LFM3-Audio-2B so với Voxtral 3: Bản tải xuống 2,1 GB đối đầu với một nền tảng giọng nói

Cách trung thực để mở đầu một so sánh giữa LFM3-Audio-2B và Voxtral 3 là nói rằng chưa ai công bố một lượt chạy đầy đủ của nó. Liquid AI đã công bố một bảng benchmark cho mô hình âm thanh 2 tỷ tham số của mình, và Mistral đã công bố một bảng cho bộ công cụ giọng nói của mình, và hai bảng hầu như không có hàng nào trùng nhau. Ở những chỗ chúng giao nhau, các mô hình được đo không cùng thế hệ. Bất kỳ ai nói với bạn mô hình nào trong số này "tốt hơn" trên một benchmark đều đang so sánh một con số từ bộ kiểm thử này với một con số từ bộ kiểm thử khác và hy vọng bạn không kiểm tra.

Vậy nên bài viết này làm một việc ít gọn gàng hơn nhưng hữu ích hơn. Nó tách câu hỏi bạn có thể trả lời khỏi câu hỏi bạn chưa thể trả lời. Bạn chưa thể nói mô hình nào chuyển lời nói tiếng Đức thành văn bản tốt hơn, vì giữa chúng không có một bài kiểm tra đa ngôn ngữ dùng chung. Bạn có thể nói, một cách chắc chắn và dựa trên tài liệu của chính hai nhà cung cấp, rằng đây hoàn toàn không phải cùng một loại sản phẩm: một bên là tệp 2,1 GB bạn tự chạy, còn bên kia là một pipeline gồm bốn mô hình gắn kèm SDK điện thoại và không có trọng số nào có thể tải xuống.

Sự khác biệt đó quyết định phần lớn các triển khai thực tế trước khi người ta xem đến một chỉ số WER nào. Phần còn lại của bài viết này nói về những trường hợp nó không quyết định.

Voxtral Liquid được đo hiệu năng không phải là Voxtral mà bạn đang so sánh.

Thẻ mô hình của Liquid đặt LFM3-Audio-2B cạnh sáu đối thủ, và một trong số đó là Voxtral. Hàng đó được ghi nhãn là Voxtral Mini 3B, và trên ASR tiếng Anh, nó đánh bại mô hình của Liquid: tỷ lệ lỗi từ 5,51% so với 6,23%. Đó là so sánh trực tiếp duy nhất với Voxtral mà Liquid công bố, và rất dễ hiểu thành "mô hình âm thanh của Mistral phiên âm chính xác hơn."

Đây không phải là sự so sánh mà tiêu đề ngụ ý. Voxtral Mini 3B là mistralai/Voxtral-Mini-3B-2507 — một mô hình 3B được phát hành vào tháng 7 năm 2025 theo Apache 2.0, được xây dựng cho triển khai cục bộ và tại biên. Nó có trước Voxtral 3 mười lăm tháng và thuộc về một thế hệ sản phẩm khác. Bộ sản phẩm ngày 20 tháng 10 năm 2026 của Mistral không chứa mô hình nào có tên Voxtral Mini 3B; công cụ phiên âm nhỏ nhất của bộ này là Voxtral Mini Transcribe 3 với 4B tham số và $0.0035 mỗi phút.

Cũng có một điểm không nhất quán bên trong bảng. Cột tham số ở hàng đó ghi 5B, trên một hàng được đặt tên cho mô hình 3B. Đó không phải là lý do để không tin các số liệu WER, vốn đến từ một đánh giá được nêu tên — ESB và tập Open ASR leaderboard, được lấy trung bình. Đó là lý do để đọc tiêu đề cột trên bảng của nhà cung cấp trước khi đọc các con số.

Hệ quả này đáng được nói thẳng ra, vì đó là sự thật hữu ích nhất trong bài viết này: không có bất kỳ so sánh trực tiếp nào được công bố giữa LFM3-Audio-2B và bất kỳ mô hình Voxtral 3 nào. Không phải từ Liquid, không phải từ Mistral, và cũng không phải từ một đơn vị đánh giá độc lập. Liquid đã so sánh mô hình mới của mình với mô hình âm thanh của Mistral trọng số mở từ năm 2025, một lựa chọn có thể biện hộ được cho một so sánh công bằng giữa mở với mở — và cũng là kiểu so sánh duy nhất hiện có thể thực hiện, vì Voxtral 3 không phát hành trọng số nào. Không thể thực hiện so sánh âm thanh trọng số mở năm 2026 với Voxtral 3.

