LFM3-Audio-2B 對決 StepAudio 3：開源 2B 迎戰評分產品線

StepAudio 3 Realtime在語音產品被評判的關鍵指標上有一個具體數字：在 Artificial Analysis 的 Conversational Dynamics 排行榜上拿下 98.9%，排名第一。LFM3-Audio-2B則附有授權條款。這並非修辭上的對比——而是證據的實際狀態。StepFun 的StepAudio 3系列於 2026 年 9 月 15 日推出，是在單一平台上線的五款商用音訊模型，附有第三方評測排名，預覽價格為零。Liquid AI 的 LFM3-Audio-2B 則於 10 月 27 日隨著六款模型的 LFM3 發布登場，是一個 2B 的開放權重檢查點，僅有廠商自附的表格，沒有任何獨立評分。一個是你租用、經過實測的產品；另一個是你可以擁有、未經實測的檔案。兩者之間的抉擇，與其說取決於音訊品質，不如說取決於這兩句話中哪一句描述了你的限制條件。

人們很容易想把在評分中勝出的模型宣告為贏家，然後繼續前進。請先按捺住這個念頭，讀完這一段。StepAudio 3 Realtime 的分數衡量的是對話動態——輪流發言、中斷恢復、附和回應（backchannels）——而且是在具備持續性 WebSocket 與中文優先訓練集的託管系統上衡量。LFM3-Audio-2B 不在那個評分榜上，也不是雙工模型，即使有人把它送進去，也不會用那套標準來衡量。這兩個模型並不是在競爭技術堆疊中的同一個位置。真正有用的比較，是看兩者各自能做到哪些對方做不到的事，以及要弄清楚這點各自要讓你付出多少代價。

StepAudio 3 究竟是什麼

這個名稱涵蓋了一個系列，而你選擇的層級會改變比較結果。StepFun 於 9 月 15 日推出了五款音訊模型：Realtime、ASR、TTS、Gen 與 Music，全數以商業 API 形式在其開放平台上線。另有一個具備 256K 上下文與文字輸出的 Chat 層級，補齊了開發者介面。

• StepAudio 3 Realtime — 原生全雙工對話，直接對語音進行推理，而非先轉錄，並具備工具呼叫能力，還能在對話持續進行的同時非同步執行長時間任務。這是旗艦之作，也是最接近通用語音模型的方案。

• StepAudio 3 ASR — 辨識，在 Artificial Analysis 的非串流 ASR 準確度排行榜上，詞錯誤率為 1.7%，並列第一。

• StepAudio 3 TTS — 串流合成，支援六種語言（英文、中文、日文、韓文、法文、西班牙文），12 種系統語音，輸入最多可達 1,000 個字元。

• StepAudio 3 Gen — 從自然語言統一生成語音、音效、環境音、背景音樂與歌聲，目前提供限時免費預覽。

• StepAudio 3 Music — 零樣本歌曲生成，支援透過 ABC 記譜法進行多輪控制、人聲轉編曲與翻唱。

LFM3-Audio-2B 是一個檢查點，試圖一次完成其中數項工作：辨識、合成、翻譯、音訊理解與語音工具呼叫，並依提示與服務設定檔來選擇。它不會生成音樂，其音效能力範圍則是通用音訊模型自然涵蓋的結果。它真正擁有的是權重檔。StepAudio 3 則沒有——它是一個商業 API 系列，並非開放釋出，且沒有任何層級提供權重。

計分板，以及是誰製作的

StepFun 的數字是這場對比中最有力的證據基礎，卻也最容易被過度解讀。98.9% 的「對話動態」數字是 Artificial Analysis 上的第三方評測結果，這讓它比廠商自製表格更可信。99.7% 的語音推理數字則是由 StepFun 自行引用，並未經獨立複現。1.7% 的 ASR 字錯率是 Artificial Analysis 的評測名次，並列第一，而且它屬於 ASR 層級，而非 Realtime 模型。這是三種不同性質的說法，卻穿著同一套制服。

LFM3-Audio-2B 的表格一律由廠商自行回報，且一律相對於其自身前代 LFM2.5-Audio-1.5B：English ASR WER 6.23 對 6.13、多語言 WER/CER 6.03、UTMOSv2 3.83 對 3.22、VoiceBench 73.13 對 55.17、MMAR 50.60 對 25.85，以及一項內部工具呼叫評估為 58.50。未指名任何測試集、測試框架或變異數，而我們也找不到任何一列的獨立重現結果。

