LFM3-Audio-2B trên Ollama: Giọng nói tốt hơn, vẫn cùng đôi tai

của Liquid AILFM3-Audio-2B đã trở thành bản tải xuống chỉ với một lệnh vào sáng nay. ollama run lfm3-audio tải 2,1 GB và khởi chạy một mô hình 2 tỷ tham số có thể nhận văn bản hoặc âm thanh và trả lời bằng văn bản, giọng nói 24 kHz, hoặc cả hai. Bản thân mô hình mới chỉ một ngày tuổi — nó được phát hành vào ngày 27 tháng 10 năm 2026, trong dòng LFM3 gồm sáu mô hình. Điều mới vào ngày 28 tháng 10 là cách thức phân phối, và điều đầu tiên đáng biết nằm trong bảng benchmark của chính Liquid: so với LFM2.5-Audio-1.5B mà nó thay thế, chất lượng giọng nói tăng vọt, khả năng hiểu âm thanh gần như tăng gấp đôi, còn nhận dạng giọng nói tiếng Anh thì không cải thiện chút nào.

Phần còn lại của bài viết này phân tách những gì có thể kiểm chứng được ngay hôm nay với những gì không thể. Nhánh âm thanh chỉ nhận được một đoạn của một bài đăng blog về dòng mô hình và một model card — không có thông báo "Introducing LFM3-Audio" riêng của nó — và chúng tôi không thể tìm thấy bất kỳ lần chạy benchmark độc lập nào của mô hình này ở bất cứ đâu. Mọi con số bên dưới đều là của Liquid trừ khi câu nói khác đi.

Những gì đã ra mắt, và thông báo sơ sài đến mức nào

Bài đăng ngày 27 tháng 10 của Liquid, "Giới thiệu LFM3: Mọi phương thức cho trí tuệ chuyên biệt", đã công bố sáu mô hình lớp 2B được huấn luyện từ LFM3-1.7B-Base: văn bản, thị giác, âm thanh, omni và hai mô hình quyết định được chuyên biệt hóa từ các nhánh thị giác và omni. Âm thanh là một trong bốn nhánh phương thức và chỉ nhận được một đoạn văn duy nhất — cải thiện UTMOSv2, con số 50 ms thời gian đến token đầu tiên, codec 87× thời gian thực. Không có bài đăng riêng về âm thanh, không có blog đánh giá chuẩn về âm thanh và không có mục giá nào cho bất kỳ mô hình LFM3 nào trên trang giá của Liquid.

Ba hiện vật đã đặt mô hình trước mắt độc giả trong tuần này:

• Trọng số — LiquidAI/LFM3-Audio-2B trên Hugging Face, theo Giấy phép Mở LFM v1.0, với thẻ mô hình có bảng so sánh đầy đủ.

• llama.cpp — PR #31257, được hợp nhất vào ngày 27 tháng 10, bổ sung LFM3-Audio-2B và LFM3-Omni-2B. PR giữ nguyên các phép tích chập của bộ mã hóa âm thanh và codec ở dạng không lượng tử hóa, cung cấp giọng nam hoặc giọng nữ thông qua cờ TTS, và đánh dấu ASR trực tiếp là một PR tiếp theo thay vì là một phần của lần hợp nhất này.

• Ollama — lfm3-audio, 2.1 GB, các thẻ latest và 2b, hiển thị 19 lượt tải xuống và "đã cập nhật một giờ trước" tại thời điểm chụp. Tiêu đề trang ghi có năm mô hình; hai hàng đã được công bố.

Mục niêm yết trên Ollama là mục quan trọng nhất, vì đây là tuyến duy nhất không bắt đầu bằng việc đọc thẻ mô hình. Nó cũng xuất hiện mà không có bất kỳ thông báo nào — không bài đăng, không changelog, không có gì trên chính thẻ của mô hình trỏ đến nó.

