LFM3-Audio-2B so với Dessa: Một cái bạn có thể tải xuống, một cái bạn chỉ có thể nghe

Về phía Liquid AI, LFM3-Audio-2B là một checkpoint 2B tham số với giấy phép mở, một repository trên Hugging Face và bản build 2,1 GB mà bạn có thể tải về máy tính xách tay. Về phía Block, Dessa là một mô hình giọng nói song công toàn phần được công bố vào ngày 23 tháng 10 năm 2026 sau một danh sách chờ, không có trọng số, không công bố số tham số, không có API và không có benchmark nào được công bố. Đặt chúng cạnh nhau, phép so sánh thông thường sẽ sụp đổ ngay từ đầu: một trong hai có thể được chạy, tinh chỉnh và đo lường bởi bất kỳ ai đang đọc bài này, còn cái kia chỉ có thể được nghe. Câu hỏi hữu ích không phải là cái nào nghe hay hơn. Mà là mỗi công ty đã chọn công bố những gì, và lựa chọn đó cho phép bạn làm gì vào sáng thứ Hai.

Cả hai đều xuất hiện với cùng một nhãn cảnh báo, nhưng đến từ hai hướng đối lập. LFM3-Audio-2B được phát hành vào ngày 27 tháng 10 năm 2026 trong đợt ra mắt dòng LFM3 gồm sáu mô hình, và nhánh audio chỉ nhận được một đoạn trong bài đăng giới thiệu dòng sản phẩm của Liquid cùng một model card. Không có thông báo độc lập nào mang tên “Introducing LFM3-Audio”, không có mục giá nào cho audio trên trang web của Liquid, và — tính đến thời điểm viết bài này — không có đợt chạy benchmark độc lập nào cho mô hình ở bất kỳ đâu. Dessa gặp vấn đề ngược lại: mười hai bản ghi hội thoại đã được tuyển chọn và gần như không có đặc tả nào. Không công ty nào cung cấp cho người ngoài đủ thông tin để tái tạo một kết quả.

Mỗi bên thực sự đã công bố những gì

Bỏ các tính từ đi thì bản ghi sự việc rất ngắn gọn. Mọi thứ dưới đây đều lấy từ thẻ mô hình của Liquid, bài đăng về dòng mô hình của hãng, hoặc thông báo của chính Block; chưa có nội dung nào được xác minh độc lập.

• Những gì bạn nhận được — LFM3-Audio-2B: một checkpoint BF16, các bản chuyển đổi GGUF và MLX 4-bit, một tokenizer, và trọng số codec trong thư mục audio_tokenizer riêng. Dessa: một biểu mẫu danh sách chờ và một bộ clip video.

• Kích thước — LFM3-Audio-2B: 2 tỷ tham số, 2,1 GB ở bản dựng Ollama. Dessa: không được tiết lộ. Block nói rằng mô hình vừa trên một chiếc MacBook Pro M4 Max, hàm ý mô hình đủ nhỏ cho 128 GB bộ nhớ hợp nhất, nhưng đó là suy luận, không phải con số.

• Đầu vào và đầu ra — LFM3-Audio-2B: văn bản hoặc âm thanh 16 kHz ở đầu vào; văn bản, giọng nói 24 kHz, hoặc văn bản và giọng nói xen kẽ ở đầu ra. Dessa: âm thanh vào, âm thanh ra, không có văn bản trung gian ở bất kỳ thời điểm nào.

• Ngữ cảnh — LFM3-Audio-2B: 32K token bao gồm cả đầu vào và đầu ra. Đây không phải con số 256K được nhắc lại trong một số nội dung về LFM3; con số đó thuộc về mô hình văn bản, LFM3-1.7B. Dessa: chưa công bố.

• Giấy phép — LFM3-Audio-2B: LFM Open License v1.0, miễn phí cho mục đích thương mại khi doanh thu hằng năm dưới 10 triệu USD. Dessa: không có trọng số, nên không có giấy phép để đọc.

• Điểm chuẩn — LFM3-Audio-2B: bảng nhà cung cấp sáu hàng. Dessa: không có.

Hàng cuối cùng đó là nơi cuộc so sánh trở nên thú vị. Liquid công bố các con số và không có nhân chứng độc lập. Block công bố nhân chứng — những nhà báo đã nghe cùng những đoạn clip — và không có con số. Một độc giả đang cố chọn giữa hai bên là đang chọn xem loại khoảng trống nào mình có thể chấp nhận.

Lợi thế duy nhất mà Dessa có mà không thể tải xuống được.

Dessa được xây dựng cho chế độ song công toàn phần: nó vừa nghe vừa nói. Mô hình có thể bị ngắt giữa câu, có thể buông một tiếng "right" hoặc "mm-hm" khi bạn vẫn đang nói, và có thể điều chỉnh nhịp điệu của nó cho khớp với bạn. Các bản demo của Block khai thác rất mạnh điều này — tiếng cười xen ngay giữa câu nói của chính nó, thay đổi âm lượng theo yêu cầu, nói nốt tên một bộ phim cho người nói đã quên. The Verge, khi nghe cùng những bản ghi âm đó, nhận thấy các cuộc trò chuyện "hơi gượng gạo và kỳ lạ", một mô tả công bằng về một hệ thống đang học cách canh thời điểm trước công chúng.