Thực chất hai sản phẩm đó là gì

Sự bất đối xứng dễ nhận thấy hơn qua hình dáng của bản phát hành so với qua thông số kỹ thuật.

LFM3-Audio-2B là một mô hình, được phát hành ngày 27 tháng 10 năm 2026 như một phần của dòng LFM3 gồm sáu mô hình. Mô hình nhận văn bản hoặc âm thanh 16 kHz đầu vào, và xuất ra văn bản, giọng nói 24 kHz, hoặc văn bản và giọng nói xen kẽ, cùng với các lệnh gọi công cụ. Một bộ mã hóa âm thanh nhân quả nội bộ mới cho phép mô hình prefill trong khi bạn vẫn đang nói. Mô hình sử dụng LiquidCodec làm tokenizer, nén 80 mili giây giọng nói thành 12 token rời rạc, được giải mã song song thay vì tuần tự, với tốc độ nhanh gấp khoảng 87 lần thời gian thực trên một luồng CPU đơn của M4 Max — đây là con số thông lượng của codec, không phải yêu cầu phần cứng.

Voxtral 3, được công bố ngày 20 tháng 10 năm 2026, là một bộ gồm: một bộ phiên âm hàng loạt, một bộ phiên âm hàng loạt nhỏ hơn thứ hai, một bộ phiên âm luồng, một mô hình TTS, một sản phẩm thích ứng giọng nói và một SDK tác nhân thoại dựa trên LiveKit, kết nối tất cả chúng với nhau qua SIP và WebRTC. Bạn không chọn Voxtral 3. Bạn chọn một pipeline, và Voxtral 3 cung cấp các giai đoạn.

• Trọng số — LFM3-Audio-2B phát hành trọng số mở theo LFM Open License v1.0; Voxtral 3 không công bố trọng số nào có thể tải xuống, và tài liệu ra mắt của Mistral thay vào đó mô tả quyền truy cập API, các playground trong Studio và triển khai trên hạ tầng riêng.

• Mức chiếm dụng — 2,1 GB trên Ollama so với một endpoint; không có tệp Voxtral 3 nào để đo kích thước.

• Ngữ cảnh — 32K token cho LFM3-Audio-2B, cả đầu vào lẫn đầu ra. Mistral không công bố bất kỳ con số ngữ cảnh nào cho các mô hình phiên âm; thay vào đó, họ tính giá theo phút.

• Các phương thức — LFM3-Audio-2B hỗ trợ mọi đầu vào đến mọi đầu ra trong một mô hình duy nhất: nghe, nói, hiểu, dịch, gọi công cụ. Voxtral 3 chia tách những khả năng đó thành các mô hình và điểm cuối riêng biệt; các mô hình phiên âm và mô hình TTS không phải cùng một hệ thống.

• Giấy phép — LFM Open License v1.0, miễn phí cho mục đích thương mại khi doanh thu hằng năm dưới 10 triệu USD; Voxtral 3 là API thương mại có các điều khoản được áp dụng theo từng lần gọi.

• Phân tách người nói và định hướng ngữ cảnh — Voxtral 3 có cả hai, với 18,4% cpWER trên bộ phân tách người nói của chính Mistral và độ thu hồi cụm từ khóa tăng từ 81,4% lên 94,6% khi bạn cung cấp ngữ cảnh. LFM3-Audio-2B không công bố khả năng nào trong hai khả năng này.

Độ phủ ngôn ngữ là khoảng trống duy nhất còn xa mới lấp đầy được.

