LFM3-Audio-2B 与 Dessa：一个可以下载，一个只能听

Liquid AI 的LFM3-Audio-2B 是一个拥有开放许可证、Hugging Face 仓库和 2.1 GB 构建版本的 2B 参数检查点，你可以把它拉到笔记本电脑上。Block 的Dessa 是一个全双工语音模型，于 2026 年 10 月 23 日发布，但需通过候补名单获取，没有权重、没有参数数量、没有 API，也没有公开的基准测试。把它们并排放在一起，常规比较还没开始就崩塌了：其中一个任何读到这段话的人都能运行、微调和测量，另一个却只能被聆听。有用的问题不是哪个听起来更好，而是每家公司选择发布什么，以及这种选择让你周一早上能做什么。

两者都带着同样的警示标签登场，却来自相反的方向。LFM3-Audio-2B 于 2026 年 10 月 27 日在包含六个模型的 LFM3 家族发布中推出，而音频分支只得到了 Liquid 家族博文中的一段文字以及一张模型卡。没有单独的“Introducing LFM3-Audio”公告，Liquid 网站上没有音频定价条目，而且——截至本文撰写时——该模型在任何地方都没有独立的基准测试运行。Dessa 的问题则相反：有十几段精心挑选的对话录音，却几乎没有规格说明。两家公司都没有给外部人士提供足以复现结果的信息。

每个实际发布的内容

去掉形容词后，记录很短。以下所有内容都来自 Liquid 的模型卡、其模型家族发布帖，或 Block 自己的公告；没有任何内容经过独立验证。

• 你将获得什么 —— LFM3-Audio-2B：一个 BF16 检查点、GGUF 和 MLX 4 位转换、一个分词器，以及单独 audio_tokenizer 目录中的编解码器权重。Dessa：一个候补名单表单和一组视频片段。

• 规模 — LFM3-Audio-2B：20 亿参数，Ollama 构建版本为 2.1 GB。Dessa：未披露。Block 表示其可适配 MacBook Pro M4 Max，这意味着该模型小到足以放入 128 GB 统一内存，但这只是推断，并非确切数字。

• 输入与输出——LFM3-Audio-2B：输入文本或 16 kHz 音频；输出文本、24 kHz 语音，或交错排列的文本与语音。Dessa：输入音频，输出音频，任何环节均无文本中间结果。

• 上下文——LFM3-Audio-2B：32K tokens，涵盖输入和输出。这不是某些 LFM3 报道中反复提到的 256K 数值；该数值属于文本模型 LFM3-1.7B。Dessa：未公布。

• 许可证 — LFM3-Audio-2B：LFM Open License v1.0，年收入低于 1000 万美元可免费商用。Dessa：无权重，因此无需阅读许可证。

• 基准测试 — LFM3-Audio-2B：一个六行的供应商表格。Dessa：无。

最后一行正是比较变得有趣的地方。Liquid 公布了数字，却没有独立见证人。Block 公布了见证人——听过同样片段的记者——却没有数字。读者若要在两者之间做选择，其实是在选择容忍哪一种缺口。

Dessa 所拥有的一个无法被下载的优势

Dessa 是为全双工而生的：它一边说话，一边聆听。这个模型可以在句子说到一半时被打断，可以在你还在讲话时插一句“对”或“嗯哼”，还能把自己的节奏调整得跟你一致。Block 的演示极力倚重这一点——在自己一句话的中间笑出声，按要求改变音量，替忘了片名的说话者把电影名说完。The Verge 听了同样的录音，觉得这些对话“有点别扭、有点诡异”，而对于一个在众目睽睽之下学着把握节奏的系统来说，这个评价相当贴切。

LFM3-Audio-2B 并未声称这一点。它采用带流式传输的请求-响应模式：因果音频编码器使其能够在您说话时进行预填充，这正是 Liquid“低至 50 毫秒”的首令牌时间数字的来源，而 LiquidCodec 会将语音流式传回。流式返回回复并不等同于处理打断。如果你的产品需要一种允许用户插话打断的对话，那么 LFM3-Audio-2B 就是形态不合适的模型，而且再多微调也改变不了其接口。

Dessa 的演示无法告诉你的是，在没有人挑选片段时，它有多经常表现出那种行为。Block 说这些录音是现场录制、未经引导，并在事后加上字幕，这排除了最粗陋的演示造假形式。但它不能排除挑选。一个团队录制许多对话并发布其中最好的那些，只能证明好的对话存在，而不能证明该模型可靠。

Liquid公布的数字，以及它们的价值

Liquid 的模型卡包含六项数据，其中四项带有前代数值。所有这些数据都将 LFM3-Audio-2B 与其所取代的 LFM2.5-Audio-1.5B 进行比较。未提及测试集、评测框架或方差。