LFM3-Audio-2B không tuyên bố điều đó. Đây là mô hình yêu cầu-và-phản hồi có phát trực tuyến: một bộ mã hóa âm thanh nhân quả cho phép nó prefill trong khi bạn nói, đó là nguồn gốc của con số thời gian đến token đầu tiên “thấp nhất là 50 ms” của Liquid, và LiquidCodec phát trực tuyến giọng nói trở lại. Phát trực tuyến một câu trả lời không giống với việc xử lý barge-in. Nếu sản phẩm của bạn cần một cuộc trò chuyện có thể bị nói chen vào, LFM3-Audio-2B là kiểu mô hình sai, và việc tinh chỉnh bao nhiêu cũng không thay đổi được giao diện.

Điều mà bản demo của Dessa không thể cho bạn biết là tần suất nó hành xử như vậy khi không có ai chọn đoạn clip. Block nói rằng các bản ghi được thực hiện trực tiếp, không bị điều hướng và được phụ đề sau đó, điều này loại trừ hình thức gian lận demo thô sơ nhất. Nó không loại trừ việc chọn lọc. Một nhóm ghi lại nhiều cuộc trò chuyện và công bố những cuộc tốt nhất trong số đó đã chứng minh rằng những cuộc trò chuyện tốt tồn tại, chứ không phải rằng mô hình đáng tin cậy.

Những con số Liquid đã công bố, và giá trị của chúng

Thẻ mô hình của Liquid có sáu con số, bốn trong đó có giá trị của phiên bản tiền nhiệm. Tất cả đều so sánh LFM3-Audio-2B với LFM2.5-Audio-1.5B, mô hình mà nó thay thế. Không có bộ kiểm thử, khung đánh giá hay phương sai nào được nêu tên.

• ASR tiếng Anh, tỷ lệ lỗi từ — 6.23 so với 6.13. Không đổi. Đây là hàng duy nhất không thay đổi, và khoảng cách đủ nhỏ để có thể chỉ là nhiễu lấy mẫu.

• 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. Mức dịch chuyển 0,6 điểm, vượt xa mức nhiễu, trên một thang điểm mà 4,0 thường được coi là gần mức 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 các mô hình khác trong bảng của chính Liquid, đây là một mô hình nhỏ tốt chứ không phải mô hình dẫn đầu: Voxtral Mini 3B có WER 5,51 và NVIDIA Audex 2B có 5,99, cả hai đều tốt hơn 6,23; Qwen2.5-Omni 3B đạt 54,41 về hiểu âm thanh; Gemma 4 E4B đạt 72,40 về gọi công cụ. Tóm tắt trung thực là khả năng nhận dạng ở mức cạnh tranh, cải thiện rõ rệt về chất lượng giọng nói và suy luận vững chắc đối với mô hình 2B — không lập kỷ lục ở bất kỳ cột nào.

Dessa không có dòng tương đương, và sự thiếu vắng đó không phải là một chi tiết kỹ thuật vụn vặt. Một mô hình chỉ xử lý giọng nói được huấn luyện mà không có văn bản thì không có giao diện gốc cho một lược đồ JSON, một tệp PDF hay một lệnh gọi API. Block thừa nhận những câu hỏi còn bỏ ngỏ trên chính trang của mình: mô hình chỉ xử lý giọng nói học các dữ kiện và ngôn ngữ hiệu quả đến đâu, và liệu học trong ngữ cảnh có còn tồn tại khi không có tiền huấn luyện bằng văn bản hay không. Đó là khác biệt giữa một đối tác trò chuyện lôi cuốn và một trợ lý tổng quát, và cả hai công ty đều chưa công bố bài kiểm tra có thể giải đáp điều đó.

Giấy phép, quyền truy cập và ai có thể xây dựng dựa trên cái gì

Giấy phép của LFM3-Audio-2B là lý do thực tế khiến nó giành phần thắng trong hầu hết các cuộc trao đổi mua sắm trước khi chất lượng được đem ra bàn. LFM Open License v1.0 cho phép sử dụng thương mại khi doanh thu hằng năm dưới 10 triệu USD và yêu cầu giấy phép trả phí khi vượt ngưỡng đó. Trọng số nằm trên Hugging Face; llama.cpp đã hợp nhất hỗ trợ trong PR #31257 vào ngày 27 tháng 10; Ollama liệt kê một bản dựng 2,1 GB; Transformers cần 5.20.2 trở lên với trust_remote_code. Yêu cầu về mã tùy chỉnh là điều cần khóa chặt — mô hình tải từ mô-đun riêng của nó và đọc trọng số codec từ một thư mục riêng, nên một môi trường không được khóa phiên bản là một phiếu hỗ trợ sớm muộn sẽ phát sinh.

