LFM3-Audio-2B 对比 Qwen-Audio-3.1：一个检查点，多种衡量标准

问一下Qwen-Audio-3.1要多少钱，第一个诚实的回答仍是另一个问题：哪一款？这个名字覆盖的是一条分层托管的语音产品线——一个实时双工模型、一个实时 Flash 档、流式与文件转写，以及两个语音合成模型——而每个层级都有自己的价目表。LFM3-Audio-2B则是另一种对象：Liquid AI 的一个 2B 检查点，于 2026 年 10 月 27 日在包含六款模型的 LFM3 系列中发布，可依据 LFM Open License v1.0 下载，提供 2.1 GB 的 Ollama 构建，且任何地方都没有按调用计费的计量表。比较它们并不是在比较音频质量。它是在比较两种计费形态，而算出来的结果会因你的流量是平稳、尖峰，还是仍处于假设阶段而有所不同。

发布形态也很重要，因为它们设定了对文档的预期。Qwen-Audio-3.1 是目录优先：模型 ID 记录在 Alibaba Cloud Model Studio 中，每个模型用一两句话描述，按 token 定价，不发布权重，也不公开参数数量。LFM3-Audio-2B 是权重优先：一个代码仓库、一张模型卡、一个已合并的 llama.cpp 拉取请求，以及其厂商家族发布文章中的一段话。一个是你可以租用的产品线。另一个是你拥有的文件。下面每一个实际差异都由此而来。

这个名字实际涵盖的内容

Qwen-Audio-3.1 并不是一个端点，而将其视为一个端点是比较中最常见的错误。不同层级承担不同的任务：

• qwen-audio-3.1-realtime-flash — 实时双工语音，支持文本和音频输入输出，并具备函数调用、网络搜索、声音克隆以及三种轮次检测模式。它是最接近 LFM3-Audio-2B 的同类模型，也是本文所定价的档位。

• qwen-audio-3.1-realtime-plus —— 功能更完整的实时档位。阿里巴巴为其记录了每秒 12.5 个 token 的音频转换速率，且其输出单价明显高于 flash 档位。产品不同，账单自然也不同。

• qwen-audio-3.1-asr-flash-streaming — 流式识别，支持中间结果、VAD、热词和不流畅表述去除。无语音输出。

• qwen-audio-3.1-asr-flash-filetrans — 对文件批量执行的相同识别任务。

• Qwen-Audio-3.1-TTS 与 TTS-Next —— 语音合成，其中 Next 模型被宣传为一款“Audiogen”模型，可在 48 kHz 下一次生成人声、音效与环境氛围。

LFM3-Audio-2B 将那些任务整合进一个检查点。识别、合成、翻译、音频理解和语音工具调用都是同一个 2B 模型的不同模式，通过提示词和服务配置来选择。无需挑选 SKU，也没有区分说话与聆听的单独计量。这是以细粒度换取简单性：当你只需要识别时，你不能只为识别付费，因为无论如何你都在运行整个模型。

账单，算好了

阿里巴巴公布了 qwen-audio-3.1-realtime-flash 的价格，以美元/百万 token 计。在新加坡：文本输入 $0.23，音频输入 $0.93，文本输出 $0.70，音频输出 $1.87。北京略便宜，分别为 $0.212、$0.848、$0.636 和 $1.696。速率限制为每分钟 60 个请求和每分钟 100,000 个 token，对并发 WebSocket 连接没有单独上限。上下文窗口为 262,144 个 token，最大输入为 245,760，输出为 16,384——但音频历史记录上限为 50 轮或累计 300 秒，这才是长对话实际会触及的限制。

LFM3-Audio-2B 没有价目表，因为 Liquid 并不将其作为端点出售。成本在于你运行它的机器、2.1 GB 的下载量，以及许可门槛：年收入低于 1000 万美元可免费商用，超过则需付费。在笔记本电脑上，这几乎为零；在 GPU 上，这就是你已为闲置算力支付的那部分成本。值得了解的效率主张是编解码器——LiquidCodec 可将 80 毫秒语音打包成 12 个 token，并在 M4 Max 的单个 CPU 线程上以约 87 倍实时速度解码——但这衡量的是编解码器，而非语言模型，不应将其解读为你硬件上的端到端吞吐量。

现在到了决定性的部分。托管式实时模型按对话的 token 计费，包括它生成的音频，而语音智能体的成本主要集中在输出上。自托管模型按硬件小时计费，不管有没有人在说话。对于稳定负载运行的联络中心，固定成本会被摊薄，按小时计费的数字可能低于任何价目表。对于流量尖峰明显的产品——合规团队在季度最后一天转写一千通电话，接下来十一周毫无业务——按通话计费胜出，因为 GPU 在沉默期间照样计费。总体而言，没有哪种形态更便宜。它们是在不同的利用率下更便宜。

