั้งนี้ และยังเป็นชุดที่ตีความเกินเลยได้ง่ายที่สุด ตัวเลข Conversational Dynamics ที่ 98.9% เป็นการจัดอันดับโดยบุคคลที่สามบน Artificial Analysis ซึ่งทำให้เชื่อถือได้มากกว่าตารางจากผู้ขาย ตัวเลข 99.7% ด้านการให้เหตุผลจากเสียงพูดถูกอ้างโดย StepFun และไม่ได้ถูกทำซ้ำอย่างเป็นอิสระ อัตราความผิดพลาดระดับคำของ ASR ที่ 1.7% เป็นการจัดอันดับของ Artificial Analysis ซึ่งเสมออันดับหนึ่ง และมันอยู่ในระดับ ASR ไม่ใช่โมเดล Realtime ทั้งสามสิ่งนี้คือข้อกล่าวอ้างสามประเภทที่แตกต่างกันแต่สวมเครื่องแบบเดียวกัน
ตารางของ LFM3-Audio-2B เป็นข้อมูลที่ผู้ขายรายงานทั้งหมด และเปรียบเทียบกับรุ่นก่อนหน้าของตัวเองคือ LFM2.5-Audio-1.5B ทั้งหมด: WER ของ ASR ภาษาอังกฤษ 6.23 เทียบกับ 6.13, WER/CER หลายภาษา 6.03, UTMOSv2 3.83 เทียบกับ 3.22, VoiceBench 73.13 เทียบกับ 55.17, MMAR 50.60 เทียบกับ 25.85 และการประเมินการเรียกใช้เครื่องมือภายในที่ 58.50 ไม่มีการระบุชุดทดสอบ ฮาร์เนส หรือความแปรปรวนใด ๆ และเราไม่พบการทำซ้ำอย่างอิสระของแถวใด ๆ เลย
เมื่อวางสองตัวนี้เทียบกัน ข้อสังเกตที่ตรงไปตรงมาคือแทบจะไม่ทับซ้อนกันเลย StepAudio 3 Realtime ถูกให้คะแนนด้านจังหวะการสนทนา ส่วน LFM3-Audio-2B ถูกให้คะแนนด้านการรู้จำ คุณภาพการสังเคราะห์ และการให้เหตุผลเชิงเสียง แกนเดียวที่ทั้งคู่เผยแพร่ค่าออกมาคือการรู้จำ และแม้แต่ตรงนั้น การเปรียบเทียบก็ยังปนเปื้อน: ค่า 1.7% ของ StepAudio เป็นคะแนนจากบอร์ดอิสระสำหรับระดับ ASR ขณะที่ค่า 6.23 ของ Liquid เป็นตัวเลขจากผู้ขายสำหรับโมเดลเสียงทั่วไปบนชุดข้อมูลที่ไม่ได้ระบุชื่อ ช่องว่างใหญ่พอที่ทิศทางน่าจะเป็นของจริง แต่ขนาดของช่องว่างไม่ใช่ผลการวัดอะไรที่สองทีมรันร่วมกัน

Duplex คือเส้นสายทางสถาปัตยกรรม
StepAudio 3 Realtime ถูกสร้างมาสำหรับการสนทนาทางโทรศัพท์ โดยจะฟังไปพร้อมกับพูด จัดการการขัดจังหวะ และวิเคราะห์จากเสียงดิบแทนการใช้ข้อความถอดเสียง ซึ่ง StepFun อ้างว่าช่วยรักษาน้ำเสียงและความเน้นที่การส่งต่อผ่านข้อความจะทำให้แบนราบ เอกสารของผลิตภัณฑ์ระบุความแตกต่างนี้ไว้อย่างชัดเจน: Realtime API มีระบบรู้จำเสียง การจัดการบริบท VAD การค้นหาเว็บ และการดึงข้อมูลในตัว ส่วน Chat API กลับต้องให้คุณนำแต่ละความสามารถเหล่านั้นไปใช้งานเอง
LFM3-Audio-2B ถูกสร้างขึ้นสำหรับการประมวลผลคำขอ ตัวเข้ารหัสเสียงแบบ causal ช่วยให้มัน prefill ได้ขณะที่คุณพูด และ LiquidCodec สตรีมเสียงพูดกลับมา — เสียง 80 ms ถูกแปลงเป็น 12 โทเคน และถอดรหัสด้วยความเร็วประมาณ 87 เท่าของเวลาจริงบนหนึ่งเธรด CPU ของ M4 Max ตัวเลข time-to-first-token ที่ "ต่ำสุดเพียง 50 ms" มาจากการออกแบบนั้น แต่การสตรีมคำตอบไม่เหมือนกับการรองรับการพูดแทรก (barge-in) และ Liquid ไม่ได้อ้างว่าทำงานแบบสองทาง (duplex) หากผลิตภัณฑ์ของคุณจำเป็นต้องรองรับการถูกพูดแทรก สถาปัตยกรรมจะเป็นตัวกำหนดเรื่องนี้ก่อนที่ benchmark ใด ๆ จะเป็นตัวกำหนด
