LFM3-Audio-2B 对比 StepAudio 3：开源 2B 对决评分产品线

StepAudio 3 Realtime在评判语音产品所依据的指标上有一个数字：在 Artificial Analysis 的 Conversational Dynamics 榜单上达到 98.9%，排名第一。LFM3-Audio-2B有许可证。这不是修辞上的对比——这就是证据的实际状态。StepFun 的 StepAudio 3系列于 2026 年 9 月 15 日发布，作为同一平台上的五款商业音频模型，带有第三方榜单名次，预览价格为零。Liquid AI 的 LFM3-Audio-2B 于 10 月 27 日在六款模型的 LFM3 发布中亮相，作为 2B 开放权重检查点，附带厂商表格，且没有独立评分。一个是经过实测、你可以租用的产品。另一个是未经实测、你可以拥有的文件。在二者之间做决定，与其说取决于音频质量，不如说取决于这两句话中哪一句描述了你的约束条件。

有一种诱惑，是直接宣布被评分的模型胜出，然后继续往下走。请先克制一段。StepAudio 3 Realtime 的分数衡量的是对话动态——轮次转换、打断恢复、附和反馈——而且是在一个具有持久 WebSocket 和中文优先训练集的托管系统上衡量的。LFM3-Audio-2B 不在那个榜单上，不是双工模型，即便有人把它提交上去，也不会用那套标准来衡量它。这两个模型并不是在争夺技术栈中的同一个位置。有用的比较，是看各自能做哪些对方做不到的事，以及要弄清楚这一点，各自需要你付出什么成本。

StepAudio 3 实际上是什么

这个名称涵盖一个系列，而你所选择的层级会改变比较结果。StepFun 于9月15日发布了五款音频模型：Realtime、ASR、TTS、Gen 和 Music，它们均已作为商业 API 在其开放平台上上线。一个具备 256K 上下文和文本输出的 Chat 层级则完善了开发者可用的范围。

• StepAudio 3 Realtime — 原生全双工对话，直接对语音进行推理，而非先转写再处理；支持工具调用，并可在对话持续进行的同时异步执行长任务。它是旗舰型号，也是最接近通用语音模型的产品。

• StepAudio 3 ASR — 识别，在 Artificial Analysis 的非流式 ASR 准确率榜单上词错误率为 1.7%，并列第一。

• StepAudio 3 TTS — 流式合成，支持六种语言（英语、中文、日语、韩语、法语、西班牙语），12 种系统音色，最多可输入 1,000 个字符。

• StepAudio 3 Gen — 通过自然语言统一生成语音、音效、环境音、背景音乐和歌声，目前处于限时免费预览阶段。

• StepAudio 3 Music — 支持通过 ABC 记谱法进行多轮控制的零样本歌曲生成，以及人声转编曲和翻唱功能。

LFM3-Audio-2B 是一个 checkpoint，试图一次性完成其中好几项任务：识别、合成、翻译、音频理解和语音工具调用，具体由提示词和服务配置来选择。它不会生成音乐，其音效库也只是通用音频模型顺带产生的那些东西。它真正拥有的是一个权重文件。StepAudio 3 则没有——它是一组商业 API 产品系列，并非开源发布，任何档位都不提供权重。

记分牌，以及制作它的人

StepFun 的数据是这场对比中最有力的证据基础，但也是最容易被过度解读的。98.9% 的 Conversational Dynamics 数值是 Artificial Analysis 上的第三方评测结果，这使其比厂商自报的表格更可信。99.7% 的语音推理数值由 StepFun 引用，并未经过独立复现。1.7% 的 ASR 词错误率是 Artificial Analysis 的一项排名，并列第一，而且它属于 ASR 层级，而非 Realtime 模型。这是三种不同性质的宣称，却穿着同一套制服。

LFM3-Audio-2B 的表格数据全部由厂商报告，并且全部相对于其前代 LFM2.5-Audio-1.5B：英语 ASR WER 为 6.23，对比 6.13；多语言 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；内部工具调用评测为 58.50。未注明任何测试集、测试框架或方差，我们也找不到任何一行数据的独立复现。