LFM3-Audio-2B hỗ trợ 18 ngôn ngữ thuộc 19 locale, được liệt kê trên thẻ: tiếng Ả Rập, Đan Mạch, Đức, Hy Lạp, Anh (tiếng Anh Anh và Anh Mỹ được tính riêng), Phần Lan, Pháp, Do Thái, Ý, Nhật, Hàn, Hà Lan, Ba Lan, Bồ Đào Nha, Tây Ban Nha, Thụy Điển, Thổ Nhĩ Kỳ và Trung. Mô hình đánh giá ASR đa ngôn ngữ trên chín ngôn ngữ trong số đó và báo cáo tỷ lệ lỗi trung bình 6,03 trên FLEURS, sử dụng tỷ lệ lỗi ký tự cho tiếng Trung, tiếng Nhật và tiếng Hàn.

Các trình phiên âm của Voxtral 3 hỗ trợ 50 ngôn ngữ trở lên. Mô hình thời gian thực ghi 35+ ở một chỗ trên trang và 40+ ở chỗ khác, kiểu mâu thuẫn thường có nghĩa là con số đã thay đổi trong tuần ra mắt và không ai đồng bộ lại nội dung.

Nếu âm thanh của bạn đến bằng tiếng Việt, tiếng Hindi, tiếng Nga, tiếng Na Uy hoặc tiếng Catalan, LFM3-Audio-2B không liệt kê ngôn ngữ đó, còn Voxtral 3 nói được cả năm thứ tiếng — chúng nằm trong số mười tám ngôn ngữ cài sẵn giọng nói mà Mistral nêu tên. Trên toàn bộ danh sách, chúng tôi không thể xác định được ngôn ngữ nào Liquid hỗ trợ mà 50+ ngôn ngữ phiên âm của Mistral không tuyên bố bao phủ. Lưu ý trung thực là Mistral công bố đầy đủ danh sách ngôn ngữ cài sẵn giọng nói của mình và chỉ công bố phạm vi phiên âm dưới dạng một con số, nên một phần của so sánh này là so danh sách với con số.

Có một góc cạnh sắc hơn nằm ngay trong tài liệu của chính Liquid. Chế độ ASR trực tiếp của mô hình — chế độ phiên âm khi âm thanh truyền đến theo từng đoạn khoảng 0,96 giây — chỉ hỗ trợ tiếng Anh. Phiên âm theo lô bao phủ toàn bộ danh sách 18 ngôn ngữ; tuyến truyền trực tiếp thì không. Bất kỳ ai đang lên kế hoạch cho tính năng phụ đề đa ngôn ngữ theo thời gian thực dựa trên LFM3-Audio-2B nên đọc lại dòng đó hai lần, vì nó loại mô hình khỏi công việc bất kể bảng WER ra sao.

Hai con số độ trễ không đo lường cùng một thứ

Liquid quảng cáo thời gian đến token đầu tiên "thấp nhất là 50 ms." Mistral quảng cáo dưới 500 ms cho công cụ phiên âm thời gian thực của mình và một lượt tác nhân hoàn chỉnh dưới một giây. Những con số đó không thể so sánh được với nhau, và sự khác biệt không phải là sai số làm tròn.

Con số 50 ms là một lộ trình giọng nói sang giọng nói: bộ mã hóa nhân quả bắt đầu xử lý trước khi bạn nói xong câu, nên mô hình có thể bắt đầu phát ra token đầu tiên của câu trả lời trong khi âm thanh vẫn đang đến. Đó là một tuyên bố về khả năng tương tác trong một mô hình hội thoại. Con số dưới 500 ms là độ trễ phiên âm — khoảng chờ trước khi văn bản xuất hiện — và chính các bảng của Mistral cho thấy cái giá phải trả. Trên bộ đánh giá thời gian thực của mình, Voxtral Mini Transcribe Realtime 3 ở độ trễ 960 ms có WER là 6,0%; ở 480 ms là 6,4%; ở 240 ms là 7,4%. Độ trễ và độ chính xác đánh đổi trực tiếp với nhau, và Mistral cho phép bạn chọn điểm trên đường cong đó.

Liquid không công bố đường cong tương đương nào. Họ công bố một mức sàn — 50 ms — mà không nêu rõ phần cứng, không có bộ kiểm thử và không có độ chính xác ở độ trễ đó. Mức sàn đó có thể là thật. Nhưng nó vẫn chưa phải là một đặc tả mà bạn có thể dựa vào để lập kế hoạch cho sản phẩm.