覆盖范围、延迟，以及未能达标的声明

• 语言 — LFM3-Audio-2B：18 种语言、19 个语言区域，实时 ASR 仅限英语，翻译在以英语为源语言或目标语言时最强。Qwen-Audio-3.1：阿里巴巴关于实时 flash 层级的文档未公布语言列表；其识别层级围绕普通话、粤语、四川话及其他汉语方言进行说明，并支持自动语言检测。在文档列出其覆盖范围之前，应将 Qwen 的覆盖范围视为未知。

• 延迟 — LFM3-Audio-2B：“低至 50 毫秒”的首 token 时间，由厂商在指定型号的 Apple 硬件上测得，未提供百分位数或测试框架。Qwen-Audio-3.1：阿里巴巴家族宣传的 92 毫秒首 token 数字，来自其自身在 0.6B 规格上的高并发基准测试，而非第三方测试。两者都不是典型数值。

• 双工 — LFM3-Audio-2B：带流式传输的请求-响应；因果编码器允许在你说话时进行预填充，但并未声称支持插话。Qwen-Audio-3.1 realtime-flash：明确为双工，具备服务端 VAD 和可处理打断的 smart-turn 模式。

• 上下文 —— LFM3-Audio-2B：32K tokens，输入加输出。这不是某些 LFM3 报道中反复提及的 256K 数字；那个数字属于文本模型。Qwen-Audio-3.1 realtime-flash：262K tokens，并受上述音频历史上限的约束。

那条双工分界线才是真正改变架构的地方。如果你的产品需要在句子中途被打断，那 LFM3-Audio-2B 就是形态不对的模型，任何提示词都补救不了。如果你的产品是读取一段录音、并就它回答问题，那双工就无关紧要，2B 检查点是更简单的那个对象。

谁测量了什么？

Liquid 公布了 LFM3-Audio-2B 的六项数据，全部都是与其自家前代模型 LFM2.5-Audio-1.5B 对比得出的：英语 ASR WER 为 6.23（对比 6.13，基本持平），多语种 WER/CER 为 6.03，UTMOSv2 为 3.83（对比 3.22），VoiceBench 为 73.13（对比 55.17），MMAR 为 50.60（对比 25.85），以及一项内部工具调用评测为 58.50。文中未说明所用的测试集、评测框架或方差。我们未能找到任何一项数据的独立复现结果。

Qwen 的证据性质不同。有一份技术报告《Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction》，其中报告称，在 τ-Voice 的半双工语音转文本适配版本上，任务成功率从 78.4% 提升至 82.0%；在 Full-Duplex-Bench v1.5 上，对背景语音作出响应的比率从 73.0% 降至 13.0%。摘要中陈述的就是这两个数字；正文包含模型级表格，但我尚未用测试框架验证这些表格，而且这篇论文是厂商报告，而非独立评估。

所以诚实的记分牌是：一个模型有厂商表格却没有论文，另一个有厂商论文却没有可复现的测试框架，而两者都没有以自己的名义出现在中立榜单上。任何把它们的数据放进相邻列的文章，都是在把两项未经证实的说法并排摆放，然后让排版来完成说服。

路由器适合的确切位置

LFM3-Audio-2B 和 Qwen-Audio-3.1 都不在 OrcaRouter 的目录中，因此就语音层本身而言，无从作出路由方面的断言。但其上层的情况则不同。无论基于哪个模型构建语音产品，仍然需要一个文本模型来进行摘要、分类、提取，或决定智能体接下来说什么，而成本与可靠性真正出现差异的地方正是这一调用。

OrcaRouter 让200 多个文本与多模态模型仅凭一个密钥即可访问，按提供商标价且无加价，支持跨提供商自动故障转移，并配有可将多个模型组合进一次调用的路由 DSL。对于这次对比，实用的模式是 A/B 测试：在自有硬件上，让相同的录制对话分别经过 qwen-audio-3.1-realtime-flash 和 LFM3-Audio-2B 运行，然后将两份转写文本发送到同一端点上的同一下游模型。这样比较保持干净，文本这一半也绝不会变成你忘了控制的变量。

选择哪张账单

如果你需要双工对话、中文优先的识别栈、262K 上下文或厂商 SLA，并且你的流量波动足够大，以至于按 token 计费反而成为一种优势，那就选择 Qwen-Audio-3.1 realtime-flash。报价前请仔细阅读档位名称：realtime-plus 和 realtime-flash 并非同一款产品，而语音智能体的账单高低，正是在输出费率这一项上见分晓。

如果你需要拥有模型、离线运行、避免按分钟计费，或在笔记本电脑上合成 18 种语言，就选 LFM3-Audio-2B。同时要接受 32K 上下文、仅支持英语的实时 ASR、许可门槛，以及其识别准确率在自家厂商对比中仅处于中游这一事实。

等等，如果你需要一个能向采购团队站得住脚的数字——这两个模型目前都还没有。第一份基于共享音频语料的独立评测——不是厂商的表格，也不是厂商的论文——其价值将超过上面提到的每一个数字，而这也正是在这两者中的任何一个成为标准之前值得关注的事情。