LFM3-Audio-2B vs StepAudio 3: Mô hình 2B mở đối đầu với dòng sản phẩm được chấm điểm

StepAudio 3 Realtime gắn với một con số ở đúng thứ mà các sản phẩm giọng nói được đánh giá: 98.9% trên bảng Conversational Dynamics của Artificial Analysis, vị trí thứ nhất. LFM3-Audio-2B có giấy phép. Đó không phải là một phép đối lập tu từ — mà là thực trạng của bằng chứng. Dòng sản phẩm của StepFun: StepAudio 3 ra mắt ngày 15 tháng 9 năm 2026 dưới dạng năm mô hình âm thanh thương mại trên một nền tảng, với các vị trí trên bảng xếp hạng của bên thứ ba và giá xem trước bằng không. LFM3-Audio-2B của Liquid AI xuất hiện vào ngày 27 tháng 10 trong đợt ra mắt LFM3 gồm sáu mô hình, dưới dạng checkpoint trọng số mở 2B với bảng thông số của nhà cung cấp và không có điểm đánh giá độc lập. Một bên là sản phẩm đã được đo lường mà bạn thuê. Bên kia là một tệp chưa được đo lường mà bạn có thể sở hữu. Quyết định giữa hai bên không nằm ở chất lượng âm thanh nhiều bằng việc câu nào trong hai câu đó mô tả ràng buộc của bạn.

Có một sự cám dỗ là tuyên bố mô hình được chấm điểm là người thắng cuộc rồi tiếp tục. Hãy cưỡng lại điều đó trong một đoạn văn. Điểm số của StepAudio 3 Realtime đo lường động lực hội thoại — luân phiên lượt nói, phục hồi sau ngắt lời, tín hiệu đáp lời — trên một hệ thống được vận hành trên máy chủ với WebSocket liên tục và một bộ huấn luyện ưu tiên tiếng Trung. LFM3-Audio-2B không có trên bảng đó, không phải song công, và sẽ không được đo bởi bảng đó ngay cả khi có ai đó đưa nó vào. Hai mô hình không cạnh tranh cho cùng một vị trí trong một ngăn xếp. Phép so sánh hữu ích là mỗi mô hình có thể làm được gì mà mô hình kia không thể, và mỗi mô hình khiến bạn tốn bao nhiêu để tìm ra điều đó.

StepAudio 3 thực sự là gì

Tên gọi bao trùm một họ mô hình và hạng bạn chọn sẽ thay đổi phép so sánh. StepFun đã phát hành năm mô hình âm thanh vào ngày 15 tháng 9: Realtime, ASR, TTS, Gen và Music, tất cả đều hoạt động trên nền tảng mở của mình dưới dạng API thương mại. Một hạng Chat với ngữ cảnh 256K và đầu ra văn bản hoàn thiện bề mặt dành cho nhà phát triển.

• StepAudio 3 Realtime — hội thoại song công hoàn toàn gốc, suy luận trực tiếp trên lời nói thay vì phiên âm trước, với khả năng gọi công cụ và thực thi bất đồng bộ các tác vụ dài trong khi cuộc hội thoại vẫn tiếp diễn. Đây là mẫu hàng đầu, và là mẫu gần nhất với một mô hình giọng nói tổng quát.

• StepAudio 3 ASR — nhận dạng, với tỷ lệ lỗi từ 1,7% trên bảng xếp hạng độ chính xác ASR không theo luồng của Artificial Analysis, đồng hạng nhất.

• StepAudio 3 TTS — tổng hợp trực tuyến theo luồng, sáu ngôn ngữ (tiếng Anh, tiếng Trung, tiếng Nhật, tiếng Hàn, tiếng Pháp, tiếng Tây Ban Nha), 12 giọng hệ thống, đầu vào tối đa 1.000 ký tự.

• StepAudio 3 Gen — tạo hợp nhất giọng nói, hiệu ứng âm thanh, âm thanh môi trường, nhạc nền và giọng hát từ ngôn ngữ tự nhiên, hiện đang trong giai đoạn xem trước miễn phí có giới hạn.

• StepAudio 3 Music — tạo bài hát zero-shot với điều khiển đa lượt qua ký hiệu ABC, chuyển giọng hát thành bản phối và các bản cover.

LFM3-Audio-2B là một checkpoint cố gắng thực hiện nhiều công việc trong số đó cùng lúc: nhận dạng, tổng hợp, dịch, hiểu âm thanh và gọi công cụ bằng giọng nói, được chọn bởi prompt và cấu hình phục vụ. Nó sẽ không tạo nhạc, và bộ hiệu ứng âm thanh của nó chỉ là những gì có được từ một mô hình âm thanh tổng quát. Thứ nó có là một tệp trọng số. StepAudio 3 thì không có — đây là một họ API thương mại, không phải bản phát hành mở, và không có hạng nào cung cấp trọng số.

