LFM3-Audio-2B vs Voxtral 3：2.1 GB 下载量对阵语音平台

要诚实地开启 LFM3-Audio-2B 与 Voxtral 3 之间的比较，最坦率的说法是：还没有人公布过这项对比的运行结果。Liquid AI 为其 20 亿参数音频模型发布了一张基准测试表，Mistral 则为其语音套件发布了一张，而这两张表几乎没有相同的行。即便两者确有交集，所测量的模型也不是同一代。任何告诉你这两者在某项基准测试中哪个“更好”的人，都是在把一个测试框架中的数字与另一个测试框架中的数字作比较，并指望你不会去核查。

这篇文章做了一件不那么齐整、但更有用的事。它把你能回答的问题和你还不能回答的问题区分开来。你还不能断言哪个模型转写德语更好，因为二者之间没有共享的多语言测试。你可以有把握地、依据两家厂商自己的文档说，它们根本不是同一类产品：一个是你要自己运行的 2.1 GB 文件，另一个是附带电话通信 SDK、没有可下载权重的四模型流水线。

这一差异在大多数真实部署中起决定作用，甚至无需参考任何一个 WER 数值。本文余下部分讨论的是它在哪些情况下并非如此。

参与基准测试的 Voxtral Liquid 并不是你所对比的那个 Voxtral

Liquid 的模型卡将 LFM3-Audio-2B 与六个竞品并列展示，其中一个就是 Voxtral。这一行标注为 Voxtral Mini 3B，而在英语 ASR 上，它击败了 Liquid 的模型：词错误率为 5.51%，而后者为 6.23%。这是 Liquid 公布的唯一一次与 Voxtral 的直接对比，很容易被解读为“Mistral 的音频模型转写更准确”。

这并非标题所暗示的那种比较。Voxtral Mini 3B 是 mistralai/Voxtral-Mini-3B-2507——一款于 2025 年 7 月以 Apache 2.0 许可发布、专为本地和边缘部署打造的 3B 模型。它比 Voxtral 3 早十五个月问世，属于不同的产品代际。Mistral 于 2026 年 10 月 20 日发布的套件中不包含任何名为 Voxtral Mini 3B 的模型；其最小的转写模型是 Voxtral Mini Transcribe 3，具有 4B 参数，价格为每分钟 0.0035 美元。

表格内部也存在一处不一致。那一行上的参数列写的是 5B，而该行的名称却对应一个 3B 模型。这并不是不信任 WER 数字的理由，因为这些数字来自一项有明确名称的评测——ESB 与 Open ASR leaderboard 集的平均值。它倒是提醒你，在阅读数字之前，先看清厂商表格的列标题。

这一后果值得直白说明，因为它是本文中最有用的一条事实：目前没有已发布的、LFM3-Audio-2B 与任何 Voxtral 3 模型之间的正面交锋。不是来自 Liquid，不是来自 Mistral，也不是来自独立评估者。Liquid 将其新模型与 Mistral 的 开放权重2025 年音频模型进行了比较，这是一个站得住脚的选择，可用于公平的开放对开放比较——而且这也是目前唯一可能的比较类型，因为 Voxtral 3 不发布权重。2026 年的开放权重音频比较根本无法针对 Voxtral 3 进行。

这两个产品实际上是什么

这种不对称在发布版本的形态上比在规格说明中更容易看出来。

LFM3-Audio-2B 是一个模型，于 2026 年 10 月 27 日发布，属于包含六款模型的 LFM3 系列。它接收文本或 16 kHz 音频输入，输出文本、24 kHz 语音，或交错的文本与语音，外加工具调用。全新的自研因果音频编码器使其能在你仍在说话时进行预填充。其LiquidCodec 分词器将 80 毫秒语音压缩为 12 个离散 token，并行而非顺序解码，在 M4 Max 的单 CPU 线程上约为实时速度的 87 倍——这是编解码器吞吐量数据，而非硬件要求。

Voxtral 3于2026年10月20日发布，是一套产品组合：一个批量转写器、第二个更小的批量转写器、一个流式转写器、一个 TTS 模型、一个语音适配产品，以及一个基于 LiveKit 的语音智能体 SDK，后者通过 SIP 和 WebRTC 将它们串联起来。你不是去选 Voxtral 3，而是选一条流水线，由 Voxtral 3 提供其中的各个阶段。