มีข้อควรระวังเรื่องความหน่วงอยู่ที่อีกด้านหนึ่ง StepAudio 3 Realtime บันทึกเวลาไปจนถึงเสียงแรกไว้ที่ 8.83 วินาที บน leaderboard เดียวกันกับที่มันชนะด้าน conversational dynamics — เทียบกับ 1.18 วินาทีของ Gemini 3.8 Live และ 1.24 ถึง 1.34 วินาทีของ GPT-Live-1 โมเดลที่ชนะด้านการผลัดกันพูด แต่ใช้เวลาเกือบเท่ากับหนึ่งประโยคกว่าจะเริ่มพูด คือโมเดลที่คุณอาจไม่เคยได้แสดงคุณภาพดีที่สุดในสภาพแวดล้อมการใช้งานจริง ทดสอบความหน่วงก่อนคุณภาพการสนทนา และทดสอบนอกระบบให้บริการของ StepFun เองถ้าทำได้
ราคา ใบอนุญาต และสิ่งที่คุณกำลังซื้อจริง ๆ
StepAudio 3 เปิดให้ทดลองใช้ฟรีแบบจำกัดเวลาทั่วทั้งตระกูลผลิตภัณฑ์ โดยยังไม่มีการประกาศอัตราค่าบริการหลังช่วงทดลองใช้สำหรับระดับ Realtime ระดับ TTS มีราคาตามรายการที่ประกาศไว้ประมาณ $0.36 ต่อ 10,000 ตัวอักษรผ่านแคตตาล็อกของบุคคลที่สาม แต่ไม่ใช่ราคาของ Realtime และไม่ควรนำมาใช้แทนกัน ข้อสรุปในทางปฏิบัติคือ StepAudio 3 Realtime ใช้ฟรีเพื่อประเมินได้ในวันนี้ และยังไม่มีราคาสำหรับการใช้งานจริงในโปรดักชัน — เป็นช่วงเวลาที่ดีในการทดสอบ แต่ไม่ใช่ช่วงเวลาที่ดีในการสร้างแบบจำลองเศรษฐศาสตร์ต่อหน่วย
LFM3-Audio-2B มีต้นทุนอยู่ที่เครื่องที่ใช้รันมัน LFM Open License v1.0 ใช้งานเชิงพาณิชย์ได้ฟรีเมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์ และต้องจ่ายเมื่อเกินกว่านั้น บิลด์สำหรับ Ollama มีขนาด 2.1 GB และทำงานบน CPU ได้ llama.cpp รวมการรองรับเมื่อวันที่ 27 ตุลาคม ส่วน Transformers ต้องใช้เวอร์ชัน 5.20.2 หรือใหม่กว่าพร้อม trust_remote_code และน้ำหนักของ codec จะโหลดจากไดเรกทอรีแยก ดังนั้นควรปักหมุดสภาพแวดล้อมไว้ ไม่มีมาตรวัดคิดเงินรายนาที และยังไม่มี SLA ไม่มีระบบเพจเจอร์ และไม่มีผู้ขายให้โทรหาเมื่อผลลัพธ์ด้อยลง
• สิ่งที่คุณได้รับ — StepAudio 3 Realtime: เอนด์พอยต์เชิงพาณิชย์ รุ่นเรือธงปัจจุบัน พร้อมการสนับสนุน LFM3-Audio-2B: เช็กพอยต์ สัญญาอนุญาต และภาระด้านการดำเนินงาน
• สิ่งที่คุณตรวจสอบได้ — StepAudio 3: เอกสารประกอบ ตำแหน่งบนลีดเดอร์บอร์ด ไม่มีเวตโมเดล LFM3-Audio-2B: สถาปัตยกรรม การ์ดโมเดล เวต โคเดก แนวทางการฟайн-ทูน
• รูปแบบต้นทุน — StepAudio 3: คิดค่าบริการต่อการเรียกใช้งานครั้งละ เป็นศูนย์เมื่อไม่ได้ใช้งาน และยังไม่กำหนดราคาหลังช่วงพรีวิว LFM3-Audio-2B: ใช้อุปกรณ์ฮาร์ดแวร์แบบคงที่ ต้นทุนส่วนเพิ่มแทบเป็นศูนย์ ไม่มีมาตรวัดการใช้งาน