Dessa không có con đường tương đương. Quyền truy cập là một danh sách chờ cộng với quyền truy cập sớm cho một nhóm nhỏ các nhà nghiên cứu an toàn AI, những người đăng ký bằng email tổ chức. Những lý do Block nêu ra — tò mò, tương tác giữa người và AI, an toàn — nhất quán với việc giữ một giọng nói biết đọc cảm xúc trong một căn phòng nhỏ. Đánh đổi là truy cập có kiểm soát và đánh giá độc lập kéo theo những hướng ngược nhau. Cho đến khi một nhóm bên ngoài công bố số liệu, hồ sơ công khai chỉ là các clip của nhà cung cấp cộng với ấn tượng của các nhà báo về các clip của nhà cung cấp.

Có một chi phí thứ cấp hiếm khi được đưa vào các so sánh. Một mô hình có thể tải xuống là một phụ thuộc mà bạn sở hữu: 2,1 GB, một tiến trình phải duy trì hoạt động, không có SLA, và một ngưỡng giấy phép cần theo dõi khi bạn phát triển. Một mô hình nằm trong danh sách chờ hoàn toàn không phải là phụ thuộc — đó là một kết quả nghiên cứu mà bạn có thể trích dẫn nhưng không thể đưa vào sản phẩm. Với một nhóm đang chọn bộ công nghệ giọng nói, đó không phải là hai điểm trên cùng một đường. Đó là hai quyết định khác nhau.

Điều mà một tác nhân thoại cần mà không mô hình nào trong hai mô hình có thể tự cung cấp được

Các hệ thống thoại production hiếm khi chỉ dùng một mô hình. Dù phần giao diện phía trước là song công hay yêu cầu-phản hồi, cuộc hội thoại vẫn liên tục giao việc cho các mô hình văn bản thông thường: tra cứu, trích xuất, kiểm tra chính sách, một lệnh gọi suy luận chạy trong lúc người dùng đang bị giữ máy. Lớp ủy thác đó chính là nơi phát sinh chênh lệch chi phí, và cũng là nơi một giờ lỗi của một nhà cung cấp trở thành sự cố của bạn.

Nói chính xác về phạm vi cung cấp của chính chúng tôi: LFM3-Audio-2B không có trên OrcaRouter, và Dessa hoàn toàn không phải là một API. Thứ OrcaRouter cung cấp là lớp văn bản mà một tác nhân thoại ủy thác cho — hơn 200 mô hình chỉ qua một khóa ở mức giá niêm yết của nhà cung cấp, không cộng thêm phụ phí, tự động chuyển đổi dự phòng khi nhà cung cấp gặp trục trặc, một DSL định tuyến kết hợp nhiều mô hình vào một lệnh gọi, và hợp nhất mô hình khi phán đoán của một mô hình duy nhất là chưa đủ. Nếu bạn đang tạo nguyên mẫu với LFM3-Audio-2B cục bộ, nửa phần gọi công cụ của vòng lặp là phần bạn có thể đặt phía sau điểm cuối đó ngay hôm nay; nửa phần âm thanh vẫn ở trên máy của bạn.

Phép thử sẽ giải quyết được điều đó

Đối với LFM3-Audio-2B, bằng chứng còn thiếu rất cụ thể: một lần chạy WER độc lập trên một bộ chuẩn, một phép đo độ trễ trên phần cứng không phải M4 Max, và việc tái lập mức cải thiện UTMOS bởi một người không làm việc cho Liquid. Phần theo sau live-ASR trong llama.cpp cũng quan trọng, vì phiên âm theo lô là hướng được hỗ trợ hiện nay và chỉ hỗ trợ tiếng Anh là giới hạn khi streaming được triển khai.

Đối với Dessa, danh sách này ngắn hơn và khó hơn: một tập hội thoại giữ riêng để đánh giá, độ trễ đầu-cuối bao gồm cả phản ứng âm thanh đầu tiên, khả năng phục hồi khi bị ngắt lời, độ rõ ràng trong môi trường nhiễu, ngân sách dữ liệu và tính toán, và một thước đo nào đó về khả năng duy trì thông tin thực tế. Bất kỳ điều nào trong số đó cũng sẽ biến một đoạn demo thành một bài đánh giá. Tất cả chúng sẽ biến nó thành một sản phẩm.

Cho đến lúc đó, mô tả chính xác là hẹp và hữu ích. LFM3-Audio-2B là 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 cũng gần như tốt như vậy, và chưa có nhân chứng độc lập nào. Dessa là bản demo giọng nói thú vị nhất của tháng, không có cách nào để kiểm chứng nó. Nếu bạn cần xây dựng trong quý này, chỉ một trong những câu đó kết thúc bằng một lần triển khai.