• 权重 — LFM3-Audio-2B 根据 LFM 开放许可证 v1.0 发布开放权重；Voxtral 3 不发布任何可下载权重，而 Mistral 的发布材料转而介绍 API 访问、Studio 演练场和私有基础设施部署。

• 占用空间 — 在 Ollama 上针对某个端点测得 2.1 GB；没有可供估算大小的 Voxtral 3 文件。

• 上下文 — LFM3-Audio-2B 为 32K token，输入加输出。Mistral 对转录模型完全不公布上下文数值；而是按分钟计费。

• 模态 — LFM3-Audio-2B 在一个模型中实现任意到任意：听、说、理解、翻译、调用工具。Voxtral 3 将这些能力分散到不同的模型和端点中；其转录模型和 TTS 模型并非同一系统。

• 许可 — LFM Open License v1.0，年收入低于 1000 万美元可免费商用；Voxtral 3 是商业 API，其条款按每次调用适用。

• 说话人分离与上下文偏置 — Voxtral 3 两者都具备：在 Mistral 自己的说话人分离数据集上，cpWER 为 18.4%；在提供上下文时，关键短语召回率从 81.4% 提升至 94.6%。LFM3-Audio-2B 两项能力均未公布。

语言覆盖是唯一尚未缩小的差距

LFM3-Audio-2B 支持 18 种语言、覆盖 19 个语言区域，卡片上列出了这些语言：阿拉伯语、丹麦语、德语、希腊语、英语（英式英语和美式英语分别计数）、芬兰语、法语、希伯来语、意大利语、日语、韩语、荷兰语、波兰语、葡萄牙语、西班牙语、瑞典语、土耳其语和中文。它在其中九种语言上对多语种 ASR 进行基准测试，并在 FLEURS 上报告了 6.03 的平均错误率，其中中文、日语和韩语使用字符错误率。

Voxtral 3 的转录器覆盖 50 种或更多语言。实时模型在页面上的一处声称支持 35+ 种语言，在另一处又声称支持 40+ 种，这种不一致通常意味着这个数字在发布周发生了变化，而没有人统一文案。

如果音频是越南语、印地语、俄语、挪威语或加泰罗尼亚语，LFM3-Audio-2B 并未将其列出，而 Voxtral 3 会这五种语言——它们属于 Mistral 列出的十八种语音预设语言。纵观整个列表，我们无法找出一种 Liquid 支持、而 Mistral 的 50 多种转写语言未声称覆盖的语言。需要如实说明的是，Mistral 完整公布了其语音预设列表，但转写覆盖范围只公布了一个数字，因此这项比较有一部分是用列表对数字。

在 Liquid 自家的文档里，还藏着一处更锋利的棱角。该模型的实时 ASR 模式——也就是在音频流式输入时、以约 0.96 秒为一块进行转写的那个模式——仅支持英语。批量转写覆盖完整的 18 种语言列表；流式路径则没有。任何打算基于 LFM3-Audio-2B 构建实时多语言字幕功能的人，都应该把这句话读上两遍，因为无论 WER 表格表现如何，这一点都直接将该模型排除在这项工作之外。

两个并不衡量同一事物的延迟数值

Liquid 宣称首个 token 的时间“低至 50 毫秒”。Mistral 宣称其实时转写器低于 500 毫秒，而完整的一轮智能体交互不到一秒。这些数字并不具有可比性，而且这一差异并非舍入误差。

50 毫秒这个数字指的是语音到语音路径：因果编码器在你说完句子之前就开始处理，因此模型可以在音频仍在到达时就开始输出其回复的第一个 token。这是关于对话模型交互性的一个说法。低于 500 毫秒的数字是转写延迟——文本出现之前的延迟——而 Mistral 自己的表格显示了它的代价。在其实时基准测试中，Voxtral Mini Transcribe Realtime 3 在 960 毫秒延迟下 WER 为 6.0%；在 480 毫秒下为 6.4%；在 240 毫秒下为 7.4%。延迟和准确率直接此消彼长，而 Mistral 让你选择该曲线上的点。

Liquid 并未发布等效的曲线。它公布的只是一个下限——50 毫秒——既未说明所用的硬件，也未给出测试集，更没有提供该延迟下的准确率。这个下限或许真实存在，但它还算不上是一份你可以据以规划产品的规格。

