LFM3-Audio-2B กับ Voxtral 3: ดาวน์โหลด 2.1 GB เทียบกับแพลตฟอร์มเสียง

วิธีที่ตรงไปตรงมาในการเปิดการเปรียบเทียบระหว่าง LFM3-Audio-2BกับVoxtral 3คือการบอกว่า ยังไม่มีใครเผยแพร่ผลการรันใด ๆ ของมัน Liquid AI เผยแพร่ตารางเบนช์มาร์กสำหรับโมเดลเสียงขนาด 2 พันล้านพารามิเตอร์ของตน และ Mistral เผยแพร่ตารางหนึ่งสำหรับชุดเสียงพูดของตน และทั้งสองตารางแทบไม่มีแถวใดร่วมกัน ในจุดที่ทั้งสองตารางตรงกัน โมเดลที่ถูกวัดไม่ใช่รุ่นเดียวกัน ใครก็ตามที่บอกคุณว่าตัวไหน “ดีกว่า” บนเบนช์มาร์ก กำลังเปรียบเทียบตัวเลขจากชุดทดสอบหนึ่งกับตัวเลขจากอีกชุดหนึ่ง และหวังว่าคุณจะไม่ตรวจสอบ

ส่วนนี้ทำสิ่งที่ไม่เรียบร้อยนักแต่มีประโยชน์กว่าเดิม คือแยกคำถามที่คุณตอบได้ออกจากคำถามที่คุณยังตอบไม่ได้ คุณยังบอกไม่ได้ว่าโมเดลไหนถอดเสียงภาษเยอรมันได้ดีกว่า เพราะยังไม่มีชุดทดสอบหลายภาษาที่ใช้ร่วมกันระหว่างทั้งสอง แต่คุณบอกได้อย่างมั่นใจและอ้างอิงจากเอกสารของผู้ขายทั้งสองรายเองว่า ทั้งสองไม่ใช่ผลิตภัณฑ์ชนิดเดียวกันเลย: ตัวหนึ่งเป็นไฟล์ขนาด 2.1 GB ที่คุณรันเอง ส่วนอีกตัวเป็นไปป์ไลน์สี่โมเดลที่แนบ SDK สำหรับโทรศัพท์มาด้วย และไม่มี weights ให้ดาวน์โหลด

ความแตกต่างดังกล่าวเป็นตัวชี้ขาดการนำไปใช้งานจริงส่วนใหญ่ ก่อนที่จะมีการพิจารณาค่า WER แม้แต่ค่าเดียว ส่วนที่เหลือของบทความนี้จะกล่าวถึงกรณีที่มันไม่ได้เป็นเช่นนั้น

Voxtral Liquid ที่นำมาทดสอบนั้นไม่ใช่ Voxtral ที่คุณกำลังเปรียบเทียบด้วย

การ์ดโมเดลของ Liquid วาง LFM3-Audio-2B ไว้ข้างคู่แข่งหกราย และหนึ่งในนั้นคือ Voxtral แถวนั้นมีป้ายกำกับว่า Voxtral Mini 3B และในงาน ASR ภาษาอังกฤษ มันเอาชนะโมเดลของ Liquid ได้: อัตราความผิดพลาดระดับคำ 5.51% เทียบกับ 6.23% นั่นคือการเปรียบเทียบกับ Voxtral โดยตรงเพียงครั้งเดียวที่ Liquid เผยแพร่ และเป็นเรื่องง่ายที่จะตีความว่า "โมเดลเสียงของ Mistral ถอดเสียงได้แม่นยำกว่า"

นี่ไม่ใช่การเปรียบเทียบอย่างที่พาดหัวข่าวบอกเป็นนัย Voxtral Mini 3B คือ mistralai/Voxtral-Mini-3B-2507 — โมเดลขนาด 3B ที่เปิดตัวในเดือนกรกฎาคม 2025 ภายใต้ Apache 2.0 สร้างขึ้นสำหรับการติดตั้งในเครื่องและบน edge โดยเปิดตัวก่อน Voxtral 3 ถึงสิบห้าเดือนและอยู่ในรุ่นผลิตภัณฑ์ที่แตกต่างกัน ชุดผลิตภัณฑ์ของ Mistral เมื่อวันที่ 20 ตุลาคม 2026 ไม่มีโมเดลชื่อ Voxtral Mini 3B; ตัวถอดเสียงที่เล็กที่สุดคือ Voxtral Mini Transcribe 3 ที่ 4B พารามิเตอร์และ $0.0035 ต่อนาที

