LFM3-Audio-2B vs Dessa：一個你可以下載，一個你只能聆聽

Liquid AI 的LFM3-Audio-2B是一個 20 億參數的檢查點，採用開放授權，設有 Hugging Face 儲存庫，並提供可下載到筆記型電腦的 2.1 GB 建置版本。Block 的Dessa則是一個全雙工語音模型，於 2026 年 10 月 23 日公布，但需排隊等候，沒有權重、沒有參數數量、沒有 API，也沒有公開的基準測試。把它們並排比較，慣常的比較還沒開始就瓦解了：其中一個任何讀到這裡的人都能執行、微調與測量，另一個則只能聆聽。有用的問題不是哪個聽起來更好，而是每家公司選擇公開什麼，以及那個選擇讓你在週一早上能做什麼。

兩者都帶著同樣的警告標籤登場，只是來自相反的方向。LFM3-Audio-2B 於 2026 年 10 月 27 日隨著六款模型的 LFM3 家族發布一同推出，而音訊分支只分到 Liquid 家族發布文中的一段內容，外加一張模型卡。沒有獨立的「Introducing LFM3-Audio」公告，Liquid 網站上沒有音訊定價項目，而且——截至本文撰寫時——任何地方都沒有該模型的獨立基準測試結果。Dessa 則有相反的問題：十二段精選對話錄音，卻幾乎沒有規格資料。兩家公司都沒有給外部人士足夠資訊來重現結果。

每一個實際上發布了什麼

去掉形容詞後，紀錄就很短。以下內容全部來自 Liquid 的模型卡、其家族發布貼文，或 Block 自家的公告；沒有任何一項經過獨立驗證。

• 你會收到 — LFM3-Audio-2B：BF16 檢查點、GGUF 與 MLX 4-bit 轉換檔、一個分詞器，以及位於獨立 audio_tokenizer 目錄中的編解碼器權重。Dessa：一份候補名單表單和一組影片片段。

• 大小 — LFM3-Audio-2B：2B 參數，以 Ollama 建置版本而言為 2.1 GB。Dessa：未披露。Block 表示它可裝在 MacBook Pro M4 Max 上運行，這意味著模型小到足以容納於 128 GB 統一記憶體中，但那是推論，不是數字。

• 輸入與輸出 — LFM3-Audio-2B：輸入為文字或 16 kHz 音訊；輸出為文字、24 kHz 語音，或交錯的文字與語音。Dessa：音訊輸入、音訊輸出，任何階段都沒有文字中介。

• 上下文 — LFM3-Audio-2B：32K tokens，涵蓋輸入與輸出。這不是某些 LFM3 報導中重複提及的 256K 數字；那個數字屬於文字模型 LFM3-1.7B。Dessa：未公布。

• 授權 — LFM3-Audio-2B：LFM Open License v1.0，年營收低於 1,000 萬美元可免費商用。Dessa：未提供權重，因此無授權條款可讀。

• 基準測試 — LFM3-Audio-2B：一張六行的廠商表格。Dessa：無。

最後一列正是比較變得有趣的地方。Liquid 公佈了數字，卻沒有獨立見證者。Block 公佈了見證者——那些聽過同樣錄音的記者——卻沒有數字。讀者若想在兩者之間做選擇，其實是在選擇自己能容忍哪一種缺口。

Dessa 擁有且無法下載的一項優勢

Dessa 是為全雙工而打造：它會一邊說話一邊聆聽。這個模型可以在句子說到一半時被打斷，可以在你還在說話時插一句「對」或「嗯哼」，並能調整自己的節奏來配合你的。Block 的示範非常倚重這一點——在它自己句子講到一半時笑出聲、依要求改變音量、替忘了片名的說話者把片名說完。The Verge 聽著同樣的錄音，覺得這些對話「有點尷尬又詭異」，而這對於一個正在公開場合學習掌握時機的系統來說，是相當貼切的描述。

LFM3-Audio-2B 並沒有如此宣稱。它是串流式的請求與回應：因果音訊編碼器讓它能在你說話時進行預填（prefill），Liquid 所稱「最低可達 50 ms」的首次 token 延遲數字正是由此而來，而 LiquidCodec 則會把語音串流回傳。串流回覆並不等同於處理 barge-in（插話打斷）。如果你的產品需要一段可被插話打斷的對話，LFM3-Audio-2B 就是模型形態不對，再多的微調也改變不了這個介面。

Dessa 的示範無法告訴你的是：在沒有人挑選片段的情況下，它多常表現出那樣的行為。Block 表示，這些錄音是現場進行的、未經引導，事後再加上字幕，這排除了最粗劣的示範造假形式，但並未排除挑選。一個錄下許多對話、卻只公布其中最好幾段的團隊，只證明了好的對話確實存在，並未證明這個模型可靠。

Liquid 公布的數字，以及它們的價值

Liquid 的模型卡列出六項數據，其中四項附有前代數值。所有這些數據都將 LFM3-Audio-2B 與其取代的模型 LFM2.5-Audio-1.5B 進行比較。未註明測試集、測試工具或變異數。