把兩者並排放在一起，誠實的觀察是它們幾乎沒有重疊。StepAudio 3 Realtime 是以對話時序計分；LFM3-Audio-2B 則以辨識、合成品質與音訊推理計分。雙方都有公布數據的唯一軸線是辨識，而且即使在這一點上，比較也受到污染：StepAudio 的 1.7% 是 ASR 層級的獨立排行榜分數，而 Liquid 的 6.23 則是廠商針對一個通用音訊模型在未具名資料集上所提供的數字。差距大到方向很可能為真。但這個幅度並不是兩支團隊共同跑過的任何測量。

Duplex 是建築產品線。

StepAudio 3 Realtime 是為電話通話打造的。它會邊說話邊聆聽，能處理打斷，並直接對原始音訊進行推理，而非依賴轉錄文字；StepFun 主張這麼做能保留語氣與重音，而經過文字中轉則會把這些壓平。其文件把區別說得很明確：Realtime API 內建語音辨識、上下文管理、VAD、網路搜尋與檢索；Chat API 則要你自己實作上述每一項。

LFM3-Audio-2B 是為單一請求而打造的。因果音訊編碼器讓它能在你說話時進行預填，而 LiquidCodec 則會把語音串流回傳——80 毫秒的音訊轉成 12 個 token，在 M4 Max 的單一 CPU 執行緒上以約 87 倍即時速度解碼。「低至 50 毫秒」的首個 token 延遲數字，正是來自這樣的設計。但串流回覆並不等同於處理插話，而 Liquid 並未宣稱支援全雙工。如果你的產品需要讓使用者在它說話時插話，那麼決定這件事的是架構，而不是任何基準測試。

另一邊有個延遲陷阱。StepAudio 3 Realtime 在同一個排行榜上記錄到 8.83 秒的首個音訊時間，而它正是在該排行榜上贏得對話動態表現——相較之下，Gemini 3.8 Live 為 1.18 秒，GPT-Live-1 為 1.24 至 1.34 秒。一個模型若贏得輪流發言，卻要花費將近一句話的時間才開始說話，那麼它最好的品質你可能永遠無法在生產環境中展現。先測試延遲，再測試對話品質；如果可能，也請在 StepFun 自家的服務環境之外進行測試。

價格、授權，以及你實際購買的內容

StepAudio 3 全系列正進行限時免費預覽，而 Realtime 層級在預覽結束後並未公布費率。TTS 層級透過第三方型錄公布的牌價約為每 10,000 字元 0.36 美元，但這並非 Realtime 的價格，不應拿來當作 Realtime 的價格使用。實務上的立場是：StepAudio 3 Realtime 目前可免費評估，但正式上線生產仍未有定價——現在適合測試，卻不適合建立單位經濟模型。

LFM3-Audio-2B 的成本落在執行它的機器上。LFM Open License v1.0 在年營收低於 1,000 萬美元時可免費商用，超過則需付費。Ollama 版本為 2.1 GB，且可在 CPU 上執行；llama.cpp 已於 10 月 27 日納入支援；Transformers 需 5.20.2 或更新版本，並搭配 trust_remote_code，而且編解碼器權重會從另一個目錄載入，因此請固定環境版本。沒有按分鐘計費的計量器。也沒有 SLA、沒有呼叫器，輸出品質下降時也沒有廠商可聯絡。

• 你會得到什麼 — StepAudio 3 Realtime：一個商業端點，現行旗艦，含支援。LFM3-Audio-2B：一個檢查點、一份授權，以及維運負擔。

• 你可以檢視的內容 — StepAudio 3：文件、排行榜名次，沒有權重。LFM3-Audio-2B：架構、模型卡、權重、編解碼器、微調路徑。

• 成本結構 — StepAudio 3：按次計費，閒置時為零，預覽後未定價。LFM3-Audio-2B：固定硬體，邊際成本近乎零，不計量。

• 故障模式 — StepAudio 3：配額、區域、帳號問題、支援工單。LFM3-Audio-2B：你負責值班。

語言涵蓋範圍並非平手

LFM3-Audio-2B 列出 18 種語言、涵蓋 19 個地區設定，其中英語以美國和英國兩種變體出現兩次。對 2B 模型而言，這是一份涵蓋範圍廣泛的綜合清單，也是在歐洲或多語言產品中最有力的實際論據。限制同樣明確：即時 ASR 僅支援英語，而翻譯以英語為來源或目標語言時表現最佳。