Bài toán chi phí, được tính toán chứ không chỉ khẳng định

So sánh một mô hình trọng số mở với một API tính phí theo phút thì suy cho cùng là chuyện khối lượng, và phép tính đủ đơn giản để có thể làm cẩn thận.

Phiên âm, 1.000 giờ âm thanh — 60.000 phút. Voxtral Mini Transcribe 3 với giá 0,0035 USD/phút là 210 USD. Voxtral Small Transcribe 3 với giá 0,004 USD là 240 USD. Voxtral Mini Transcribe Realtime 3 với giá 0,008 USD là 480 USD. LFM3-Audio-2B là bản tải xuống miễn phí chạy trên phần cứng bạn đã sở hữu, nên chi phí cận biên của nó là tiền điện.

Tổng hợp giọng nói, 1.000 giờ — với khoảng 900 ký tự mỗi phút nói, tức là 54 triệu ký tự. Voxtral Mini TTS 3 với giá 13 USD mỗi triệu ký tự là 702 USD. LFM3-Audio-2B không tốn phí cho mỗi ký tự và cung cấp hai tùy chọn giọng nói, nam và nữ, được chọn bằng lời nhắc. Voxtral nhân bản giọng nói từ 30 phút âm thanh và cho phép điều chỉnh cảm xúc, nhịp độ và nhấn mạnh.

Một tác nhân thoại trực tiếp, 1,000 giờ hội thoại — Mistral định giá pipeline được lắp ghép ở mức $0.04 mỗi phút với Mistral Small 4 đảm nhận phần suy luận, $0.08 với một mô hình lớn hơn. Đó là $2,400 đến $4,800. LFM3-Audio-2B xử lý việc nghe và nói cục bộ, nhưng nó vẫn cần một mô hình suy luận cho bất cứ điều gì vượt ngoài năng lực của chính nó, và thẻ mô hình của nó nói thẳng rằng nó không được khuyến nghị cho suy luận đa bước phức tạp.

Giờ đến phần thường bị bỏ qua: điểm hòa vốn. Một chiếc máy $1,000 sẽ hoàn vốn sau khoảng 4.760 giờ Voxtral Mini Transcribe 3 — tức khoảng 200 ngày âm thanh liên tục, hay một năm rưỡi nếu mỗi ngày tám giờ. Với khối lượng nhỏ, API rẻ hơn so với mua phần cứng, và nó rẻ hơn ngay từ ngày bạn bắt đầu. Trường hợp trọng số mở không phải là "miễn phí". Đó là "chi phí cố định thay vì chi phí biên", và nó chỉ thắng khi khối lượng đủ lớn, yêu cầu về quyền riêng tư khắt khe, hoặc thiết bị không có mạng.

Điểm mà một router khẳng định được vị trí của mình trong bức tranh này không nằm ở một trong hai mô hình âm thanh — cả LFM3-Audio-2B lẫn Voxtral 3 đều chưa có trong danh mục của OrcaRouter ở thời điểm hiện tại, và chúng tôi sẽ không giả vờ điều ngược lại. Nó nằm ở giai đoạn suy luận mà cả hai kiến trúc rốt cuộc đều cần. Một tác nhân thoại là một chuỗi: chuyển lời nói thành văn bản, suy luận, phát giọng nói. Mắt xích ở giữa là một LLM được lưu trữ, và đó chính là mắt xích được hưởng lợi từ một khóa duy nhất áp dụng cho hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển tiếp với mức phụ phí 0% để thay đổi giá từ nhà cung cấp đến với bạn ngay trong ngày, cùng với cơ chế chuyển đổi dự phòng tự động khi một nhà cung cấp gặp trục trặc giữa cuộc gọi.

Điều gì đã được xác minh, và điều gì thì chưa?

Ở đây có ba tầng bằng chứng, và việc san phẳng chúng chính là nguyên nhân khiến các so sánh trở nên sai lệch.