• 英语 ASR，词错误率——6.23 对 6.13。持平。唯一没有变化的一行，而且差距小到可能只是采样噪声。

• 多语言 ASR，WER/CER — 6.03。未公布前代数据。

• 英语 TTS，UTMOSv2 —— 3.83 对比 3.22。0.6 分的提升，远超噪声范围，而在这个量表上，4.0 通常被视为接近人类水平。

• VoiceBench — 73.13 对 55.17。

• 音频理解，MMAR——50.60 对 25.85。几乎翻倍。

• 语音工具调用，内部评估 — 58.50。无前代数值。

在 Liquid 自己的表格中与其他模型相比，这是一款不错的小模型，而非领先者：Voxtral Mini 3B 的 WER 为 5.51，NVIDIA Audex 2B 为 5.99，两者都优于 6.23；Qwen2.5-Omni 3B 在音频理解上取得 54.41；Gemma 4 E4B 在工具调用上取得 72.40。诚实的总结是：识别能力有竞争力，语音质量有明显提升，2B 的推理也扎实——但没有任何一项创下纪录。

Dessa 没有对应的一行，而这种缺失并非技术细节。一个仅用语音训练、没有文本的模型，没有用于 JSON schema、PDF 或 API 调用的原生接口。Block 在其自己的页面上承认了这些未决问题：纯语音模型学习事实和语言的效率如何，以及在没有文本预训练的情况下上下文学习是否仍然有效。这些正是引人入胜的对话伙伴与通用助手之间的差别，而两家公司都尚未公布能解决这一问题的测试。

许可、访问权限，以及谁能在什么基础上进行构建

LFM3-Audio-2B 的许可证是它在大多数采购讨论中、还没谈到质量就胜出的实际原因。LFM Open License v1.0 允许年收入低于 1000 万美元的商业使用，超过该门槛则需要付费许可证。权重托管在 Hugging Face 上；llama.cpp 于 10 月 27 日在 PR #31257 中合并了支持；Ollama 列出了一个 2.1 GB 的构建；Transformers 需要 5.20.2 或更新版本，并启用 trust_remote_code。自定义代码要求是需要明确固定下来的地方——该模型从自己的模块加载，并从单独目录读取编解码器权重，因此未锁定版本的环境迟早会变成一张支持工单。

Dessa 没有可比的路径。其访问方式是候补名单，外加面向一小群 AI 安全研究人员的早期访问，这些人需用机构邮箱申请。Block 给出的理由——好奇心、人机交互、安全——与将一种能读取情绪的语音留在小范围内是相符的。取舍在于，受限访问与独立评估的方向恰恰相反。在外部团体公布数据之前，公开记录就只有厂商的片段，再加上记者对这些厂商片段的印象。

有一项二阶成本很少被纳入比较。可下载的模型是一项你自己拥有的依赖：2.1 GB、一个需要持续运行的进程、没有 SLA，以及随着规模增长而要留意的许可门槛。候补名单上的模型根本不是依赖——它是一项你可以引用、却无法交付的研究成果。对于正在选择语音技术栈的团队来说，这两者并不是同一条线上的两个点。它们是两个不同的决策。

语音智能体需要、但任何一个模型都无法单独提供的东西

生产级语音系统很少只靠一个模型。无论前端是全双工还是请求-响应模式，对话都会不断把工作交给普通文本模型：一次查询、一次抽取、一次策略检查，或一次在保持暂停状态后发起的推理调用。这个委派层正是成本波动所在，也是某家提供商一小时的故障演变成你的服务中断的地方。

准确说明我们自身的覆盖范围：LFM3-Audio-2B 不在 OrcaRouter 上，而 Dessa 根本不是 API。OrcaRouter 提供的是语音代理所委托的文本层——一个密钥背后接入 200 多个模型，按提供商标价计费、不额外加价；提供商出现故障时自动故障转移；通过路由 DSL 可将多个模型组合成一次调用；当单个模型的判断力不足时还可进行模型融合。如果你正在本地用 LFM3-Audio-2B 做原型，循环中负责工具调用的那一半，正是你今天可以放到该端点后面的部分；音频那一半仍留在你的机器上。

能一锤定音的测试

对于 LFM3-Audio-2B，缺失的证据很具体：在标准数据集上独立运行 WER、在非 M4 Max 的硬件上测量延迟，以及由非 Liquid 员工复现 UTMOS 增益。llama.cpp 中实时 ASR 的后续工作也很重要，因为目前受支持的路径是批量转写，而流式功能上线时仅支持英语会是一个限制。

对Dessa来说，这份清单更短，也更难：一个留出的对话集、包含首次可听反应在内的端到端延迟、打断恢复、噪声下的可懂度、数据与算力预算，以及某种事实保留的衡量指标。其中任何一项都会把演示集锦变成一次评估。而所有这一切则会让它成为一款产品。

在那之前，准确的描述范围有限，却很有用。LFM3-Audio-2B 是一个 2B 语音模型，你一分钟就能下载，它比所取代的模型说得更好，听得差不多好，但尚无独立见证。Dessa 是本月最有趣的语音演示，却无从核实。如果你本季度就要构建，那两句话里只有一句最终能落到部署。