StepAudio 3 以中文為優先。Realtime 層級的文件並未公布完整語言清單；該系列的 TTS 層級涵蓋六種語言，而 ASR 層級則以中文與英文為核心，並具備方言處理、語碼轉換、長音訊與歌聲能力。若你的流量是夾雜英文的華語，StepFun 的技術堆疊正是為這類工作負載而打造，Liquid 則不然。若你的流量是瑞典語與荷蘭語，那麼在這兩者之中，只有 18 語言檢查點聲稱支援。

路由器適用之處，以及不適用之處

StepAudio 3 不在 OrcaRouter 的目錄中，LFM3-Audio-2B 也不在——一個是封閉式 API，另一個是可下載的模型。所以沒有什麼「在這兩者之間做容錯移轉」的故事可說，也沒有理由假裝不是這樣。

路由層的重要性在於再上一層，也就是語音代理實際耗費複雜度的地方。StepAudio 3 Realtime 支援工具呼叫與長時間執行的非同步任務，這意味著對話會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。這個委派層正是供應商中斷與成本變異所在之處。OrcaRouter 把200 多個文字與多模態模型放在同一把金鑰之後，以供應商定價提供、不加價，並具備自動容錯移轉、可將多個模型組合成單次呼叫的路由 DSL，以及當單一模型的判斷不足時所用的模型融合。對 LFM3-Audio-2B 原型而言，這是目前就能放到端點後方的那半套堆疊，而音訊模型則維持在本機。

三個能決定這件事的問題

你需要一場可以被打斷的對話嗎？

那麼，在這兩者之中，只有 StepAudio 3 Realtime 宣稱具備該行為；儘管有延遲疑慮，它仍是正確的起點。LFM3-Audio-2B 採請求與回應式；再多的微調也改變不了介面。在正式投入前，請在你自己的網路上測試 8.83 秒的首個音訊數據。

你需要擁有模型，還是需要離線執行？

那麼 LFM3-Audio-2B 就是這裡唯一的選項，而授權門檻就是要對照你的營收來檢查的那個數字。接受 32K 上下文、僅支援英文的即時 ASR，以及缺乏獨立評估的事實。在你相信 UTMOS 增益之前，先用自己的錄音跑一遍。

只靠供應商評分就足以做出選擇嗎？

還沒，而且原因並不是 StepFun 的數字很弱。而是這些分數來自不同的評測框架，衡量的是不同的東西；而沒有分數的模型，無法列入那個產出最常被引用數字的排行榜。若能在同一組對話集上進行中立的正面對決，會比任一廠商的表格更能定論。在這樣的做法出現之前，這個選擇是限制條件的問題，而不是品質的問題。

裁決

StepAudio 3 Realtime 在市場目前所衡量的軸線上勝出——也就是對話動態——而且擁有更堅實的證據基礎，因為其中有一部分是由第三方產出的。它同時還有一個尚未解決的延遲問題、未公布預覽之後的價格、沒有釋出權重，以及以中文為優先的語言設定。對於鎖定中文與英文使用者的即時語音代理而言，它是更好的選擇，前提是延遲測試能夠通過，而且預覽定價不會變成令人措手不及的意外。

LFM3-Audio-2B 在自主可控與合成廣度上勝出，但在證據強度上落敗。它問世才四天，數據由廠商自行提報，其 ASR 在自己的表格中僅居中段，且授權設有營收門檻。對於離線產品、多語語音，或無法接受按次計費的團隊而言，它是更好的選擇——也是兩者之中，你本週唯一能完全在自己的硬體上進行評估的模型。

兩邊值得觀察的重點相同：一場中立評測，把雙工模型與請求—回應模型放在同一組對話集上比較，以及 StepAudio 3 已公布的正式生產價格。前者能告訴你，Liquid 的 2B checkpoint 是否比其書面資料所暗示的更接近前沿；後者能告訴你，StepFun 的領先是否經得起帳單的考驗。