LFM3-Audio-2B 與 Qwen-Audio-3.1：同一個檢查點，多種衡量標準

請問Qwen-Audio-3.1要多少錢，第一個誠實的答案會是另一個問題：哪一個？這個名稱涵蓋一條分層的託管語音產品線——即時雙工模型、即時 flash 層級、串流與檔案轉錄，以及兩個語音合成模型——而每個層級都有自己的費率表。LFM3-Audio-2B則是另一種東西：它是 Liquid AI 的一個 2B 檢查點，於 2026 年 10 月 27 日在六模型 LFM3 系列中推出，可依 LFM Open License v1.0 下載，有 2.1 GB 的 Ollama 版本，且完全沒有按次計費的計量器。比較它們並不是在比較音訊品質，而是在比較兩種計費型態；而算術結果會因你的流量是穩定、尖峰式，還是仍屬假設性而有所不同。

發布形態也很重要，因為它們會設定對文件說明的期待。Qwen-Audio-3.1 是以型錄為先：模型 ID 記錄於 Alibaba Cloud Model Studio，每個以一兩行說明，按 token 計價，未公開權重，也沒有公開的參數數量。LFM3-Audio-2B 則是以權重為先：一個儲存庫、一張模型卡、一個已合併的 llama.cpp 拉取請求，以及其供應商家族文章中的一段說明。一個是你租用的產品線，另一個是你擁有的檔案。以下每一項實務差異都由此而來。

這個名稱實際上涵蓋的範圍

Qwen-Audio-3.1 並不是單一端點，而把它當成單一端點，正是比較時最常見的錯誤。各層級負責的工作並不相同：

• qwen-audio-3.1-realtime-flash — 即時雙工語音，文字與音訊皆可輸入輸出，支援函式呼叫、網路搜尋、語音克隆以及三種輪次偵測模式。這是與 LFM3-Audio-2B 最接近的對應者，也是本文定價所依據的層級。

• qwen-audio-3.1-realtime-plus — 更完整的即時層級。Alibaba 記載其音訊轉換為每秒 12.5 個 token，且其輸出費率明顯高於 flash 層級。不同產品，不同帳單。

• qwen-audio-3.1-asr-flash-streaming — 串流辨識，支援中間結果、VAD、熱詞與去除不流暢詞。無語音輸出。

• qwen-audio-3.1-asr-flash-filetrans — 以批次方式對檔案執行相同的辨識任務。

• Qwen-Audio-3.1-TTS 與 TTS-Next — 語音合成，其中 Next 模型以「Audiogen」模型之名推出，可在 48 kHz 下一次性生成人聲、音效與環境氛圍。

LFM3-Audio-2B 將這些工作整合進單一檢查點。辨識、合成、翻譯、音訊理解與語音工具呼叫，都是同一個 2B 模型的不同模式，經由提示詞與服務設定檔來選擇。沒有 SKU 需要挑選，也沒有分開計量說話與聆聽的機制。這是以粒度換取簡化：當你只需要辨識時，無法只為辨識付費，因為無論如何你都是在執行整個模型。

帳單，算好了

Alibaba 公布 qwen-audio-3.1-realtime-flash 的費率，以每百萬個 token 的美元價格計算。在新加坡：文字輸入 $0.23、音訊輸入 $0.93、文字輸出 $0.70、音訊輸出 $1.87。北京略便宜一些，分別為 $0.212、$0.848、$0.636 與 $1.696。速率限制為每分鐘 60 次請求與每分鐘 100,000 個 token，且對同時開啟的 WebSocket 連線沒有另外的上限。上下文視窗為 262,144 個 token，輸入上限為 245,760、輸出上限為 16,384——但音訊歷史紀錄上限為 50 輪或累計 300 秒，這才是長對話實際上會碰到的限制。

LFM3-Audio-2B 沒有價目表，因為 Liquid 並未將其作為端點販售。費用取決於你運行它的機器、2.1 GB 的下載量，以及授權門檻：年營收低於 1,000 萬美元可免費商用，超過則需付費。在筆電上幾乎為零；在 GPU 上則是你原本就為閒置算力支付的費用。值得了解的是其效率宣稱在於編解碼器——LiquidCodec 可將 80 毫秒的語音壓縮成 12 個 token，並在 M4 Max 的單一 CPU 執行緒上以約 87 倍即時速度解碼——但這衡量的是編解碼器，而非語言模型，不應解讀為你硬體上的端到端吞吐量。

接下來這部分才是決定性的關鍵。託管的即時模型是按對話的 token 計費，其中也包含它生成的音訊，而語音代理的成本主要落在輸出上。自架的模型則是按硬體使用時數計費，無論有沒有人說話都照收。對一個穩定負載的客服中心來說，固定成本可以攤提，每小時的數字甚至可能低於任何價目表。但對流量起伏劇烈的產品而言——例如合規團隊在季末最後一天轉錄一千通電話，接下來十一週毫無動靜——按通話計費就會勝出，因為 GPU 在沉默期間照樣計費。這兩種型態並沒有哪一種在一般情況下更便宜，它們是在不同的使用率下各自更便宜。