Bảng thông số kỹ thuật, bao gồm cả con số mà gần như ai cũng đã sao chép sai

• Tham số — tổng cộng 2B, trên backbone LFM3 với bộ mã hóa âm thanh nhân quả nội bộ và tokenizer LiquidCodec

• Đầu vào — văn bản, hoặc âm thanh được lấy mẫu ở 16 kHz

• Đầu ra — văn bản, giọng nói 24 kHz hoặc văn bản và giọng nói xen kẽ

• Ngữ cảnh — 32K token bao gồm cả đầu vào và đầu ra. Đây không phải con số 256K đang được lặp lại trong các bài đưa tin ra mắt: con số đó thuộc về LFM3-1.7B, mô hình văn bản. Trang riêng của nhánh âm thanh ghi là 32K.

• Ngôn ngữ — 18 ngôn ngữ, được liệt kê thành 19 locale vì tiếng Anh xuất hiện hai lần, dưới dạng biến thể Anh và Mỹ. ASR trực tiếp chỉ hỗ trợ tiếng Anh; dịch mạnh nhất khi dịch sang hoặc từ tiếng Anh.

• Giấy phép — LFM Open License v1.0, miễn phí cho mục đích thương mại khi doanh thu hàng năm dưới 10 triệu USD, và phải mua giấy phép thương mại có trả phí nếu vượt ngưỡng đó.

• Dung lượng — 2,1 GB ở bản dựng Ollama.

Hai trong số những hàng đó đáng để dừng lại một chút. Con số ngữ cảnh là thứ mà một bản tóm tắt sẽ hiểu sai trong nhiều tháng, vì bài đăng về dòng sản phẩm mở đầu bằng 256K còn card âm thanh lại lặng lẽ ghi 32K. Và số lượng ngôn ngữ thực chất là số lượng locale trá hình: mười chín mục, mười tám ngôn ngữ, với hai biến thể của tiếng Anh làm phần việc thêm. Cả hai đều không phải là bê bối, và cả hai đều thay đổi điều bạn sẽ hứa với người dùng.

Một lệnh, và trường mâu thuẫn với thẻ

ollama run lfm3-audio thực sự là toàn bộ thiết lập. Trang gắn thẻ mô hình là tools, audio và 2b, và phần readme ngay phía trên bảng mô hình nói rằng nó nhận văn bản hoặc âm thanh và phản hồi bằng văn bản, giọng nói hoặc cả hai. Bảng mô hình lại không đồng ý: cả hai thẻ đều liệt kê đầu vào là "Text" và ngữ cảnh là dấu gạch ngang.

Điều đó đáng được xem xét nghiêm túc thay vì gạt đi như một lỗi kết xuất. Ollama đã hỗ trợ đầu vào âm thanh kể từ v0.20 vào tháng 4 năm 2026, khi Gemma 4 mang đến khả năng âm thanh, lệnh ollama transcribe và các phần input_audio kiểu OpenAI. Cơ chế này đã tồn tại. Điều chưa được xác nhận là liệu nó đã được đấu nối cho checkpoint này hay chưa — thẻ audio là một tuyên bố về khả năng, không phải kết quả kiểm thử. Nếu kế hoạch của bạn bắt đầu bằng "truyền một tệp WAV vào Ollama", hãy xác minh bằng một tệp trước khi thiết kế xoay quanh nó.

Đầu ra giọng nói có cùng hình dạng khi nhìn từ phía bên kia. Bản hợp nhất llama.cpp để lộ một cờ giọng nói TTS; trang của Ollama không ghi tài liệu về tương đương nào, và tệp readme mô tả đầu ra giọng nói như một thuộc tính của mô hình chứ không phải tính năng của CLI. Đảo ngược mọi câu lại thì kết luận vẫn giữ nguyên: con đường terminal ngày nay là nửa văn bản của một mô hình giọng nói. Trò chuyện thoại song công toàn phần cần tuyến Python hoặc llama.cpp.

Bảng điểm mà Liquid đã công bố

Sáu con số, bốn trong số đó có giá trị trước đó. Tất cả đều đến từ model card của Liquid, không có tập kiểm thử được đặt tên, không có harness và không có phương sai.

