LFM3-Audio-2B 對比 Voxtral 3：2.1 GB 下載對上語音平台

要誠實地展開LFM3-Audio-2B與Voxtral 3之間的比較，就得說：沒有人發表過它的執行結果。Liquid AI 為其 20 億參數音訊模型公布了一份基準測試表，Mistral 也為其語音套件公布了一份，而這兩份表幾乎沒有共同的列。即使有重疊之處，所測量的模型也不是同一世代。任何人若告訴你這些模型在基準測試上哪個「更好」，都是在拿某個測試框架的數字去比另一個測試框架的數字，還指望你不會去查證。

這篇文章做的是比較不整齊、但更有用的事。它把你能回答的問題，和你不能回答的問題分開。你目前還不能說哪個模型轉錄德語更好，因為兩者之間沒有共同的多語言測試。你可以有信心地、根據兩家廠商自己的文件指出：它們根本不是同一類產品：一個是你自行執行的 2.1 GB 檔案，另一個是附帶電話語音 SDK、且沒有可下載權重的四模型管線。

在參考任何一個 WER 數字之前，這項差異就已決定大多數實際部署的結果。本文其餘部分要談的，則是它不適用的地方。

受評測的 Voxtral Liquid 並不是你正在比較的那個 Voxtral

Liquid 的模型卡將 LFM3-Audio-2B 與六個競爭對手並列，其中一個是 Voxtral。該列標示為 Voxtral Mini 3B，而在英語 ASR 上，它擊敗了 Liquid 的模型：詞錯誤率為 5.51%，對比 6.23%。這是 Liquid 公布的唯一一項直接 Voxtral 比較，而且很容易被解讀為「Mistral 的音訊模型轉錄得更準確」。

這並不是標題所暗示的那種比較。Voxtral Mini 3B 是mistralai/Voxtral-Mini-3B-2507——一個於 2025 年 7 月以 Apache 2.0 授權發布的 3B 模型，專為本地與邊緣部署而打造。它比 Voxtral 3 早了十五個月，屬於不同的產品世代。Mistral 於 2026 年 10 月 20 日推出的產品陣容中，並沒有名為 Voxtral Mini 3B 的模型；其最小的轉錄模型是 Voxtral Mini Transcribe 3，擁有 4B 參數，每分鐘收費 0.0035 美元。

表格內部也有一處不一致。該列的參數欄寫著 5B，但那一列卻是以 3B 模型命名。這並不是不信任 WER 數據的理由，那些數據來自具名評測——ESB 與 Open ASR leaderboard set 的平均值。這是提醒你在讀數字之前，先讀廠商表格欄位標題的理由。

這個後果值得直白說明，因為它是本文中最有用的一項事實：目前沒有任何已發布的 LFM3-Audio-2B 與任何 Voxtral 3 模型的正面對決評測。不論是 Liquid、Mistral，還是獨立評測者，都沒有提供。Liquid 將其新模型拿來與 Mistral 的開放權重2025 年音訊模型相比，就公平的「開放對開放」比較而言，這是站得住腳的選擇——而這也是目前唯一可行的比較方式，因為 Voxtral 3 並未釋出權重。2026 年的開放權重音訊比較根本無法以 Voxtral 3 為對象來進行。

這兩個產品實際上究竟是什麼

這種不對稱從發布的形態比從規格更容易看出來。

LFM3-Audio-2B是一個模型，於 2026 年 10 月 27 日作為六模型 LFM3 家族的一員發布。它接受文字或 16 kHz 音訊輸入，並輸出文字、24 kHz 語音，或交錯的文字與語音，外加工具呼叫。全新自研的因果音訊編碼器讓它能在你仍在說話時進行預填充。其 LiquidCodec 分詞器將 80 毫秒的語音壓縮成 12 個離散詞元，以平行而非循序方式解碼，在 M4 Max 的單一 CPU 執行緒上約達即時速度的 87 倍——這是編解碼器的吞吐量數據，而非硬體要求。

Voxtral 3於 2026 年 10 月 20 日發布，是一套產品組合：一個批次轉錄器、第二個較小的批次轉錄器、一個串流轉錄器、一個 TTS 模型、一款語音調適產品，以及一個以 LiveKit 為基礎的語音代理 SDK，透過 SIP 和 WebRTC 將上述元件串接起來。你不是挑選 Voxtral 3，而是挑選一條管線，再由 Voxtral 3 提供各個階段。