• โหมดความล้มเหลว — StepAudio 3: โควตา ภูมิภาค ปัญหาบัญชี ตั๋วสนับสนุน LFM3-Audio-2B: คุณเป็นคนดูแลเพจเจอร์เอง
ความครอบคลุมของภาษาไม่ใช่การเสมอกัน
LFM3-Audio-2B รองรับ 18 ภาษาใน 19 โลเคล โดยภาษาอังกฤษปรากฏสองครั้งในรูปแบบสหรัฐฯ และสหราชอาณาจักร นี่คือรายการสังเคราะห์ที่กว้างขวางสำหรับโมเดลขนาด 2B และเป็นข้อโต้แย้งเชิงปฏิบัติที่แข็งแกร่งที่สุดสำหรับโมเดลดังกล่าวในผลิตภัณฑ์ภาษายุโรปหรือผลิตภัณฑ์หลายภาษา ข้อจำกัดก็เฉพาะเจาะจงพอ ๆ กัน: ASR แบบเรียลไทม์รองรับเฉพาะภาษาอังกฤษเท่านั้น และการแปลมีประสิทธิภาพสูงสุดเมื่อแปลไปหรือมาจากภาษาอังกฤษ
StepAudio 3 เน้นภาษาจีนเป็นอันดับแรก เอกสารของ Realtime tier ไม่ได้เปิดเผยรายการภาษาทั้งหมด ส่วน TTS tier ของตระกูลนี้ครอบคลุมหกภาษา และ ASR tier ถูกสร้างขึ้นโดยเน้นภาษาจีนและอังกฤษ พร้อมรองรับภาษาถิ่น การสลับภาษา เสียงยาว และการร้องเพลง หากทราฟฟิกของคุณเป็นภาษาจีนกลางที่มีภาษาอังกฤษปนอยู่ สแต็กของ StepFun ถูกสร้างมาสำหรับงานลักษณะนี้ แต่ของ Liquid ไม่ใช่ หากทราฟฟิกของคุณเป็นภาษาสวีเดนและดัตช์ เช็กพอยต์ 18 ภาษาถือเป็นตัวเดียวในสองตัวนั้นที่อ้างว่ารองรับ

จุดที่เราเตอร์เหมาะ และจุดที่มันไม่เหมาะ
StepAudio 3 ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter และ LFM3-Audio-2B ก็เช่นกัน — ตัวหนึ่งเป็น API แบบปิด อีกตัวเป็นการดาวน์โหลด ดังนั้นจึงไม่มีเรื่องราวการ failover ระหว่างสองตัวนี้ให้เล่า และไม่มีเหตุผลใดที่จะแสร้งทำเป็นว่าเป็นอย่างอื่น
ชั้นการกำหนดเส้นทางมีความสำคัญในอีกระดับหนึ่ง ซึ่งเป็นจุดที่วอยซ์เอเจนต์ใช้ความซับซ้อนจริง ๆ StepAudio 3 Realtime รองรับการเรียกใช้เครื่องมือและงานอะซิงโครนัสที่ใช้เวลานาน ซึ่งหมายความว่าบทสนทนากำลังส่งงานให้โมเดลข้อความทั่วไปอยู่ตลอดเวลา เช่น การค้นหา การสกัดข้อมูล และการตรวจสอบนโยบาย ชั้นการมอบหมายงานนี้คือจุดที่ความล้มเหลวของผู้ให้บริการและความแปรปรวนของต้นทุนเกิดขึ้น OrcaRouter นำ โมเดลข้อความและมัลติโมดัลมากกว่า 200 โมเดลมาไว้หลังคีย์เดียว ในราคาตามรายการของผู้ให้บริการโดยไม่บวกเพิ่ม พร้อมการสลับไปใช้ระบบสำรองอัตโนมัติ, DSL สำหรับการกำหนดเส้นทางที่ประกอบหลายโมเดลไว้ในการเรียกครั้งเดียว และการหลอมรวมโมเดลเมื่อการตัดสินใจของโมเดลเดียวไม่เพียงพอ สำหรับต้นแบบ LFM3-Audio-2B นั่นคือครึ่งหนึ่งของสแต็กที่คุณสามารถวางไว้หลังเอนด์พอยต์ได้ในวันนี้ ในขณะที่โมเดลเสียงยังคงทำงานในเครื่อง
สามคำถามที่ชี้ขาด
คุณต้องการบทสนทนาที่สามารถขัดจังหวะได้หรือไม่