• ASR tiếng Anh, tỷ lệ lỗi từ ↓ — 6,23 đối với LFM3-Audio-2B so với 6,13 đối với LFM2.5-Audio-1.5B. Giữ nguyên, và là hàng duy nhất không thay đổi.

• ASR đa ngôn ngữ, WER/CER ↓ — 6,03. Không có số liệu của phiên bản trước được công bố.

• TTS tiếng Anh, UTMOSv2 ↑ — 3,83 so với 3,22. Một bước tiến lớn; 4,0 thường được coi là ngưỡng gần ngang con người.

• VoiceBench ↑ — 73,13 so với 55,17.

• Hiểu âm thanh, MMAR ↑ — 50,60 so với 25,85. Gần gấp đôi.

• Gọi công cụ từ giọng nói, đánh giá nội bộ ↑ — 58,50. Không có số liệu của phiên bản trước.

So với phần còn lại của nhóm trong cùng bảng đó, đây là một mô hình nhỏ tốt chứ không phải mô hình dẫn đầu. Voxtral Mini 3B đạt WER 5,51 và NVIDIA Audex 2B đạt 5,99, cả hai đều tốt hơn 6,23. Qwen2.5-Omni 3B đạt hiểu âm thanh 54,41 so với 50,60. Gemma 4 E4B đạt gọi công cụ 72,40 so với 58,50, và dòng tham số của chính Liquid đặt Gemma đó ở 8B so với 2B của mô hình này — tên "E4B" tính tham số hoạt động, không phải tổng tham số. Tóm tắt trung thực là ASR cạnh tranh, một bước tiến rõ rệt ở đầu ra giọng nói, và suy luận âm thanh vững chắc cho mức 2B — không giữ kỷ lục ở bất kỳ cột nào.

Khoảng cách 6,23 so với 6,13 nằm trong phạm vi nhiễu lấy mẫu có thể tạo ra và không nên bị coi là một sự thoái lui. Khoảng cách 3,83 so với 3,22 thì không như vậy — mức thay đổi UTMOS 0,6 điểm nằm ngoài xa phạm vi đó. Cách diễn giải có thể bảo vệ là Liquid đã dành thế hệ này cho khả năng tạo sinh: giọng nói tốt hơn, suy luận âm thanh tốt hơn và một front end ASR giữ vững vị trí trong khi các bộ mã hóa bên dưới nó thay đổi. Chúng tôi không tìm thấy bản tái lập nào từ bên thứ ba cho bất kỳ hàng nào, vì vậy hãy coi thứ tự này là một giả thuyết cho đến khi có người công bố một bản như vậy.

Vì sao codec tồn tại lâu hơn mô hình

LiquidCodec là phần đáng chú ý của bản phát hành này, vượt ra ngoài phạm vi checkpoint. Nó nén 80 ms giọng nói thành 12 token rời rạc, giải mã trở lại 24 kHz với hỗ trợ streaming, và Liquid đo được tốc độ khoảng 87× thời gian thực trên một luồng CPU đơn của M4 Max. Bộ mã hóa nhân quả chính là thứ cho phép prefill ngay trong lúc nói thay vì sau khi nói xong, và đó là nguồn gốc của con số thời gian đến token đầu tiên "thấp nhất là 50 ms".

Hai con số đó là những thứ được trích dẫn nhiều nhất và khó tái lập nhất trong đợt ra mắt. Cả hai đều là số đo của nhà cung cấp trên phần cứng Apple được nêu tên cụ thể, không có harness, không có bộ dữ liệu âm thanh và không có percentile. Chúng mô tả trường hợp tốt nhất. Một chiếc điện thoại, một Raspberry Pi hay một VM x86 dùng chung sẽ không đạt được chúng, và không có gì trong thông tin phát hành nói rằng thay vào đó sẽ đạt được mức nào.