• 權重 — LFM3-Audio-2B 依 LFM Open License v1.0 釋出開放權重；Voxtral 3 未發布可下載的權重，而 Mistral 的發布資料則改為說明 API 存取、Studio 遊樂場與私有基礎架構部署。

• 資源佔用 — 在 Ollama 上對比端點為 2.1 GB；沒有 Voxtral 3 檔案可供估算大小。

• 上下文 — LFM3-Audio-2B 為 32K 個 token，包含輸入與輸出。Mistral 完全未公布轉錄器的上下文數字；而是按分鐘計價。

• 模態 — LFM3-Audio-2B 在單一模型中即可實現任意對任意：聆聽、說話、理解、翻譯、呼叫工具。Voxtral 3 則將這些能力分散到各自獨立的模型與端點；其轉錄模型與 TTS 模型並非同一套系統。

• 授權 — LFM Open License v1.0，年營收低於 1,000 萬美元可免費商業使用；Voxtral 3 是商業 API，其條款依每次呼叫適用。

• 說話者分離與上下文偏置 — Voxtral 3 兩者皆具，在 Mistral 自家的說話者分離資料集上達到 18.4% cpWER，且在提供上下文時，關鍵詞召回率從 81.4% 提升至 94.6%。LFM3-Audio-2B 則兩項能力皆未公布。

語言涵蓋範圍是唯一還差得遠的缺口。

LFM3-Audio-2B 支援 18 種語言、涵蓋 19 個地區設定，模型卡上列出：阿拉伯文、丹麥文、德文、希臘文、英文（英式與美式分開計）、芬蘭文、法文、希伯來文、義大利文、日文、韓文、荷蘭文、波蘭文、葡萄牙文、西班牙文、瑞典文、土耳其文和中文。它在其中九種語言上對多語言 ASR 進行基準測試，並在 FLEURS 上回報平均錯誤率 6.03，其中中文、日文和韓文採用字元錯誤率。

Voxtral 3 的轉錄工具涵蓋 50 種以上語言。即時模型在頁面某處宣稱支援 35 種以上，另一處卻宣稱 40 種以上，這種不一致通常意味著數字在發布週期間變動過，卻沒有人把文案統整一致。

如果你的音訊是越南語、印地語、俄語、挪威語或加泰隆尼亞語，LFM3-Audio-2B 並未列出這些語言，而 Voxtral 3 會說這五種語言——它們是 Mistral 所列十八種語音預設語言的一部分。檢視整份清單，我們無法找出任何一種 Liquid 支援、但 Mistral 的 50 多種轉錄語言未宣稱涵蓋的語言。必須誠實指出的是，Mistral 完整公布其語音預設清單，卻僅以數量呈現其轉錄涵蓋範圍，因此這部分比較可說是用一份清單對上一個數字。

Liquid 自家文件裡還藏著一個更銳利的細節。該模型的即時 ASR 模式——也就是隨著音訊串流以約 0.96 秒的區塊逐步轉錄的模式——僅支援英文。批次轉錄涵蓋完整的 18 種語言清單；串流路徑則否。任何打算以 LFM3-Audio-2B 打造即時多語言字幕功能的人，都該把這句話讀兩遍，因為無論 WER 表格怎麼顯示，這一點都直接排除了這個模型勝任該工作的可能。

兩個延遲數字，它們測量的不是同一件事

Liquid 宣稱首個 token 的時間「低至 50 毫秒」。Mistral 宣稱其即時轉錄器低於 500 毫秒，而完整代理回合低於一秒。這些數字無法相比，而且差異並非四捨五入誤差。

50 毫秒這個數字指的是語音對語音路徑：因果編碼器會在你說完句子之前就開始處理，因此模型可以在音訊仍在傳入時，就開始輸出回覆的第一個 token。這是關於對話模型互動性的說法。低於 500 毫秒的數字則是轉錄延遲——也就是文字出現前的延遲——而 Mistral 自己的表格顯示了它的代價。在其即時基準測試中，Voxtral Mini Transcribe Realtime 3 在 960 毫秒延遲下讀數為 6.0% WER；在 480 毫秒下為 6.4%；在 240 毫秒下為 7.4%。延遲與準確度會直接互相取捨，而 Mistral 讓你選擇那條曲線上的點。

Liquid 並未公布等效曲線。它公布的是下限——50 毫秒——但未說明硬體、未提供測試集，也未提供該延遲下的準確度。這個下限可能是真的，但它還不是可據以規劃產品的規格。