ยังมีความไม่สอดคล้องกันภายในตารางด้วย คอลัมน์พารามิเตอร์ในแถวนั้นระบุว่า 5B ในแถวที่ตั้งชื่อตามโมเดล 3B นั่นไม่ใช่เหตุผลที่จะไม่ไว้วางใจตัวเลข WER ซึ่งมาจากการประเมินที่มีชื่อระบุ ได้แก่ ESB และชุด Open ASR leaderboard โดยคิดเป็นค่าเฉลี่ย แต่เป็นเหตุผลให้อ่านหัวคอลัมน์บนตารางของผู้ขายก่อนจะอ่านตัวเลข

ผลที่ตามมานี้ควรกล่าวอย่างตรงไปตรงมา เพราะมันเป็นข้อเท็จจริงที่มีประโยชน์ที่สุดเพียงข้อเดียวในบทความนี้: ยังไม่มีการเผยแพร่การเปรียบเทียบแบบตัวต่อตัวระหว่าง LFM3-Audio-2B กับโมเดล Voxtral 3 ใด ๆ ไม่ว่าจะจาก Liquid จาก Mistral หรือจากผู้ประเมินอิสระก็ตาม Liquid เปรียบเทียบโมเดลใหม่ของตนกับopen-weightsโมเดลเสียงของ Mistral จากปี 2025 ซึ่งเป็นทางเลือกที่สมเหตุสมผลสำหรับการเปรียบเทียบแบบเปิดกับเปิดอย่างยุติธรรม และยังเป็นการเปรียบเทียบเพียงแบบเดียวที่เป็นไปได้ในตอนนี้ เพราะ Voxtral 3 ไม่ได้เผยแพร่ค่าน้ำหนักเลย การเปรียบเทียบโมเดลเสียงแบบเปิดน้ำหนักในปี 2026 ไม่สามารถทำกับ Voxtral 3 ได้เลย

ผลิตภัณฑ์ทั้งสองนี้คืออะไรกันแน่

ความไม่สมมาตรนั้นเห็นได้ง่ายกว่าในรูปร่างของการเปิดตัวมากกว่าในสเปก

LFM3-Audio-2B เป็นโมเดลหนึ่ง เปิดตัวเมื่อวันที่ 27 ตุลาคม 2026 โดยเป็นส่วนหนึ่งของตระกูล LFM3 ที่มีหกโมเดล รับอินพุตเป็นข้อความหรือเสียง 16 kHz และส่งออกเป็นข้อความ เสียงพูด 24 kHz หรือข้อความและเสียงพูดสลับกัน พร้อมการเรียกเครื่องมือ ตัวเข้ารหัสเสียงเชิงสาเหตุ (causal audio encoder) ใหม่ที่พัฒนาขึ้นภายในช่วยให้โมเดลเริ่มประมวลผลล่วงหน้า (prefill) ได้ในขณะที่คุณยังพูดอยู่ LiquidCodec โทเคนไนเซอร์บีบอัดเสียงพูด 80 มิลลิวินาทีให้เป็น 12 โทเคนแบบไม่ต่อเนื่อง โดยถอดรหัสแบบขนานแทนที่จะเป็นแบบลำดับ ด้วยความเร็วประมาณ 87 เท่าของเวลาจริงบนเธรด CPU เดียวของ M4 Max — ซึ่งเป็นตัวเลขปริมาณงานของโคเดก ไม่ใช่ข้อกำหนดด้านฮาร์ดแวร์

Voxtral 3 ซึ่งประกาศเมื่อวันที่ 20 ตุลาคม 2026 เป็นชุดผลิตภัณฑ์ที่ประกอบด้วยตัวถอดเสียงแบบแบตช์ ตัวถอดเสียงแบบแบตช์ขนาดเล็กตัวที่สอง ตัวถอดเสียงแบบสตรีมมิ่ง โมเดล TTS ผลิตภัณฑ์ปรับแต่งเสียงพูด และ SDK เอเจนต์เสียงที่อิง LiveKit ซึ่งเชื่อมต่อทุกส่วนเข้าด้วยกันผ่าน SIP และ WebRTC คุณไม่ได้เลือก Voxtral 3 คุณเลือกไปป์ไลน์ และ Voxtral 3 จัดหาขั้นตอนต่างๆ ให้