覆蓋範圍、延遲，以及未達標的宣稱

• 語言 — LFM3-Audio-2B：18 種語言、19 個語言地區，即時 ASR 僅限於英語，而以英語為來源或目標的翻譯表現最強。Qwen-Audio-3.1：Alibaba 針對即時 flash 層級的文件並未公布語言清單；其辨識層級的文件記載以華語、粵語、四川話及其他中文方言為主，並具備自動語言偵測。在文件列明之前，請將 Qwen 的涵蓋範圍視為未知。

• 延遲 — LFM3-Audio-2B：「低至 50 毫秒」的首 token 時間，是廠商在指名 Apple 硬體上測得，未提供百分位數或測試框架。Qwen-Audio-3.1：Alibaba 家族宣傳的 92 毫秒首 token 數字，來自其自家針對 0.6B 規格所做的高併發基準測試，而非第三方測試。兩者都不是典型數值。

• 雙工 — LFM3-Audio-2B：以串流方式進行請求與回應；因果編碼器可讓你在說話時進行預填充，但並未宣稱支援插話。Qwen-Audio-3.1 realtime-flash：明確支援雙工，具備伺服器端 VAD 與可處理插話的智慧輪次模式。

• 背景 — LFM3-Audio-2B：32K 個 token，包含輸入與輸出。這不是部分 LFM3 報導中重複出現的 256K 數字；那個數字屬於文字模型。Qwen-Audio-3.1 realtime-flash：262K 個 token，並受上述音訊歷史上限限制。

那條雙工路線才是會改變架構的關鍵。如果你的產品需要在句子中途被打斷，LFM3-Audio-2B 就是模型形態不對，沒有任何提示詞能修正這點。如果你的產品是讀取錄音並回答相關問題，雙工就無關緊要，而 2B checkpoint 是較單純的物件。

誰測量了什麼

Liquid 公布 LFM3-Audio-2B 的六項數據，全部都是與自家前代模型 LFM2.5-Audio-1.5B 對比：英文 ASR WER 6.23（對比 6.13，持平）、多語言 WER/CER 6.03、UTMOSv2 3.83（對比 3.22）、VoiceBench 73.13（對比 55.17）、MMAR 50.60（對比 25.85），以及一項內部工具呼叫評測 58.50。未註明測試集、測試框架或變異數。我們找不到任何一列數據的獨立重現。

Qwen 的證據在性質上有所不同。有一份技術報告《Qwen-Audio-3.1-Realtime: Towards Reliable Agentic Voice Interaction》，其中報告了在 τ-Voice 的半雙工語音轉文字改編版本上，任務成功率從 78.4% 提升至 82.0%，以及在 Full-Duplex-Bench v1.5 上對背景語音做出回應的比率從 73.0% 降至 13.0%。這些是摘要中陳述的兩個數字；正文載有模型層級的表格，但我尚未用測試框架驗證它們，而且這篇論文是廠商報告，而非獨立評估。

所以，誠實的計分板是：一個模型有廠商表格卻沒有論文，另一個有廠商論文卻沒有可重現的測試框架，而兩者都沒有以自己的名稱出現在中立的排行榜上。任何把他們的數字放在相鄰欄位的文章，都是在排列兩項未經證實的主張，讓版面配置替它們說服人。

路由器適合的位置，確切地說

OrcaRouter 的型錄中既沒有 LFM3-Audio-2B，也沒有 Qwen-Audio-3.1，因此就語音層本身而言，沒有可提出的路由宣稱。至於它上層的部分，情況就不同了。無論以哪一個模型打造的語音產品，仍然需要一個文字模型來摘要、分類、擷取，或決定代理下一步要說什麼；而成本與可靠性真正出現差異的地方，正是這個呼叫。

OrcaRouter 將 超過 200 個文字與多模態模型整合在單一金鑰之後，以供應商定價提供、不加收費用，並具備跨供應商自動容錯切換，以及可將多個模型組合成單一呼叫的路由 DSL。對這場對比而言，實用的模式是 A/B 測試：把同一批錄製的對話分別透過 qwen-audio-3.1-realtime-flash 以及在你自有硬體上的 LFM3-Audio-2B 執行，接著將兩份轉錄稿送到同一端點上的同一個下游模型。如此一來，比較能保持乾淨，而文字那一半也永遠不會變成你忘了控制的變數。

該選哪張帳單

若你需要全雙工對話、以中文為優先的辨識堆疊、262K 上下文，或供應商 SLA，就選 Qwen-Audio-3.1 realtime-flash——而且如果你的流量尖峰明顯到按 token 計費反而是一項優勢，那也該選它。報價前請仔細看清楚方案層級名稱：realtime-plus 和 realtime-flash 不是同一個產品，而語音代理的帳單往往取決於輸出費率。

如果你需要自行擁有模型、離線執行、避免按分鐘計費，或在筆記型電腦上合成 18 種語言，就選 LFM3-Audio-2B。要接受 32K 上下文、僅支援英文的即時 ASR、授權門檻，以及在其自家廠商比較中辨識準確度僅屬中段的事實。

等等，如果你需要一個能向採購團隊交代的數字。這兩個模型目前都還沒有。第一個在共用音訊語料庫上進行的獨立評估——不是廠商提供的表格，也不是廠商的論文——其價值將超過上面所有數字，而且在這兩者中任何一個成為標準之前，這才是值得關注的重點。