ดังนั้น StepAudio 3 Realtime เป็นเพียงตัวเดียวในสองตัวนี้ที่อ้างว่ามีพฤติกรรมดังกล่าว และเป็นจุดเริ่มต้นที่เหมาะสมแม้จะมีประเด็นเรื่องความหน่วง LFM3-Audio-2B เป็นแบบ request-and-response การ fine-tune ไม่ว่าจะมากเพียงใดก็ไม่เปลี่ยนอินเทอร์เฟซ ทดสอบตัวเลขเสียงแรกที่ 8.83 วินาทีบนเครือข่ายของคุณเองก่อนตัดสินใจ
คุณจำเป็นต้องเป็นเจ้าของโมเดลหรือรันแบบออฟไลน์หรือไม่
ถ้าอย่างนั้น LFM3-Audio-2B ก็เป็นตัวเลือกเดียวที่มีอยู่ตรงนี้ และเกณฑ์สิทธิ์การใช้งานคือตัวเลขที่ต้องนำไปเทียบกับรายได้ของคุณ ยอมรับบริบท 32K, live ASR ที่รองรับเฉพาะภาษาอังกฤษ และการไม่มีการประเมินที่เป็นอิสระไปเลย ลองนำไฟล์เสียงที่คุณอัดเองมารันผ่านมันก่อนที่คุณจะเชื่อในผลตอบแทนจาก UTMOS
คะแนนผู้ขายเพียงพอต่อการตัดสินใจเลือกหรือไม่
ยังไม่ใช่ และเหตุผลไม่ใช่ว่าตัวเลขของ StepFun ด้อย แต่เป็นเพราะคะแนนเหล่านั้นวัดสิ่งต่าง ๆ จากฮาร์เนสที่ต่างกัน และโมเดลที่ไม่มีคะแนนก็ไม่มีสิทธิ์เข้าลีดเดอร์บอร์ดที่ผลิตตัวเลขซึ่งถูกอ้างอิงมากที่สุด การเปรียบเทียบแบบพบกันตรง ๆ ที่เป็นกลางบนชุดบทสนทนาเดียวกันจะให้ข้อสรุปได้มากกว่าตารางของทั้งสองผู้จำหน่าย จนกว่าการเปรียบเทียบนั้นจะมีขึ้น การเลือกจึงเป็นคำถามเรื่องข้อจำกัด ไม่ใช่คำถามเรื่องคุณภาพ

คำตัดสิน
StepAudio 3 Realtime ชนะในแกนที่ตลาดกำลังวัดอยู่ในปัจจุบัน — พลวัตการสนทนา — และมีฐานหลักฐานที่แข็งแกร่งกว่า เนื่องจากบุคคลที่สามเป็นผู้ผลิตส่วนหนึ่งของหลักฐานนั้น นอกจากนี้ยังมีปัญหาความหน่วงที่ยังไม่ได้รับการแก้ไข ไม่มีราคาที่ประกาศหลังช่วงพรีวิว ไม่มีเวตของโมเดล และมีโปรไฟล์ภาษาที่ให้ความสำคัญกับภาษาจีนเป็นอันดับแรก จึงเป็นตัวเลือกที่ดีกว่าสำหรับเอเจนต์เสียงแบบเรียลไทม์ที่มุ่งเป้าผู้ใช้ชาวจีนและอังกฤษ โดยมีเงื่อนไขว่าการทดสอบความหน่วงจะผ่าน และราคาพรีวิวจะไม่กลายเป็นเรื่องเซอร์ไพรส์
LFM3-Audio-2B ชนะในเรื่องความเป็นเจ้าของและความหลากหลายของการสังเคราะห์ แต่แพ้ในเรื่องหลักฐาน มันเพิ่งเปิดตัวได้สี่วัน ตัวเลขมาจากผู้ขายรายงานเอง ASR ของมันอยู่กลางตารางในตารางของตัวเอง และสัญญาอนุญาตมีเกณฑ์รายได้ มันเป็นตัวเลือกที่ดีกว่าสำหรับผลิตภัณฑ์ออฟไลน์ เสียงหลายภาษา หรือทีมที่ไม่สามารถรับการคิดค่าบริการรายครั้งได้ — และเป็นตัวเดียวในสองตัวที่คุณประเมินได้ทั้งหมดบนฮาร์ดแวร์ของคุณเองในสัปดาห์นี้
สิ่งที่ต้องจับตาคือสิ่งเดียวกันในทั้งสองฝ่าย: การประเมินที่เป็นกลางซึ่งนำโมเดลแบบดูเพล็กซ์และโมเดลแบบรับคำขอและตอบกลับมาอยู่บนชุดบทสนทนาเดียวกัน และราคาการใช้งานจริงที่ประกาศไว้สำหรับ StepAudio 3 สิ่งแรกจะบอกคุณว่าเช็กพอยต์ 2B ของ Liquid ใกล้ระดับแนวหน้ามากกว่าที่เอกสารของบริษัทบ่งชี้หรือไม่ ส่วนสิ่งที่สองจะบอกคุณว่าความเป็นผู้นำของ StepFun ยังคงอยู่เมื่อต้องเผชิญกับใบแจ้งหนี้หรือไม่