把两者并排放在一起，客观观察会发现它们几乎没有重叠。StepAudio 3 Realtime 的评分依据是对话时序；LFM3-Audio-2B 的评分依据是识别、合成质量和音频推理。两者都公布数据的唯一维度是识别，而且即便在这个维度上，比较也受到了污染：StepAudio 的 1.7% 是 ASR 这一层级的独立榜单分数，而 Liquid 的 6.23 是厂商给出的数字，针对的是一个未具名数据集上的通用音频模型。差距足够大，方向大概率是真实的。但这个幅度并不能作为两个团队共同评测所得的任何测量结果。

Duplex 是建筑系列

StepAudio 3 Realtime 专为电话通话打造。它能边说话边聆听、处理打断，并直接基于原始音频进行推理，而不是依赖转写文本；StepFun 认为，这样可以保留语气和重音，而经过文本中转则会将这些抹平。其文档明确说明了这种分工：Realtime API 内置语音识别、上下文管理、VAD、网页搜索与检索；Chat API 则要求你自行实现上述每一项。

LFM3-Audio-2B 是面向请求场景构建的。因果音频编码器让它能在你说话时进行预填充，而 LiquidCodec 会将语音流式回传——80 毫秒音频转成 12 个 token，在 M4 Max 的单个 CPU 线程上以约 87 倍实时速度解码。“低至 50 毫秒”的首 token 时间指标正来自这一设计。但流式返回回复并不等同于处理 barge-in，Liquid 也未宣称支持双工。如果你的产品需要允许用户插话打断，那么决定这一点的是架构，而不是任何基准测试。

延迟方面也存在一个隐患。StepAudio 3 Realtime 在同一个排行榜上记录了 8.83 秒的首音频时间，而它正是在这个排行榜上赢得了对话动态性——相比之下，Gemini 3.8 Live 为 1.18 秒，GPT-Live-1 为 1.24 到 1.34 秒。一个在轮流发言上胜出、却要花大半句话的时间才开始说话的模型，其最佳质量可能永远无法在生产环境中展示出来。先测试延迟，再测试对话质量；如果可以，还要在 StepFun 自有服务部署环境之外进行测试。

价格、许可，以及你实际购买的是什么

{{1}}StepAudio 3{{/1}} 正在全系列范围内进行限时免费预览，Realtime 层级在预览结束后尚未公布费率。TTS 层级通过第三方目录公布的标准价约为每 10,000 个字符 {{2}}0.36 美元{{/2}}，但这不是 Realtime 的价格，不应将其当作 Realtime 价格使用。实际的情况是：{{1}}StepAudio 3 Realtime{{/1}} 目前可免费评估，但用于生产环境的定价尚未确定——现在是进行测试的好时机，却不适合构建单位经济模型。

LFM3-Audio-2B 的成本在于运行它的机器。LFM Open License v1.0 在年收入低于 $10M 时可免费商用，高于该门槛则需付费。Ollama 构建版为 2.1 GB，且支持 CPU；llama.cpp 已于 27 October 合并支持；Transformers 需要 5.20.2 或更新版本，并启用 trust_remote_code，而编解码器权重从单独目录加载，因此要固定环境。它没有按分钟计费的计量表。它也没有 SLA、没有值班寻呼机，输出质量下降时也没有厂商可联系。

• 你能获得什么 —— StepAudio 3 Realtime：一个商业端点，当前旗舰，并提供支持。LFM3-Audio-2B：一个检查点、一份许可证，以及运营负担。

• 你可以检查哪些内容——StepAudio 3：文档、排行榜排名，不提供权重。LFM3-Audio-2B：架构、模型卡、权重、编解码器、微调路径。

• 成本形态 — StepAudio 3：按调用计费，空闲时为零，预览后未定价。LFM3-Audio-2B：固定硬件，边际成本近乎为零，无计量。

• 故障模式 — StepAudio 3：配额、区域、账户问题、支持工单。LFM3-Audio-2B：你负责值班待命。

语言覆盖情况并非平局

LFM3-Audio-2B 在 19 个语言区域中列出了 18 种语言，其中英语以美国和英国两种变体出现两次。对于一款 2B 模型来说，这是一份覆盖广泛的合成语言列表，也是它在欧洲或多语言产品中最有力的实际论据。其局限同样具体：实时 ASR 仅支持英语，翻译在译入或译出英语时最强。