Hỗ trợ runtime rộng bất thường đối với một mô hình mới một ngày tuổi: Transformers 5.20.2 trở lên với trust_remote_code, vLLM và SGLang cho checkpoint BF16, llama.cpp cho GGUF, MLX 4-bit trên Apple silicon, ONNX Runtime để đảm bảo tính di động và fine-tuning trên một GPU duy nhất. Yêu cầu về mã tùy chỉnh là thứ cần phải ghim chặt. LFM3-Audio tải từ mô-đun riêng của nó và đọc trọng số codec từ một thư mục audio_tokenizer riêng, vì vậy một môi trường không được ghim phiên bản chính là một ticket hỗ trợ đang chờ phát sinh.

Giọng nói cục bộ so với điểm cuối được lưu trữ

Lý do một {{1}}mô hình âm thanh 2B ở 2.1 GB{{/1}} đáng chú ý là giải pháp thay thế tính tiền bạn cho từng giây âm thanh. Tự lưu trữ có chi phí cố định — một cỗ máy bạn đã sở hữu, một lần tải xuống, không tính phí theo phút. Một endpoint được lưu trữ có chi phí biên trên mỗi token và không có bề mặt vận hành nào cả.

Hãy chính xác về những gì mỗi bên đảm nhận. Chuyển văn bản thành giọng nói dạng dịch vụ được lưu trữ — loại mà chúng tôi định tuyến, chẳng hạn như gpt-4o-mini-tts với $0.60 cho đầu vào và $12.00 cho đầu ra trên mỗi triệu token, hoặc gemini-2.5-flash-preview-tts với $0.50 và $10.00 — chỉ biến văn bản thành giọng nói và không làm gì khác. LFM3-Audio-2B còn lắng nghe, phiên âm và dịch, đồng thời chạy khi ngắt kết nối mạng. Chúng giải quyết hai nửa khác nhau của cùng một tác nhân thoại.

LFM3-Audio-2B không có trên OrcaRouter. Các mô hình âm thanh chúng tôi cung cấp là các endpoint giọng nói được lưu trữ, vì vậy cách phân chia trung thực cho một sản phẩm giọng nói trong tháng này là giọng nói cục bộ đầu vào và đầu ra với mô hình Liquid, và mọi thứ phía văn bản nằm sau một endpoint cho hơn 200 mô hình — 0% phụ phí trên giá niêm yết của nhà cung cấp, tự động chuyển đổi dự phòng khi một nhà cung cấp gặp sự cố, và một DSL định tuyến nếu bạn muốn kết hợp nhiều mô hình vào một lệnh gọi duy nhất. Đó là điều khiến một thiết lập hai runtime có thể tồn tại được: một hợp đồng cho nửa được lưu trữ, một lần tải xuống cho nửa cục bộ.

{{1}}Với nửa cục bộ, chi phí không phải bằng không: 2.1 GB trọng số, một tiến trình phải duy trì hoạt động và không có SLA. Nếu âm thanh không bao giờ rời khỏi tòa nhà, đánh đổi đó thật dễ. Nếu có rời đi, giá của giải pháp thuê ngoài đủ nhỏ đến mức gánh nặng vận hành thường quyết định vấn đề.{{/1}}

Ai nên chạy nó trong tuần này, và ai nên chờ?

Chạy nó nếu bạn muốn có một vòng lặp giọng nói cục bộ trên máy tính xách tay và hiện tại có thể chấp nhận việc xuất văn bản ra terminal. Chạy nó nếu bạn cần đầu ra giọng nói bằng một ngôn ngữ mà giọng nói được lưu trữ bạn đang có còn yếu hoặc đắt đỏ — mười tám ngôn ngữ là độ phủ rộng hơn hầu hết các mô hình TTS nhỏ cung cấp. Chạy nó nếu bạn có các bản ghi âm không thể rời khỏi máy và muốn có phiên âm cùng bản tóm tắt từ một mô hình. Chạy nó nếu bạn đang tạo nguyên mẫu các lời gọi công cụ bằng giọng nói và muốn mô hình nằm trên cùng máy với công cụ.