• น้ำหนักโมเดล — LFM3-Audio-2B เผยแพร่น้ำหนักโมเดลแบบเปิดภายใต้ LFM Open License v1.0; Voxtral 3 ไม่เผยแพร่น้ำหนักโมเดลที่ดาวน์โหลดได้ และเอกสารเปิดตัวของ Mistral กลับระบุถึงการเข้าถึงผ่าน API, playground ของ Studio และการติดตั้งบนโครงสร้างพื้นฐานส่วนตัวแทน

• พื้นที่ใช้งาน — 2.1 GB บน Ollama เมื่อเทียบกับ endpoint; ไม่มีไฟล์ Voxtral 3 ให้วัดขนาด

• บริบท — 32K โทเค็นสำหรับ LFM3-Audio-2B ทั้งอินพุตและเอาต์พุต Mistral ไม่ได้เผยแพร่ตัวเลขบริบทสำหรับตัวถอดเสียงเลยแม้แต่ตัวเดียว แต่คิดราคาตามนาทีแทน

• มอดัลลิตี — LFM3-Audio-2B รองรับ any-to-any ได้ในโมเดลเดียว: ฟัง พูด เข้าใจ แปล และเรียกใช้เครื่องมือ ส่วน Voxtral 3 แยกความสามารถเหล่านั้นออกเป็นโมเดลและ endpoint แยกกัน โดยตัวถอดเสียงและโมเดล TTS ไม่ใช่ระบบเดียวกัน

• สัญญาอนุญาต — LFM Open License v1.0 ใช้ฟรีสำหรับการใช้งานเชิงพาณิชย์เมื่อรายได้ต่อปีต่ำกว่า 10 ล้านดอลลาร์สหรัฐ; Voxtral 3 เป็น API เชิงพาณิชย์ซึ่งข้อกำหนดมีผลใช้บังคับต่อการเรียกใช้งานแต่ละครั้ง

• การแยกผู้พูดและการปรับเอนเอียงตามบริบท — Voxtral 3 มีทั้งสองอย่าง โดยมี cpWER ที่ 18.4% บนชุดข้อมูลการแยกผู้พูดของ Mistral เอง และการเรียกคืนคีย์เฟรสเพิ่มขึ้นจาก 81.4% เป็น 94.6% เมื่อคุณให้บริบท ขณะที่ LFM3-Audio-2B ไม่เปิดเผยความสามารถทั้งสองนี้

ความครอบคลุมของภาษาเป็นช่องว่างเดียวที่ยังไม่ใกล้จะปิด

LFM3-Audio-2B รองรับ 18 ภาษาใน 19 โลแคล ตามที่ระบุบนการ์ด ได้แก่ อาหรับ เดนมาร์ก เยอรมัน กรีก อังกฤษ (นับบริติชและอเมริกันแยกจากกัน) ฟินแลนด์ ฝรั่งเศส ฮีบรู อิตาลี ญี่ปุ่น เกาหลี ดัตช์ โปแลนด์ โปรตุเกส สเปน สวีเดน ตุรกี และจีน โดยทดสอบ ASR หลายภาษากับเก้าภาษาในนั้น และรายงานอัตราความผิดพลาดเฉลี่ย 6.03 บน FLEURS โดยใช้อัตราความผิดพลาดระดับอักขระสำหรับภาษาจีน ญี่ปุ่น และเกาหลี

ตัวถอดเสียงของ Voxtral 3 ครอบคลุม 50 ภาษาขึ้นไป โมเดลแบบเรียลไทม์อ้างว่า 35+ ในจุดหนึ่งของหน้า และ 40+ ในอีกจุดหนึ่ง ซึ่งเป็นความไม่สอดคล้องแบบที่มักบ่งบอกว่าตัวเลขถูกเปลี่ยนไประหว่างสัปดาห์เปิดตัว และไม่มีใครปรับข้อความให้ตรงกัน