Bảng điểm, và ai là người tạo ra nó

Các con số của StepFun là cơ sở bằng chứng mạnh nhất trong màn đối đầu này, và chúng cũng là thứ dễ bị diễn giải quá mức nhất. Chỉ số 98,9% về Conversational Dynamics là một vị trí do bên thứ ba đưa ra trên Artificial Analysis, khiến nó đáng tin cậy hơn một bảng của nhà cung cấp. Chỉ số 99,7% về suy luận giọng nói được StepFun trích dẫn, chứ không phải được tái lập độc lập. Tỷ lệ lỗi từ của ASR là 1,7% là một vị trí trên Artificial Analysis, đồng hạng nhất, và nó thuộc tầng ASR chứ không phải mô hình Realtime. Đó là ba loại khẳng định khác nhau cùng khoác một bộ đồng phục.

Bảng của LFM3-Audio-2B hoàn toàn do nhà cung cấp báo cáo và hoàn toàn được tính tương đối so với mô hình tiền nhiệm của chính nó, LFM2.5-Audio-1.5B: WER ASR tiếng Anh 6,23 so với 6,13, WER/CER đa ngôn ngữ 6,03, UTMOSv2 3,83 so với 3,22, VoiceBench 73,13 so với 55,17, MMAR 50,60 so với 25,85, và một đánh giá gọi công cụ nội bộ ở mức 58,50. Không có bộ kiểm thử, khung kiểm thử hay phương sai nào được nêu tên, và chúng tôi không thể tìm thấy bất kỳ bản tái lập độc lập nào cho bất kỳ hàng nào.

Đặt hai cái cạnh nhau và quan sát trung thực là chúng gần như không trùng nhau. StepAudio 3 Realtime được chấm điểm về nhịp thời gian hội thoại; LFM3-Audio-2B được chấm điểm về nhận dạng, chất lượng tổng hợp và suy luận âm thanh. Trục duy nhất mà cả hai đều công bố điều gì đó là nhận dạng, và ngay cả ở đó, so sánh cũng bị nhiễu: 1,7% của StepAudio là điểm từ một bảng độc lập cho tầng ASR, còn 6,23 của Liquid là con số do nhà cung cấp công bố cho một mô hình âm thanh tổng quát trên một tập dữ liệu không nêu tên. Khoảng cách đủ lớn để hướng có lẽ là thật. Độ lớn không phải là phép đo của bất cứ thứ gì hai đội cùng chạy.

Duplex là dòng sản phẩm kiến trúc

StepAudio 3 Realtime được xây dựng cho một cuộc gọi điện thoại. Nó vừa nghe vừa nói, xử lý việc ngắt lời và suy luận trên âm thanh thô thay vì bản ghi lời nói, điều mà StepFun lập luận là bảo toàn giọng điệu và sự nhấn mạnh mà một chặng trung gian văn bản sẽ làm phẳng. Tài liệu của nó nói rõ sự phân tách: Realtime API mang đến nhận dạng giọng nói tích hợp, quản lý ngữ cảnh, VAD, tìm kiếm web và truy xuất; Chat API buộc bạn phải tự triển khai từng thứ đó.

LFM3-Audio-2B được xây dựng để đáp ứng một yêu cầu. Bộ mã hóa âm thanh nhân quả cho phép nó prefill trong khi bạn nói, và LiquidCodec truyền phát giọng nói trở lại — 80 ms âm thanh thành 12 token, được giải mã ở tốc độ khoảng 87 lần thời gian thực trên một luồng CPU của M4 Max. Con số thời gian đến token đầu tiên "thấp nhất là 50 ms" đến từ thiết kế đó. Nhưng truyền phát một câu trả lời không giống với xử lý việc nói chen ngang, và Liquid không đưa ra tuyên bố song công nào. Nếu sản phẩm của bạn cần xử lý việc bị nói chen ngang, kiến trúc sẽ quyết định điều này trước bất kỳ benchmark nào.

Có một cái bẫy về độ trễ ở phía bên kia. StepAudio 3 Realtime ghi nhận thời gian đến âm thanh đầu tiên là 8,83 giây trên cùng bảng xếp hạng nơi nó thắng về động lực hội thoại — so với 1,18 giây của Gemini 3.8 Live và 1,24 đến 1,34 giây của GPT-Live-1. Một mô hình thắng về luân phiên lượt nói nhưng mất gần bằng thời gian của cả một câu để bắt đầu nói là mô hình mà chất lượng tốt nhất của nó có thể bạn sẽ không bao giờ thể hiện được trong môi trường sản xuất. Hãy kiểm tra độ trễ trước chất lượng hội thoại, và kiểm tra nó bên ngoài thiết lập phục vụ của chính StepFun nếu có thể.