Khoan đã, nếu độ chính xác ASR là yếu tố cốt lõi của sản phẩm. Tỷ lệ lỗi từ 6,23 là đáng nể và vẫn đứng sau ba mô hình trong chính bảng của Liquid. Khoan đã, nếu bạn cần phiên âm streaming ngay hôm nay — ASR trực tiếp là một PR tiếp theo của llama.cpp, và chỉ hỗ trợ tiếng Anh khi ra mắt. Khoan đã, nếu bạn cần mô hình biết mọi thứ: thẻ mô hình khuyến nghị truy xuất và nói rõ không khuyến nghị lập trình agentic hay suy luận nhiều bước ở kích thước này. Và khoan đã nếu bạn cần SLA từ nhà cung cấp, vì trang giá của Liquid liệt kê d1, d1-ultra và LFM2.5-24B-A2B và không hề có endpoint âm thanh LFM3 nào cả.

Ba câu hỏi mà buổi ra mắt không trả lời

LFM3-Audio-2B có phải là cùng một mô hình với LFM3-Omni-2B không?

Không. Chúng dùng chung backbone LFM3 và cả hai đều xuất hiện trong cùng một pull request llama.cpp, nhưng Omni bổ sung khả năng thị giác lên trên âm thanh và là lựa chọn lớn hơn trong hai. Nếu công việc là cuộc gọi điện thoại, bản ghi cuộc họp hoặc lệnh thoại, thì Audio là mô hình nhỏ hơn đảm nhận công việc nhỏ hơn. Nếu công việc liên quan đến việc nhìn vào thứ gì đó trong khi nghe nó, thì đó là nhánh omni.

Nó có thể phiên âm một luồng trực tiếp không?

Vẫn chưa thông qua llama.cpp. Bản hợp nhất đánh dấu ASR trực tiếp là hạng mục tiếp theo, và thẻ mô hình nói rõ rằng ASR trực tiếp chỉ hỗ trợ tiếng Anh ngay cả khi tính năng này đã tồn tại. Phiên âm theo lô trên một bản ghi là con đường được hỗ trợ hiện nay, với ngữ cảnh 32K token — khoảng giới hạn độ dài cần tính đến cho các tệp dài, vì token âm thanh và token văn bản dùng chung ngân sách đó.

Nó có cần GPU không?

Không, và đó chính là điểm của bản dựng GGUF. Gói 2,1 GB của Ollama chạy trên CPU. Con số 87× thời gian thực đo codec, không phải mô hình ngôn ngữ, nên đừng hiểu nó là tốc độ đầu-cuối trên phần cứng của bạn. Apple silicon có con đường mượt mà nhất qua MLX hoặc phần hỗ trợ llama.cpp đã hợp nhất; trên x86, hãy kỳ vọng giải mã bằng CPU là nút thắt cổ chai, và hãy đo trước khi bạn hứa một con số độ trễ với bất kỳ ai.

Điều gì sẽ thay đổi phán quyết này

Ba tín hiệu, theo thứ tự mức độ quan trọng của chúng. Thứ nhất, bản bổ sung ASR trực tiếp được đưa vào llama.cpp — điều đó biến một công cụ chép băng hàng loạt thành thứ bạn có thể đặt sau micro, tức trường hợp sử dụng mà hầu hết mọi người thực sự muốn. Thứ hai, một lần chạy WER độc lập trên một bộ chuẩn; cho đến khi có một lần như vậy, thứ duy nhất giữ cho ASR của mô hình này trung thực là bảng của nhà cung cấp so sánh nó với mô hình trước đó của chính nhà cung cấp. Thứ ba, một mức giá API được công bố cho nhánh âm thanh, điều này sẽ cho chúng ta biết liệu Liquid định bán khả năng nghe như một dịch vụ hay giữ nó như một chiến lược dựa trên trọng số.

Cho đến lúc đó, mô tả chính xác là hẹp và hữu ích: một mô hình giọng nói 2B mà bạn có thể tải xuống trong một phút, nói tốt hơn mô hình mà nó thay thế, nghe hiểu gần tương đương, và chưa có bằng chứng độc lập nào. Đối với một nguyên mẫu trên laptop, thế là đủ. Đối với một pipeline phiên âm trong môi trường sản xuất, thì không — và khoảng cách giữa hai câu đó chính xác là khoảng cách giữa một lần ra mắt và một lần đánh giá.