StepAudio 3 以中文为先。Realtime 层级的文档并未公布完整的语言列表；该系列的 TTS 层级覆盖六种语言，而 ASR 层级则围绕中文和英文构建，并具备方言处理、语码转换、长音频和歌声处理能力。如果你的流量是普通话中混有英文，那么 StepFun 的技术栈正是为此类工作负载而打造，Liquid 的则不是。如果你的流量是瑞典语和荷兰语，那么在这两者中，只有那个 18 语言检查点声称支持。

路由器适合用在哪里，又不适合用在哪里

StepAudio 3 不在 OrcaRouter 的目录中，LFM3-Audio-2B 也不在——一个是封闭 API，另一个是下载项。因此，并没有关于这两者之间故障转移的故事可讲，也没有理由假装并非如此。

路由层的重要性要往上看一层，因为语音智能体真正的复杂性恰恰就花在这里。StepAudio 3 Realtime 支持工具调用和长时间运行的异步任务，这意味着对话会不断把工作交给普通的文本模型：一次查询、一次抽取、一次策略校验。而供应商故障与成本波动，正发生在这一委派层。OrcaRouter 把200 多个文本与多模态模型放在一把密钥之后，按供应商标价提供、不加价，并具备自动故障转移、可将多个模型组合成一次调用的路由 DSL，以及当单个模型的判断力不够时的模型融合。对于一个 LFM3-Audio-2B 原型来说，这就是当下可以放到某个端点背后、而音频模型仍留在本地的那一半技术栈。

决定它的三个问题

你需要一个可以被打断的对话吗？

那么，在这两者中，只有 StepAudio 3 Realtime 声称具备该行为，而且尽管存在延迟问题，它也是正确的起点。LFM3-Audio-2B 是请求-响应式；无论进行多少微调都不会改变这一接口。在正式采用之前，请在你自己的网络上测试 8.83 秒的首音频指标。

你需要拥有该模型或离线运行吗？

那么 LFM3-Audio-2B 就是这里唯一的选择，而许可证阈值就是需要对照你的营收来核验的数字。接受 32K 上下文、仅英语的实时 ASR，以及缺乏独立评估这一点。在你信任 UTMOS 增益之前，先用你自己的录音跑一遍。

仅凭供应商评分就足以做出选择吗？

还没有，原因也不是 StepFun 的数字不够强。原因在于：这些分数来自不同的评测框架，衡量的本就不是同一回事；而那个没有分数的模型，压根不在产出最多引用数字的那个榜单的收录范围内。在同一套对话集上做一次中立的正面对比，能比任何一方的表格说明更多问题。在它出现之前，这个选择是个约束条件问题，而不是质量问题。

裁决

StepAudio 3 Realtime 在当下市场所衡量的维度上胜出——即对话动态表现——并且拥有更扎实的证据基础，因为其中一部分证据由第三方产出。但它也存在一个尚未解决的延迟问题，没有公布预览后的价格，没有开放权重，且语言配置以中文为先。对于面向中英文用户的实时语音智能体而言，它是更好的选择，前提是延迟测试能够通过，且预览定价不会变成意外的惊吓。

LFM3-Audio-2B 在自主可控和合成广度上胜出，但在证据充分性上落后。它才发布四天，数据由厂商自行报告，其 ASR 在自己那张表里也只排中游，而且许可证设有收入门槛。对于离线产品、多语言语音，或无法接受按调用计费的团队来说，它是更优选择——也是这两者之中，你本周就能完全在自己的硬件上完成评估的唯一一个。

值得关注的点在两边是一样的：一项中立评估，把双工模型和请求-响应模型放在同一套对话数据上；以及 StepAudio 3 已公布的生产价格。前者会告诉你，Liquid 的 2B 检查点是否比其纸面资料所暗示的更接近前沿。后者会告诉你，StepFun 的领先优势在遇到账单后是否还能成立。