หากไฟล์เสียงของคุณมาเป็นภาษาเวียดนาม ภาษาฮินดี ภาษารัสเซีย ภาษานอร์เวย์ หรือภาษาคาตาลัน LFM3-Audio-2B จะไม่ระบุภาษาเหล่านี้ไว้ และ Voxtral 3 พูดได้ทั้งห้าภาษา — ทั้งห้าอยู่ในสิบแปดภาษาสำหรับชุดเสียงสำเร็จรูป (voice-preset) ที่ Mistral ระบุชื่อไว้ เมื่อดูทั้งรายการ เราไม่พบภาษาที่ Liquid รองรับซึ่งภาษาถอดเสียงมากกว่า 50 ภาษาของ Mistral ไม่ได้อ้างว่าครอบคลุม ข้อควรระวังอย่างตรงไปตรงมาคือ Mistral เผยแพร่รายการ voice-preset ของตนแบบเต็ม แต่เผยแพร่ความครอบคลุมด้านการถอดเสียงเพียงเป็นจำนวนตัวเลขเท่านั้น ดังนั้นส่วนหนึ่งของการเปรียบเทียบนี้จึงเป็นการนำรายการมาเทียบกับตัวเลข

มีจุดที่คมชัดยิ่งกว่าอยู่ในเอกสารของ Liquid เอง โหมด ASR แบบไลฟ์ของโมเดล — โหมดที่ถอดเสียงขณะเสียงสตรีมเข้ามาเป็นชุดละประมาณ 0.96 วินาที — รองรับเฉพาะภาษาอังกฤษเท่านั้น การถอดเสียงแบบแบตช์ครอบคลุมรายการภาษาเต็ม 18 ภาษา แต่เส้นทางการสตรีมไม่ครอบคลุม ใครก็ตามที่วางแผนจะสร้างฟีเจอร์คำบรรยายแบบหลายภาษาเรียลไทม์จาก LFM3-Audio-2B ควรอ่านบรรทัดนั้นสองครั้ง เพราะสิ่งนี้ตัดโมเดลออกจากงานดังกล่าวไม่ว่าตาราง WER จะเป็นอย่างไร

ตัวเลขเวลาแฝงสองค่าที่ไม่ได้วัดสิ่งเดียวกัน

Liquid โฆษณาเวลาถึงโทเคนแรกว่า "ต่ำถึง 50 ms" Mistral โฆษณาว่าตัวถอดเสียงแบบเรียลไทม์ใช้เวลาต่ำกว่า 500 ms และการทำงานของเอเจนต์หนึ่งรอบเต็มใช้เวลาต่ำกว่าหนึ่งวินาที ตัวเลขเหล่านี้เทียบกันไม่ได้ และความแตกต่างไม่ใช่ข้อผิดพลาดจากการปัดเศษ

ตัวเลข 50 ms เป็นเส้นทางแบบ speech-to-speech: causal encoder เริ่มประมวลผลก่อนที่คุณจะพูดจบประโยค โมเดลจึงเริ่มปล่อยโทเคนแรกของคำตอบได้ในขณะที่เสียงยังคงไหลเข้ามา นี่เป็นข้อกล่าวอ้างเกี่ยวกับการโต้ตอบในโมเดลสนทนา ส่วนตัวเลขต่ำกว่า 500 ms คือความหน่วงในการถอดเสียง — ความล่าช้าก่อนข้อความจะปรากฏ — และตารางของ Mistral เองก็แสดงให้เห็นว่าต้องแลกกับอะไร ใน benchmark แบบเรียลไทม์ของบริษัท Voxtral Mini Transcribe Realtime 3 ที่ความหน่วง 960 ms ให้ค่า WER 6.0%; ที่ 480 ms ให้ 6.4%; ที่ 240 ms ให้ 7.4% ความหน่วงและความแม่นยำแลกเปลี่ยนกันโดยตรง และ Mistral ให้คุณเลือกจุดบนเส้นโค้งนั้นได้

Liquid ไม่ได้เผยแพร่เส้นโค้งที่เทียบเท่ากัน มันเผยแพร่เพียงค่าพื้น — 50 ms — โดยไม่ระบุฮาร์ดแวร์ ไม่ระบุชุดทดสอบ และไม่ระบุความแม่นยำ ณ ความหน่วงระดับนั้น ค่าพื้นนี้อาจเป็นของจริง แต่ก็ยังไม่ใช่ข้อกำหนดที่คุณจะใช้วางแผนผลิตภัณฑ์ได้