成本計算：實際推算，而非空口斷言

將開放權重模型與按分鐘計費的 API 相比，關鍵在於用量，而這筆算術簡單到足以好好算清楚。

轉錄，1,000 小時的音訊 — 60,000 分鐘。Voxtral Mini Transcribe 3 每分鐘 $0.0035，為 $210。Voxtral Small Transcribe 3 每分鐘 $0.004，為 $240。Voxtral Mini Transcribe Realtime 3 每分鐘 $0.008，為 $480。LFM3-Audio-2B 可免費下載，並在您已擁有的硬體上執行，因此其邊際成本是電費。

語音合成，1,000 小時——以每分鐘口語約 900 字元計算，即 5,400 萬字元。Voxtral Mini TTS 3 每百萬字元收費 13 美元，即 702 美元。LFM3-Audio-2B 每個字元不收費，並提供兩種語音選項：男聲與女聲，透過提示詞選擇。Voxtral 可從 30 分鐘的音訊克隆聲音，並提供情緒、語速與強調的控制項。

即時語音代理，1,000 小時的對話 — Mistral 將組裝後的管線定價為每分鐘 $0.04，由 Mistral Small 4 負責推理；若改用更大的模型則為每分鐘 $0.08。也就是 $2,400 至 $4,800。LFM3-Audio-2B 在本機處理聽與說，但凡是超出其自身能力範圍的事，仍需推理模型，而其說明卡直言不建議用於複雜的多步推理。

現在來談通常被省略的部分：回本點。一台 $1,000 的機器，大約在 4,760 小時的 Voxtral Mini Transcribe 3 之後就能回本——約等於 200 天的連續音訊，或每天八小時持續一年半。在小量使用下，API 比購買硬體便宜，而且從你開始使用的那一天起就比較便宜。開放權重方案並不是「免費」。它是「以固定成本取代邊際成本」，而且只有在用量足夠、隱私要求嚴格，或裝置沒有網路時才會勝出。

路由器在這幅圖景中之所以能佔一席之地，並不是因為任何一個音訊模型——LFM3-Audio-2B 和 Voxtral 3 目前都不在 OrcaRouter 的目錄中，我們也不會假裝不是如此。它的價值在於這兩種架構最終都需要的推理階段。語音代理是一條鏈：轉錄、推理、發聲。中間這一環是託管的 LLM，而這一環受益於一組金鑰通行 200 多個模型，供應商標價以 0% 加成直接傳遞，因此供應商價格一有變動，當天就能反映到你這裡；通話中途供應商狀況不佳時，還能自動容錯移轉。

哪些已驗證，哪些尚未驗證

這裡涉及三個層級的證據，而將它們扁平化，正是比較出錯的原因。

獨立實測。Voxtral 3 的轉錄品質有第三方數據：Artificial Analysis 在其自家指數上將 Voxtral Small Transcribe 3 的 WER 列為 2.1%，截至 2026 年 10 月 21 日總排名第三，而 Voxtral Mini Transcribe 3 為 2.2%。其 TTS 在 Provider Voice arena 以 1,217 Elo 排名第 13，在 Controlled Voice 以 1,066 排名第 14——屬於中段班；考量到 Mistral 的社群貼文將其描述為前十二名，這點值得如實說明。

廠商自行回報，未經重現。本文中每一個 LFM3-Audio-2B 的數字都出自 Liquid 自身：6.23 的英文 WER、6.03 的多語言數據、3.83 的 UTMOSv2、73.13 的 VoiceBench、58.50 的內部工具呼叫評測，以及 50.60 的 MMAR。截至本文撰寫之時，Artificial Analysis 尚無該模型的條目，也沒有任何第三方發表重現結果。請將這些數字視為宣稱，而非實測。

完全無法相比。Liquid 的 6.23% 英文 WER、Mistral 的 4.0% FLEURS 數據，以及 Artificial Analysis 的 2.1%，是三組不同音訊集上的三種不同測試。不要把它們相減。Liquid 唯一公布的同一評測設定比較，是對上 Voxtral Mini 3B——2025 年的開放權重模型。在該比較中，Liquid 的 2B 在英文 ASR 拿到 6.23，對上 Voxtral 的 5.51，但在多語言 ASR 以 6.03 對 7.76 勝出，VoiceBench 以 73.13 對 65.78 勝出，MMAR 以 50.60 對 50.10 勝出，工具呼叫則以 58.50 對 44.50 勝出。