Được đo lường độc lập. Chất lượng phiên âm của Voxtral 3 có các con số từ bên thứ ba: Artificial Analysis xếp Voxtral Small Transcribe 3 ở mức 2,1% WER trên chỉ số riêng của họ, đứng thứ ba tổng thể tính đến ngày 21 tháng 10 năm 2026, với Voxtral Mini Transcribe 3 ở mức 2,2%. TTS của nó đạt hạng 13 trên Provider Voice arena với 1.217 Elo và hạng 14 trên Controlled Voice với 1.066 — ở mức giữa bảng, và đáng nói thẳng vì bài đăng mạng xã hội của Mistral mô tả nó nằm trong top 12.

Do nhà cung cấp báo cáo, chưa được tái lập.Mọi con số LFM3-Audio-2B trong bài viết này đều là của chính Liquid: WER tiếng Anh 6,23, con số đa ngôn ngữ 6,03, UTMOSv2 3,83, VoiceBench 73,13, đánh giá gọi công cụ nội bộ 58,50 và MMAR 50,60. Tính đến thời điểm viết bài, không có mục Artificial Analysis nào cho mô hình này và chưa có bên thứ ba nào công bố việc tái lập. Hãy coi chúng là tuyên bố, không phải số đo.

Hoàn toàn không thể so sánh được. WER tiếng Anh 6.23% của Liquid, con số FLEURS 4.0% của Mistral và 2.1% của Artificial Analysis là ba bài kiểm tra khác nhau trên ba bộ âm thanh khác nhau. Đừng trừ chúng cho nhau. So sánh cùng một bộ đánh giá duy nhất mà Liquid công bố là với Voxtral Mini 3B — mô hình trọng số mở năm 2025. Ở đó, mô hình 2B của Liquid đạt 6.23 so với 5.51 của Voxtral trên ASR tiếng Anh, nhưng vượt nó ở ASR đa ngôn ngữ 6.03 so với 7.76, VoiceBench 73.13 so với 65.78, MMAR 50.60 so với 50.10 và gọi công cụ 58.50 so với 44.50.

"Âm thầm ra mắt" thực sự có nghĩa gì ở đây

LFM3-Audio-2B không có màn ra mắt riêng, và sự khác biệt đó rất quan trọng nếu bạn đang cân nhắc mức độ tin tưởng vào tài liệu.

Liquid đã công bố dòng LFM3 vào ngày 27 tháng 10 năm 2026 bằng một bài viết có tiêu đề "Introducing LFM3: Every Modality for Specialized Intelligence." Mô hình âm thanh xuất hiện ở đó với tư cách là một trong sáu mô hình, trong một mục — không có bài đăng blog riêng cho LFM3-Audio, không có buổi ra mắt riêng, không có trang sản phẩm riêng của nó. Trọng số và thẻ mô hình đã hoàn chỉnh và công khai. Danh mục trên Ollama, ollama run lfm3-audio ở mức 2,1 GB, đã xuất hiện vào ngày 28 tháng 10 mà không có thông báo tương ứng từ Liquid hay Ollama, cùng với một pull request của llama.cpp đã thêm các mô hình âm thanh và omni với ASR trực tiếp được hoãn lại cho một bản cập nhật tiếp theo.

Vậy cách diễn giải là: artifact là thật và đã được ghi nhận, việc ra mắt chỉ là một đoạn trong thông báo về một dòng mô hình, và hỗ trợ runtime cục bộ đến muộn hơn một ngày, một cách lặng lẽ. Điều đó trên thực tế có nghĩa là model card mới là nguồn có thẩm quyền — không phải bài đăng ra mắt, vì không có bài nào — và model card đặc biệt cụ thể về các hạn chế, điều này là một điểm cộng. Nó ghi rõ LiveASR chỉ hỗ trợ tiếng Anh. Nó nói rằng mô hình không dành cho lập trình agentic hay suy luận nhiều bước phức tạp. Nó chuyển các tác vụ nặng về kiến thức sang truy xuất. Một nhà cung cấp che giấu một mô hình yếu thường không ghi điều đó ra.