การคำนวณต้นทุนที่แสดงวิธีคิดให้เห็นจริง แทนที่จะเป็นเพียงการกล่าวอ้าง

การเปรียบเทียบโมเดล open-weights กับ API ที่คิดค่าบริการรายนาทีนั้นขึ้นอยู่กับปริมาณการใช้งาน และการคำนวณก็ง่ายพอที่จะทำได้อย่างถูกต้อง

การถอดเสียง, ไฟล์เสียง 1,000 ชั่วโมง — 60,000 นาที. Voxtral Mini Transcribe 3 ในราคา $0.0035 ต่อนาที คิดเป็น $210. Voxtral Small Transcribe 3 ในราคา $0.004 คิดเป็น $240. Voxtral Mini Transcribe Realtime 3 ในราคา $0.008 คิดเป็น $480. LFM3-Audio-2B เป็นดาวน์โหลดฟรีที่ทำงานบนฮาร์ดแวร์ที่คุณมีอยู่แล้ว ดังนั้นต้นทุนส่วนเพิ่มของมันคือค่าไฟฟ้า

การสังเคราะห์เสียงพูด 1,000 ชั่วโมง — ที่ประมาณ 900 ตัวอักษรต่อนาทีของการพูด นั่นคือ 54 ล้านตัวอักษร Voxtral Mini TTS 3 ที่ราคา 13 ดอลลาร์ต่อล้านตัวอักษร คิดเป็น 702 ดอลลาร์ LFM3-Audio-2B ไม่มีค่าใช้จ่ายต่อตัวอักษร และมีตัวเลือกเสียงสองแบบ คือเสียงชายและเสียงหญิง ซึ่งเลือกได้ผ่านพรอมต์ Voxtral โคลนเสียงจากไฟล์เสียง 30 นาที และมีตัวควบคุมอารมณ์ จังหวะ และการเน้นเสียง

เอเจนต์เสียงแบบเรียลไทม์ สนทนาได้ 1,000 ชั่วโมง — Mistral ตั้งราคาไปป์ไลน์ที่ประกอบขึ้นไว้ที่ $0.04 ต่อนาที โดยให้ Mistral Small 4 เป็นตัวขับเคลื่อนการให้เหตุผล และ $0.08 เมื่อใช้โมเดลที่ใหญ่กว่า นั่นคือ $2,400 ถึง $4,800 LFM3-Audio-2B จัดการการฟังและการพูดภายในเครื่อง แต่ยังต้องใช้โมเดลให้เหตุผลสำหรับงานที่เกินความสามารถของตัวเอง และบัตรข้อมูลของมันระบุตรงๆ ว่าไม่แนะนำสำหรับการให้เหตุผลแบบหลายขั้นตอนที่ซับซ้อน

ส่วนที่มักถูกมองข้ามคือจุดคุ้มทุน เครื่องราคา $1,000 จะคืนทุนหลังจากใช้งาน Voxtral Mini Transcribe 3 ประมาณ 4,760 ชั่วโมง หรือประมาณเสียงต่อเนื่อง 200 วัน หรือหนึ่งปีครึ่งหากใช้วันละแปดชั่วโมง เมื่อปริมาณงานน้อย API ถูกกว่าการซื้อฮาร์ดแวร์ และถูกกว่าในวันที่เริ่มใช้ กรณีแบบ open weights ไม่ใช่ "ฟรี" แต่เป็น "ต้นทุนคงที่แทนต้นทุนส่วนเพิ่ม" และจะได้เปรียบก็ต่อเมื่อมีปริมาณงานมากพอ ข้อกำหนดด้านความเป็นส่วนตัวเข้มงวด หรืออุปกรณ์ไม่มีการเชื่อมต่อเครือข่าย