成本账是实打实算出来的，而不是凭空断言的

将开放权重模型与按分钟计费的 API 进行对比，归根结底取决于用量，而这笔账足够简单，完全可以认真算清楚。

转录，1,000 小时音频 — 60,000 分钟。Voxtral Mini Transcribe 3 按 $0.0035/分钟计算为 $210。Voxtral Small Transcribe 3 按 $0.004 计算为 $240。Voxtral Mini Transcribe Realtime 3 按 $0.008 计算为 $480。LFM3-Audio-2B 是免费下载，可在你已有的硬件上运行，因此其边际成本是电费。

语音合成，1,000小时——按每分钟口语约900个字符计算，即5400万个字符。Voxtral Mini TTS 3 按每百万字符13美元计算，为702美元。LFM3-Audio-2B 按字符计费为零，并提供男声和女声两种语音选项，可通过提示词选择。Voxtral 可从30分钟音频中克隆声音，并提供情感、节奏和重音控制。

实时语音智能体，1,000 小时对话——Mistral 将这套组装后的流水线定价为每分钟 $0.04，由 Mistral Small 4 负责推理；使用更大模型时为每分钟 $0.08。也就是 $2,400 到 $4,800。LFM3-Audio-2B 在本地处理听觉和说话，但一旦超出自身能力范围，它仍然需要推理模型，而且其说明卡明确表示不推荐用于复杂的多步推理。

现在说说通常被略过的部分：盈亏平衡。一台 1,000 美元的机器，大约要用 Voxtral Mini Transcribe 3 跑 4,760 小时后才能回本——约合 200 天连续音频，或者按每天 8 小时算一年半。在小用量下，API 比买硬件更便宜，而且在你开始使用那天就更便宜。开放权重方案并不是“免费”。它是“固定成本而非边际成本”，只有在用量足够大、隐私要求很严格，或者设备没有网络时，它才占优。

在这种格局中，路由器真正的用武之地并不在于任何一款音频模型——LFM3-Audio-2B 和 Voxtral 3 目前都不在 OrcaRouter 的目录里，我们也不会假装不是这样。它的价值体现在两种架构最终都需要的推理环节上。语音智能体是一条链：转写、推理、发声。中间那一环是托管的大语言模型，而这一环恰恰受益于一个密钥即可调用 200 多个模型、供应商标价以 0% 加价直通，因此供应商调价当天就能传导到你这里，并且当某家供应商在通话中途出现状况时会自动故障转移。

哪些是经过验证的，哪些不是

这里涉及三个层级的证据，而将它们混为一谈正是比较出错的原因。

经独立测量。 Voxtral 3 的转录质量有第三方数据：Artificial Analysis 在其自有指数中将 Voxtral Small Transcribe 3 的 WER 列为 2.1%，截至 2026 年 10 月 21 日总体排名第三，Voxtral Mini Transcribe 3 为 2.2%。其 TTS 在 Provider Voice 竞技场以 1,217 Elo 排名第 13，在 Controlled Voice 中以 1,066 排名第 14——处于中游；鉴于 Mistral 的社交帖子将其描述为前十二名，这一点值得直说。

厂商报告，未经复现。本文中每个 LFM3-Audio-2B 数字都来自 Liquid 自己：6.23 的英语 WER、6.03 的多语言数字、3.83 的 UTMOSv2、73.13 的 VoiceBench、58.50 的内部工具调用评测以及 50.60 的 MMAR。截至本文撰写时，Artificial Analysis 尚无该模型的条目，也没有第三方发布复现结果。请将它们视为声明，而非测量结果。

完全不可比。Liquid 的 6.23% 英语 WER、Mistral 的 4.0% FLEURS 数值以及 Artificial Analysis 的 2.1%，是三项不同测试，基于三组不同的音频集。不要将它们相减。Liquid 公布的唯一同一测试框架对比，是针对 Voxtral Mini 3B——2025 年开放权重模型。在该对比中，Liquid 的 2B 在英语 ASR 上得分为 6.23，而 Voxtral 为 5.51，但在多语言 ASR 上以 6.03 对 7.76、VoiceBench 上以 73.13 对 65.78、MMAR 上以 50.60 对 50.10 以及工具调用上以 58.50 对 44.50 胜过它。