「低調推出」在這裡實際上代表什麼意思

LFM3-Audio-2B 並沒有專屬的發布活動，而如果你正在判斷該說明文件值得多少信任，這個區別就很重要。

Liquid 於 2026 年 10 月 27 日發布 LFM3 系列，文章標題為「Introducing LFM3: Every Modality for Specialized Intelligence」。音訊模型在文中以六個模型之一的形式出現在某個段落裡——沒有專門的 LFM3-Audio 部落格文章、沒有獨立發布活動，也沒有自己的產品頁面。權重與模型卡皆完整且公開。Ollama 上的項目，ollama run lfm3-audio大小為 2.1 GB，於 10 月 28 日出現，Liquid 與 Ollama 雙方均未發布相應公告，同時還有一個 llama.cpp 拉取請求，新增了音訊與 omni 模型，而即時 ASR 則延後至後續更新。

所以說法是：這項產物真實存在且有所記錄，發布只是一則家族公告裡的一段話，而本機執行環境的支援則在一天後悄然到來。實際而言，這意味著模型卡才是權威依據——不是發布貼文，因為根本沒有這種貼文——而這張卡對限制的說明異常具體，這一點對它有利。它註明 LiveASR 僅支援英文。它表示該模型不適用於代理式程式設計或複雜的多步驟推理。它把知識密集的任務導向檢索。藏著弱勢模型的廠商通常不會把這些寫下來。

誰應該拿哪一個？

選擇 LFM3-Audio-2B如果你的音訊不能離開裝置，如果你需要一個既能聽又能說的模型，而不必把兩項服務拼接起來，如果你的語言在其十八種語言之中，而且如果你的使用量夠高，固定硬體成本比按分鐘計費更划算。它也適合在完全無需採購的情況下製作語音介面原型——只需 2.1 GB 和一道 Ollama 指令。但要接受：它的英文 ASR 落後於最新一代開源 Voxtral、串流僅支援英文，而且沒有任何獨立評測者查核過它的任何數字。

如果你要打造的是電話代理人，而非模型功能，那就選 Voxtral 3。這套套件存在的目的就是讓人組裝：轉錄器、推理模型、TTS，透過 SIP 與 WebRTC 運作，插話（barge-in）與輪次結束偵測都已解決。若你需要 50 種以上語言、說話者分離、針對人名與術語的上下文偏置，或語音複製——這四項能力 LFM3-Audio-2B 完全無法提供任何形式——也該選它。代價是：你無法下載它、無法檢視它，而且你的成本會隨著你服務的每一分鐘線性增加，永遠如此。

兩者都採用，前提是架構允許，而通常都允許。在裝置上執行 LFM3-Audio-2B，用於喚醒詞、本機聽寫與離線路徑；把需要多語言涵蓋、語者分離或聲音克隆的通話交給 Voxtral 3。兩者在技術堆疊中不會搶同一個位置。一個是你產品內部的模型；另一個是當產品本身就是電話線路時，你所呼叫的供應商。

值得留意的比較

有兩件事能妥善解決這件事，但這兩者目前都還不存在。

第一項是在 Artificial Analysis 對 Voxtral 3 模型所使用的同一套評測框架上，對 LFM3-Audio-2B 進行的獨立評估。那個單一數字——它在共用測試上的 WER 指數——將把 Liquid 表格中最關鍵的主張從廠商宣稱轉為實測，並讓你判斷一台在筆電上執行的 2B 模型是否真的與託管的 4B 模型相差在一個百分點以內。

第二個問題是 Mistral 是否終究會釋出 Voxtral 3 的權重。該公司 2025 年的音訊模型依 Apache 2.0 開放，2026 年系列則否。若情況逆轉，Liquid 選擇公布的那項公平的開放對開放比較將再次具有現實意義，而本文的核心但書也會失效。

在這些事情之一發生之前，站得住腳的立場是那個不光鮮的立場。在能力廣度上，Voxtral 3 以任何基準測試爭議都無法縮短的差距勝出：五十種語言、說話者分離、聲音複製、電話語音。在可部署性上，LFM3-Audio-2B 以同樣大的差距勝出，因為它是兩者之中唯一你能實際握在手中的。介於兩者之間的一切，都只是某家廠商表格裡的數字，緊挨著另一家表格裡的數字；而對「哪個更準確」的誠實答案是：沒有人測量過。