จุดที่เราเตอร์พิสูจน์คุณค่าในภาพนี้ไม่ใช่ที่โมเดลเสียงตัวใดตัวหนึ่ง — ทั้ง LFM3-Audio-2B และ Voxtral 3 ต่างยังไม่มีอยู่ในแค็ตตาล็อกของ OrcaRouter ในวันนี้ และเราก็ไม่คิดจะแสร้งทำเป็นว่ามี จุดนั้นอยู่ที่ขั้นตอนการให้เหตุผลซึ่งทั้งสองสถาปัตยกรรมล้วนต้องใช้ เอเจนต์เสียงคือห่วงโซ่: ถอดเสียง ให้เหตุผล พูด ข้อต่อตรงกลางคือ LLM แบบโฮสต์ และนั่นคือข้อต่อที่ได้ประโยชน์จากคีย์เดียวที่ใช้ได้กับกว่า 200 โมเดล ราคาตามรายการของผู้ให้บริการ ส่งต่อไปยังคุณโดยบวกกำไร 0% ทำให้การเปลี่ยนแปลงราคาจากผู้ขายมาถึงคุณภายในวันเดียวกัน และมีการ failover อัตโนมัติเมื่อผู้ให้บริการมีช่วงเวลาที่มีปัญหาระหว่างการโทร

อะไรได้รับการยืนยันแล้ว และอะไรยังไม่ได้รับการยืนยัน

มีหลักฐานสามระดับที่เกี่ยวข้องในที่นี้ และการทำให้它們แบนราบเป็นจุดที่การเปรียบเทียบผิดพลาด

วัดผลอย่างเป็นอิสระ คุณภาพการถอดเสียงของ Voxtral 3 มีตัวเลขจากบุคคลที่สาม: Artificial Analysis จัดให้ Voxtral Small Transcribe 3 อยู่ที่ WER 2.1% บนดัชนีของตัวเอง เป็นอันดับสามโดยรวม ณ วันที่ 21 ตุลาคม 2026 โดย Voxtral Mini Transcribe 3 อยู่ที่ 2.2% ส่วน TTS ของมันได้อันดับ 13 บน Provider Voice arena ด้วย 1,217 Elo และอันดับ 14 บน Controlled Voice ด้วย 1,066 — อยู่กลางตาราง และควรพูดตรง ๆ เนื่องจากโพสต์โซเชียลของ Mistral ระบุว่าเป็นสิบสองอันดับแรก

ข้อมูลจากผู้ขาย ยังไม่มีการทำซ้ำผลตัวเลขทุกตัวของ LFM3-Audio-2B ในบทความนี้เป็นของ Liquid เอง ทั้งค่า WER ภาษาอังกฤษ 6.23 ค่าภาษาหลายภาษา 6.03 ค่า UTMOSv2 3.83 ค่า VoiceBench 73.13 การประเมิน tool-calling ภายใน 58.50 และค่า MMAR 50.60 ณ เวลาที่เขียนนี้ ยังไม่มีรายการของ Artificial Analysis สำหรับโมเดลนี้ และยังไม่มีบุคคลที่สามรายใดเผยแพร่ผลการทำซ้ำ ควรถือว่าสิ่งเหล่านี้เป็นข้อกล่าวอ้าง ไม่ใช่ผลการวัด

ไม่สามารถเปรียบเทียบกันได้เลยWER ภาษาอังกฤษ 6.23% ของ Liquid, ตัวเลข FLEURS 4.0% ของ Mistral และ 2.1% ของ Artificial Analysis เป็นการทดสอบที่แตกต่างกันสามแบบบนชุดเสียงที่แตกต่างกันสามชุด อย่านำมาลบกัน การเปรียบเทียบแบบใช้ฮาร์เนสเดียวกันเพียงอย่างเดียวที่ Liquid เผยแพร่คือการเทียบกับ Voxtral Mini 3B — โมเดลโอเพนเวตส์ปี 2025 ในส่วนนี้ Liquid 2B ทำได้ 6.23 เทียบกับ 5.51 ของ Voxtral ใน ASR ภาษาอังกฤษ แต่ชนะใน ASR หลายภาษา 6.03 ต่อ 7.76, VoiceBench 73.13 ต่อ 65.78, MMAR 50.60 ต่อ 50.10 และการเรียกใช้เครื่องมือ 58.50 ต่อ 44.50

"shipped quietly" ในที่นี้หมายความว่าอะไรกันแน่

LFM3-Audio-2B ไม่ได้รับการเปิดตัวเป็นของตัวเอง และความแตกต่างนี้สำคัญหากคุณกำลังตัดสินใจว่าจะไว้วางใจเอกสารได้มากน้อยเพียงใด