Giá, giấy phép và những gì bạn thực sự đang mua

StepAudio 3 đang trong giai đoạn xem trước miễn phí có thời hạn trên toàn dòng sản phẩm, nhưng chưa công bố mức giá sau xem trước cho gói Realtime. Gói TTS có giá niêm yết công khai khoảng $0,36 cho mỗi 10.000 ký tự thông qua một danh mục của bên thứ ba, nhưng đó không phải giá Realtime và không nên được dùng như giá Realtime. Thực tế là StepAudio 3 Realtime miễn phí để đánh giá ngay hôm nay và chưa có giá cho môi trường sản xuất — thời điểm tốt để thử nghiệm, thời điểm không tốt để xây dựng mô hình kinh tế đơn vị.

LFM3-Audio-2B tiêu tốn tài nguyên của máy chạy nó. LFM Open License v1.0 miễn phí cho mục đích thương mại khi doanh thu hằng năm dưới $10M và phải trả phí khi vượt mức đó. Bản dựng Ollama nặng 2.1 GB và có thể chạy trên CPU; llama.cpp đã hợp nhất hỗ trợ vào ngày 27 tháng 10; Transformers cần 5.20.2 trở lên với trust_remote_code, và trọng số codec được tải từ một thư mục riêng, vì vậy hãy cố định môi trường. Không có đồng hồ tính theo phút. Cũng không có SLA, không có pager, và không có nhà cung cấp nào để gọi khi chất lượng đầu ra giảm sút.

• Những gì bạn nhận được — StepAudio 3 Realtime: một endpoint thương mại, mẫu chủ lực hiện tại, có kèm hỗ trợ. LFM3-Audio-2B: một checkpoint, một giấy phép, và gánh nặng vận hành.

• Những gì bạn có thể kiểm tra — StepAudio 3: tài liệu, vị trí trên bảng xếp hạng, không có trọng số. LFM3-Audio-2B: kiến trúc, thẻ mô hình, trọng số, codec, quy trình tinh chỉnh.

• Cấu trúc chi phí — StepAudio 3: tính theo từng cuộc gọi, bằng không khi nhàn rỗi, chưa định giá sau bản xem trước. LFM3-Audio-2B: phần cứng cố định, chi phí biên gần bằng không, không có đồng hồ đo.

• Kiểu lỗi — StepAudio 3: hạn mức, khu vực, sự cố tài khoản, phiếu hỗ trợ. LFM3-Audio-2B: bạn là người trực pager.

Độ phủ ngôn ngữ không phải là một thế hòa

LFM3-Audio-2B liệt kê 18 ngôn ngữ trên 19 locale, với tiếng Anh xuất hiện hai lần dưới dạng biến thể Mỹ và Anh. Đó là một danh sách tổng hợp rộng cho một mô hình 2B, và là lập luận thực tiễn mạnh nhất ủng hộ nó trong một sản phẩm châu Âu hoặc đa ngôn ngữ. Các giới hạn cũng cụ thể không kém: ASR thời gian thực chỉ hỗ trợ tiếng Anh, và dịch thuật mạnh nhất khi sang hoặc từ tiếng Anh.

StepAudio 3 ưu tiên tiếng Trung. Tài liệu của hạng Realtime không công bố danh sách ngôn ngữ đầy đủ; hạng TTS của dòng này bao gồm sáu ngôn ngữ, còn hạng ASR được xây dựng xoay quanh tiếng Trung và tiếng Anh với khả năng xử lý phương ngữ, chuyển mã ngôn ngữ, âm thanh dài và hát. Nếu lưu lượng của bạn là tiếng Quan Thoại xen tiếng Anh, bộ công cụ của StepFun được xây dựng cho khối lượng công việc đó còn của Liquid thì không. Nếu lưu lượng của bạn là tiếng Thụy Điển và tiếng Hà Lan, checkpoint 18 ngôn ngữ là cái duy nhất trong hai cái tuyên bố hỗ trợ.

Bộ định tuyến phù hợp ở đâu và không phù hợp ở đâu

StepAudio 3 không có trong danh mục OrcaRouter, và LFM3-Audio-2B cũng vậy — một cái là API đóng, cái kia là bản tải xuống. Vì vậy không có câu chuyện chuyển đổi dự phòng giữa hai cái này để kể, và cũng không có lý do gì để giả vờ ngược lại.