Ai nên lấy cái nào

Hãy chọn LFM3-Audio-2B nếu âm thanh không thể rời khỏi thiết bị, nếu bạn cần một mô hình vừa nghe vừa nói mà không phải ghép nối hai dịch vụ với nhau, nếu ngôn ngữ của bạn nằm trong số mười tám ngôn ngữ của nó, và nếu lưu lượng của bạn đủ cao để chi phí phần cứng cố định thắng hóa đơn tính theo phút. Đây cũng là lựa chọn đúng để tạo mẫu thử giao diện giọng nói mà không cần mua sắm gì cả — 2.1 GB và một lệnh Ollama. Hãy chấp nhận rằng ASR tiếng Anh của nó đi sau thế hệ mới nhất của Voxtral mở, rằng tính năng truyền phát chỉ dành cho tiếng Anh, và rằng chưa có đơn vị đánh giá độc lập nào kiểm tra bất kỳ con số nào của nó.

Hãy chọn Voxtral 3 nếu bạn đang xây dựng một agent điện thoại thay vì một tính năng của mô hình. Bộ công cụ này được thiết kế để lắp ghép: trình phiên âm, mô hình suy luận, TTS, qua SIP và WebRTC, với khả năng ngắt lời và phát hiện kết thúc lượt đã được giải quyết sẵn. Cũng hãy chọn nó nếu bạn cần hơn 50 ngôn ngữ, phân tách người nói, thiên lệch ngữ cảnh cho tên và thuật ngữ chuyên ngành, hoặc nhân bản giọng nói — bốn khả năng mà LFM3-Audio-2B không cung cấp dưới bất kỳ hình thức nào. Đánh đổi là bạn không thể tải xuống, không thể kiểm tra nó, và chi phí của bạn tăng tuyến tính theo từng phút bạn phục vụ, mãi mãi.

Dùng cả hai nếu kiến trúc cho phép, và thường thì nó cho phép. Chạy LFM3-Audio-2B trên thiết bị cho wake-word, đọc chính tả cục bộ và luồng ngoại tuyến; gửi những cuộc gọi cần hỗ trợ đa ngôn ngữ, phân tách người nói hoặc giọng nói được nhân bản đến Voxtral 3. Hai bên không tranh nhau cùng một vị trí trong một ngăn xếp. Một bên là mô hình nằm trong sản phẩm của bạn; bên kia là nhà cung cấp mà bạn gọi đến khi sản phẩm chính là một đường dây điện thoại.

Sự so sánh cần chú ý

Hai điều sẽ giải quyết chuyện này một cách thỏa đáng, và cả hai đều chưa tồn tại.

Đầu tiên là một đánh giá độc lập về LFM3-Audio-2B trên cùng bộ khung đánh giá mà Artificial Analysis dùng cho các mô hình Voxtral 3. Con số duy nhất đó — chỉ số WER của nó trên một bài kiểm tra dùng chung — sẽ biến tuyên bố hệ trọng nhất trong bảng của Liquid từ lời khẳng định của nhà cung cấp thành kết quả đo lường, và sẽ cho bạn biết liệu một mô hình 2B chạy trên laptop có thực sự nằm trong khoảng một điểm so với một mô hình 4B chạy trên máy chủ hay không.

Điều thứ hai là liệu Mistral có bao giờ phát hành trọng số Voxtral 3 hay không. Các mô hình âm thanh năm 2025 của công ty là mã nguồn mở theo Apache 2.0; bộ năm 2026 thì không. Nếu điều đó đảo ngược, phép so sánh công bằng giữa mở với mở mà Liquid chọn công bố sẽ lại trở nên có tính thời sự, và lưu ý trọng tâm của bài viết này sẽ hết hiệu lực.

Cho đến khi một trong những điều đó xảy ra, lập trường có thể bảo vệ được chính là lập trường kém hào nhoáng ấy. Về độ rộng năng lực, Voxtral 3 thắng với khoảng cách mà không tranh cãi nào về benchmark có thể thu hẹp: năm mươi ngôn ngữ, tách người nói, nhân bản giọng nói, điện thoại. Về khả năng triển khai, LFM3-Audio-2B thắng với khoảng cách lớn tương đương, vì nó là cái duy nhất trong hai cái mà bạn có thể cầm nắm. Mọi thứ ở giữa chỉ là một con số từ bảng của nhà cung cấp này đặt cạnh một con số từ bảng của nhà cung cấp khác, và câu trả lời trung thực cho câu hỏi "cái nào chính xác hơn" là chưa ai đo được điều đó.