Liquid ประกาศเปิดตัวตระกูล LFM3 เมื่อวันที่ 27 ตุลาคม 2026 ด้วยโพสต์ชื่อ "Introducing LFM3: Every Modality for Specialized Intelligence" โมเดลเสียงปรากฏอยู่ที่นั่นในฐานะหนึ่งในหกโมเดล ภายในส่วนหนึ่ง — ไม่มีโพสต์บล็อกเฉพาะสำหรับ LFM3-Audio ไม่มีการเปิดตัวแยกต่างหาก และไม่มีเพจผลิตภัณฑ์ของตัวเอง น้ำหนักโมเดลและการ์ดโมเดลมีความสมบูรณ์และเป็นสาธารณะ รายการ Ollama, ollama run lfm3-audio ที่ขนาด 2.1 GB ปรากฏขึ้นเมื่อวันที่ 28 ตุลาคม โดยไม่มีประกาศที่สอดคล้องกันจากทั้ง Liquid หรือ Ollama ควบคู่กับ pull request ของ llama.cpp ที่เพิ่มโมเดลเสียงและ omni โดยเลื่อน live ASR ไปยังฉบับติดตามผล

ดังนั้นกรอบความคิดคือ: อาร์ติแฟกต์นี้มีอยู่จริงและมีเอกสารประกอบ การเปิดตัวเป็นเพียงย่อหน้าหนึ่งในประกาศเกี่ยวกับตระกูลโมเดล และการรองรับรันไทม์ภายในเครื่องก็มาถึงในอีกหนึ่งวันต่อมาอย่างเงียบ ๆ ในทางปฏิบัติ นั่นหมายความว่าการ์ดโมเดลคือแหล่งอ้างอิงหลัก ไม่ใช่โพสต์เปิดตัว เพราะไม่มีโพสต์เปิดตัว และการ์ดก็ระบุข้อจำกัดไว้เฉพาะเจาะจงอย่างผิดปกติ ซึ่งเป็นข้อดีข้อหนึ่ง ระบุว่า LiveASR รองรับเฉพาะภาษาอังกฤษ ระบุว่าโมเดลนี้ไม่เหมาะกับการเขียนโค้ดแบบเอเจนต์หรือการให้เหตุผลหลายขั้นตอนที่ซับซ้อน และแนะนำให้ส่งงานที่เน้นความรู้ไปยังการค้นคืน ผู้ขายที่ซ่อนโมเดลที่อ่อนแอมักไม่เขียนสิ่งนั้นลงไป

ใครควรรับอันไหน

เลือก LFM3-Audio-2Bหากเสียงไม่สามารถออกจากอุปกรณ์ได้ หากคุณต้องการโมเดลเดียวที่ทั้งฟังและพูดได้โดยไม่ต้องต่อบริการสองอย่างเข้าด้วยกัน หากภาษาของคุณอยู่ในกลุ่มสิบแปดภาษาของโมเดลนี้ และหากปริมาณการใช้งานของคุณสูงพอที่ต้นทุนฮาร์ดแวร์แบบคงที่จะคุ้มกว่าค่าบริการรายนาที นอกจากนี้ยังเป็นตัวเลือกที่เหมาะสมสำหรับการสร้างต้นแบบอินเทอร์เฟซเสียงโดยไม่ต้องจัดซื้อใด ๆ — 2.1 GB และคำสั่ง Ollama หนึ่งคำสั่ง ยอมรับว่า ASR ภาษาอังกฤษของมันตามหลัง Voxtral แบบโอเพนซอร์สรุ่นล่าสุด ว่าการสตรีมมิ่งรองรับเฉพาะภาษาอังกฤษ และว่าไม่มีผู้ประเมินอิสระตรวจสอบตัวเลขใด ๆ ของมัน