Lớp định tuyến quan trọng ở một cấp cao hơn, nơi các tác nhân thoại thực sự dồn phần phức tạp của mình. StepAudio 3 Realtime hỗ trợ gọi công cụ và các tác vụ bất đồng bộ chạy lâu, nghĩa là cuộc hội thoại liên tục giao việc cho các mô hình văn bản thông thường: tra cứu, trích xuất, kiểm tra chính sách. Lớp ủy thác đó là nơi phát sinh sự cố nhà cung cấp và biến động chi phí. OrcaRouter đưa hơn 200 mô hình văn bản và đa phương thức vào sau một khóa với giá niêm yết của nhà cung cấp, không cộng thêm, cùng chuyển đổi dự phòng tự động, một DSL định tuyến kết hợp nhiều mô hình trong một lệnh gọi, và hợp nhất mô hình khi phán đoán của một mô hình là chưa đủ. Đối với một nguyên mẫu LFM3-Audio-2B, đó là một nửa ngăn xếp mà bạn có thể đặt phía sau một endpoint ngay hôm nay trong khi mô hình âm thanh vẫn chạy cục bộ.

Ba câu hỏi quyết định điều đó

Bạn có cần một cuộc trò chuyện có thể bị ngắt lời không?

Vậy thì StepAudio 3 Realtime là cái duy nhất trong hai cái này tuyên bố có hành vi đó, và nó là điểm khởi đầu đúng đắn bất chấp vấn đề độ trễ. LFM3-Audio-2B là yêu cầu-và-phản hồi; dù tinh chỉnh bao nhiêu cũng không thay đổi giao diện. Hãy kiểm tra con số 8.83 giây cho âm thanh đầu tiên trên chính mạng của bạn trước khi cam kết.

Bạn có cần sở hữu mô hình hay chạy ngoại tuyến không?

Vậy thì LFM3-Audio-2B là lựa chọn duy nhất ở đây, và ngưỡng giấy phép là con số cần đối chiếu với doanh thu của bạn. Hãy chấp nhận ngữ cảnh 32K, ASR trực tiếp chỉ hỗ trợ tiếng Anh và việc không có đánh giá độc lập. Hãy chạy thử các bản ghi âm của chính bạn qua đó trước khi tin vào mức tăng UTMOS.

Điểm số của nhà cung cấp có đủ để đưa ra lựa chọn không?

Chưa, và lý do không phải là các con số của StepFun yếu. Mà là các điểm số đo những thứ khác nhau từ những bộ khung đánh giá khác nhau, và mô hình không có điểm số thì không đủ điều kiện lên bảng xếp hạng đã tạo ra con số được trích dẫn nhiều nhất. Một so sánh trực tiếp trung lập trên cùng một tập hội thoại sẽ phân định được nhiều hơn bảng của bất kỳ nhà cung cấp nào. Cho đến khi điều đó tồn tại, lựa chọn là một câu hỏi về ràng buộc, không phải câu hỏi về chất lượng.

Phán quyết

StepAudio 3 Realtime thắng ở trục mà thị trường hiện đang đo lường — động lực hội thoại — và có nền tảng bằng chứng mạnh hơn vì một bên thứ ba đã tạo ra một phần trong đó. Nó cũng có vấn đề độ trễ chưa được giải quyết, không có giá công bố sau bản xem trước, không có trọng số và hồ sơ ngôn ngữ ưu tiên tiếng Trung. Đây là lựa chọn tốt hơn cho một tác nhân thoại thời gian thực nhắm đến người dùng tiếng Trung và tiếng Anh, miễn là bài kiểm tra độ trễ vượt qua và giá xem trước không biến thành một bất ngờ.

LFM3-Audio-2B thắng về quyền sở hữu và độ rộng của khả năng tổng hợp, nhưng thua về bằng chứng. Nó mới bốn ngày tuổi, các con số do nhà cung cấp báo cáo, ASR của nó ở mức giữa bảng ngay trong bảng của chính nó, và giấy phép của nó có ngưỡng doanh thu. Đây là lựa chọn tốt hơn cho một sản phẩm ngoại tuyến, một giọng nói đa ngôn ngữ, hoặc một nhóm không thể chấp nhận cơ chế tính phí theo từng lần gọi — và là lựa chọn duy nhất trong hai lựa chọn mà bạn có thể đánh giá hoàn toàn trên phần cứng của riêng mình trong tuần này.

Điều cần theo dõi là giống nhau ở cả hai phía: một đánh giá trung lập đặt một mô hình song công và một mô hình yêu cầu-và-phản hồi trên cùng một bộ hội thoại, và một mức giá production được công bố cho StepAudio 3. Điều thứ nhất sẽ cho bạn biết liệu checkpoint 2B của Liquid có gần với mức tiên phong hơn so với tài liệu của nó gợi ý hay không. Điều thứ hai sẽ cho bạn biết liệu lợi thế dẫn đầu của StepFun có sống sót khi tiếp xúc với một hóa đơn hay không.