• 英語 ASR，詞錯誤率——6.23 對 6.13。持平。這是唯一沒有變動的一列，而差距小到可能只是取樣雜訊。

• 多語言 ASR、WER/CER — 6.03。未公布前代數據。

• 英語 TTS、UTMOSv2——3.83 對比 3.22。0.6 分的變動，遠超出雜訊範圍；在這個量表上，4.0 通常被視為接近人類水準。

• VoiceBench — 73.13 對 55.17。

• 音訊理解，MMAR — 50.60 對 25.85。幾乎是兩倍。

• 從語音進行工具呼叫，內部評估 — 58.50。無前期數據。

對照 Liquid 自家表格中的其他模型，這是一款不錯的小型模型，而非領先者：Voxtral Mini 3B 的 WER 為 5.51，NVIDIA Audex 2B 為 5.99，兩者都優於 6.23；Qwen2.5-Omni 3B 在音訊理解拿下 54.41；Gemma 4 E4B 在工具呼叫拿下 72.40。誠實的總結是：辨識能力具競爭力、語音品質有明顯提升，且對 2B 模型而言推理表現紮實——但沒有任何一欄創下紀錄。

Dessa 沒有對應的資料列，而這種缺席並非技術細節。一個在沒有文字的情況下訓練、僅支援語音的模型，並沒有原生介面來處理 JSON schema、PDF 或 API 呼叫。Block 在其自家頁面上承認了這些未解問題：純語音模型學習事實與語言的效率如何，以及在沒有文字預訓練的情況下，上下文學習是否仍能成立。這些差異決定了一個模型是引人入勝的對話夥伴，還是通用助理，而兩家公司都尚未公布能對此下定論的測試。

授權、存取，以及誰能在什麼基礎上建構

LFM3-Audio-2B 的授權是它在多數採購討論中、還沒談到品質就先勝出的實務原因。LFM Open License v1.0 允許年營收低於 $10M 的商業使用，超過則需要付費授權。權重放在 Hugging Face；llama.cpp 已於 27 October 在 PR #31257 合併支援；Ollama 列出 2.1 GB 的版本；Transformers 需要 5.20.2 或更新版本，並搭配 trust_remote_code。自訂程式碼要求是必須鎖定的重點——模型會從自己的模組載入，並從獨立目錄讀取 codec 權重，所以未鎖定版本的環境注定會變成支援案件。

Dessa 沒有可相比擬的途徑。其存取方式是候補名單，外加一小群以機構電子郵件申請的 AI 安全研究人員可獲得早期存取權。Block 陳述的理由——好奇心、人機互動、安全——與把能讀取情緒的語音留在小房間內的做法一致。取捨在於，受限存取與獨立評估的方向彼此相反。在外界團體公布數據之前，公開紀錄就是供應商的影片片段，加上記者對供應商影片片段的印象。

有一種二階成本，很少被納入比較之中。可下載的模型是你所擁有的依賴項：2.1 GB、一個得持續維持運作的行程、沒有 SLA，還有一個隨著你規模成長而必須留意的授權門檻。候補名單上的模型則根本不是依賴項——它是你可以引用、卻無法出貨的研究成果。對一個正在挑選語音堆疊的團隊來說，這兩者不是同一條線上的兩個點，而是兩個截然不同的決定。

語音代理需要、但兩個模型單獨都無法提供的東西

生產級語音系統很少只靠單一模型。無論前端是全雙工還是請求—回應式，對話過程中都不斷把工作交給一般的文字模型：一次查詢、一次擷取、一次政策檢查、一次在暫停等待背後進行的推理呼叫。這個委派層正是成本波動所在，也是某家供應商一小時出狀況就變成你服務中斷的地方。

精確說明我們自身的涵蓋範圍：LFM3-Audio-2B 並未上架 OrcaRouter，而 Dessa 根本不是 API。OrcaRouter 提供的是語音代理所委派的文字層——超過 200 個模型共用一把金鑰，以供應商牌價提供且不加價、供應商出問題時自動容錯切換、可將多個模型組成單次呼叫的路由 DSL，以及當單一模型的判斷力不足時進行模型融合。如果你在本機用 LFM3-Audio-2B 做原型，迴圈中的工具呼叫那一半，就是你今天能放到該端點後面的部分；音訊那一半則留在你的機器上。

能一舉定奪的測試

對 LFM3-Audio-2B 而言，缺失的證據很具體：在標準集上進行的一次獨立 WER 執行、在非 M4 Max 硬體上進行的延遲量測，以及由非 Liquid 員工的人重現 UTMOS 增益。llama.cpp 中的即時 ASR 後續工作也很重要，因為批次轉錄是目前支援的路徑，而當串流功能落地時，僅支援英文就是限制。

對 Dessa 來說，這份清單更短也更難：一組留出的對話集、包含首次可聽見反應的端到端延遲、中斷恢復、噪音下的可理解度、資料與運算預算，以及某種衡量事實保留程度的方法。其中任何一項都會把示範影片變成評估。全部具備則會讓它成為產品。

在那之前，準確的描述雖然狹窄，卻很有用。LFM3-Audio-2B 是一個 2B 語音模型，你一分鐘就能下載，說得比它所取代的模型更好，聽得差不多一樣好，而且目前還沒有獨立見證者。Dessa 是本月最有趣的語音演示，卻沒有辦法驗證它。如果你這季度就要動工，那些句子裡只有一句最終會走向部署。