เลือก Voxtral 3 หากคุณกำลังสร้างเอเจนต์โทรศัพท์而非ฟีเจอร์ของโมเดล ชุดนี้ถูกออกแบบมาเพื่อให้ประกอบเข้าด้วยกัน ได้แก่ ตัวถอดเสียง โมเดลการให้เหตุผล TTS ผ่าน SIP และ WebRTC พร้อมการจัดการการแทรกแซงระหว่างการพูด (barge-in) และการตรวจจุดสิ้นสุดการพูด (end-of-turn detection) ที่แก้ไขเรียบร้อยแล้ว เลือกมันเช่นกันหากคุณต้องการรองรับกว่า 50 ภาษา การแยกผู้พูด (diarization) การปรับอคติบริบทสำหรับชื่อและศัพท์เฉพาะ หรือการโคลนเสียง ซึ่งเป็นสี่ความสามารถที่ LFM3-Audio-2B ไม่มีให้ในรูปแบบใดเลย ข้อแลกเปลี่ยนคือคุณไม่สามารถดาวน์โหลดมันได้ คุณไม่สามารถตรวจสอบภายในได้ และค่าใช้จ่ายของคุณจะเพิ่มขึ้นเป็นเส้นตรงตามทุกนาทีที่ให้บริการตลอดไป

ใช้ทั้งคู่หากสถาปัตยกรรมเอื้ออำนวย และบ่อยครั้งก็เอื้อ รัน LFM3-Audio-2B บนอุปกรณ์สำหรับเวกเวิร์ด การเขียนตามคำบอกในเครื่อง และเส้นทางออฟไลน์; ส่งการเรียกที่ต้องการการรองรับหลายภาษา การแยกผู้พูด หรือเสียงโคลน ไปยัง Voxtral 3 ทั้งสองไม่ได้แข่งขันกันในช่องเดียวกันของสแต็ก ตัวหนึ่งคือโมเดลภายในผลิตภัณฑ์ของคุณ; อีกตัวคือผู้ขายที่คุณเรียกใช้เมื่อผลิตภัณฑ์เป็นสายโทรศัพท์

การเปรียบเทียบที่ควรจับตา

มีสองสิ่งที่จะทำให้เรื่องนี้จบลงอย่างเหมาะสม และทั้งสองอย่างยังไม่มีอยู่จริงในตอนนี้

ประการแรกคือการประเมินอย่างอิสระของ LFM3-Audio-2B บนฮาร์เนสชุดเดียวกับที่ Artificial Analysis ใช้กับโมเดล Voxtral 3 ตัวเลขเพียงตัวเดียวนั้น — ดัชนี WER ของมันบนการทดสอบที่ใช้ร่วมกัน — จะเปลี่ยนข้อกล่าวอ้างที่มีนัยสำคัญที่สุดในตารางของ Liquid จากคำยืนยันของผู้ขายให้กลายเป็นการวัดจริง และจะบอกคุณว่าโมเดล 2B ที่รันบนแล็ปท็อปนั้นอยู่ในระยะห่างไม่เกินหนึ่งจุดจากโมเดล 4B ที่โฮสต์จริงหรือไม่

ข้อที่สองคือ Mistral จะเผยแพร่น้ำหนักของ Voxtral 3 หรือไม่ โมเดลเสียงปี 2025 ของบริษัทเป็นแบบโอเพนภายใต้ Apache 2.0 ส่วนชุดปี 2026 ไม่ใช่ หากสถานการณ์นั้นพลิกกลับ การเปรียบเทียบแบบโอเพนกับโอเพนอย่างยุติธรรมที่ Liquid เลือกเผยแพร่จะกลับมาเป็นประเด็นที่ใช้ได้จริงอีกครั้ง และข้อแม้สำคัญของบทความนี้จะสิ้นผล

จนกว่าหนึ่งในนั้นจะเกิดขึ้น จุดยืนที่ปกป้องได้คือจุดยืนที่จืดชืดไม่หรูหรา ในด้านความกว้างของความสามารถ Voxtral 3 ชนะด้วยระยะห่างที่ข้อโต้แย้งเรื่องเบนช์มาร์กใด ๆ ก็ปิดไม่ได้: ห้าสิบภาษา การแยกแยะผู้พูด การโคลนเสียง ระบบโทรศัพท์ ในด้านความสามารถในการนำไปใช้งานจริง LFM3-Audio-2B ชนะด้วยส่วนต่างที่ใหญ่พอ ๆ กัน เพราะมันเป็นเพียงตัวเดียวในสองตัวที่คุณถือไว้ในมือได้ ทุกอย่างระหว่างกลางคือตัวเลขจากตารางของผู้ขายรายหนึ่งวางถัดจากตัวเลขจากตารางของอีกราย และคำตอบที่ซื่อสัตย์ต่อคำถามที่ว่า "ตัวไหนแม่นยำกว่า" คือยังไม่มีใครวัดมัน