这里的“静默发布”实际上意味着什么

LFM3-Audio-2B 并没有单独发布，而如果你正在判断该在多大程度上信任相关文档，这一区别很重要。

Liquid 于 2026 年 10 月 27 日发布了一篇题为“推出 LFM3：面向专用智能的每一种模态”的文章，宣布了 LFM3 系列。音频模型在其中作为六款模型之一出现在某个章节里——没有专门的 LFM3-Audio 博客文章，没有单独的发布，也没有它自己的产品页面。权重和模型卡均已完整公开。Ollama 条目，ollama run lfm3-audio大小为 2.1 GB，于 10 月 28 日出现，而 Liquid 和 Ollama 均未发布相应公告，同时还有一个 llama.cpp 拉取请求，该请求添加了音频和 omni 模型，但实时 ASR 被推迟到后续更新中。

所以叙事框架是这样的：这个产物真实存在且有文档记录，发布本身只是某个模型系列公告中的一段话，而本地运行时支持则在一天后悄然到位。实际意味着，模型卡才是权威依据——而不是发布帖，因为压根没有发布帖——并且模型卡对局限性的说明具体得不同寻常，这是它的一个加分项。它标明 LiveASR 仅支持英语。它说明该模型不适用于智能体编程或复杂多步推理。它把知识密集型任务导向检索。厂商若要掩盖一个弱模型，通常不会把这些写下来。

谁应该拿哪一个

选择 LFM3-Audio-2B，前提是音频不能离开设备；前提是你需要单个模型既能听又能说，而不必把两个服务拼在一起；前提是你的语言在它支持的十八种语言之内；前提是你的用量足够大，以至于固定的硬件成本比按分钟计费更划算。它同样是零采购、直接做语音界面原型时的正确选择——只需 2.1 GB 和一条 Ollama 命令。同时也要接受：它的英语 ASR 落后于上一代开源 Voxtral，流式处理仅支持英语，而且没有任何独立评测方核验过它的任何数值。

选择 Voxtral 3如果你要构建的是电话智能体，而不是一个模型功能。这套套件的存在就是为了被组装：转写器、推理模型、TTS，通过 SIP 和 WebRTC 运行，并且打断和轮次结束检测已经解决。如果你需要 50 多种语言、说话人分离、针对姓名和术语的上下文偏置，或声音克隆，也应该选择它——这四项能力 LFM3-Audio-2B 完全不具备。代价是：你无法下载它，无法检视它，而且你的成本会随着每服务一分钟线性增长，永远如此。

两者都采用只要架构允许，而且通常都允许。在设备上运行 LFM3-Audio-2B，用于唤醒词、本地听写和离线路径；把需要多语言覆盖、说话人分离或克隆语音的调用发给 Voxtral 3。两者不会在技术栈中争夺同一个位置。一个是产品内部的模型；另一个是当产品本身就是一条电话线时你调用的供应商。

值得关注的对比

有两样东西能妥善解决此事，而这两样目前都还不存在。

第一项是在 Artificial Analysis 用于 Voxtral 3 模型的同一套评测框架上，对 LFM3-Audio-2B 进行的独立评估。那一个数字——它在共享测试中的 WER 指数——将把 Liquid 表格中最关键的声明从厂商断言转变为实测结果，并会告诉你，一台笔记本电脑上运行的 2B 模型是否真的与一个托管 4B 模型相差不到一个百分点。

第二个问题是 Mistral 是否会发布 Voxtral 3 的权重。该公司 2025 年的音频模型以 Apache 2.0 许可开放；2026 年的套件则不是。如果情况发生逆转，Liquid 选择公布的公平的开放模型对开放模型比较将再次成为现实，而本文的核心保留意见也将失效。

在其中任何一种情况发生之前，站得住脚的立场都是那个不起眼的立场。在能力广度上，Voxtral 3 以任何基准争议都无法缩小的差距胜出：五十种语言、说话人分离、声音克隆、电话。在可部署性上，LFM3-Audio-2B 以同样大的优势胜出，因为它是两者中唯一你能握在手里的。介于两者之间的一切，不过是一个厂商表格里的数字摆在另一个厂商表格里的数字旁边；而对“哪个更准确”的诚实回答是：没有人测量过。