Pilih berdasarkan cara penerapan
Model audio terbuka adalah model dengan bobot yang dapat diunduh dan dijalankan pada infrastruktur sendiri, sedangkan layanan API menyediakan kemampuan audio melalui endpoint tanpa memberikan berkas bobotnya. Untuk tim yang mengutamakan kendali atas penerapan, LFM3-Audio-2B lebih sesuai; untuk akses terkelola dan dukungan transkripsi multibahasa yang luas, Voxtral 3 API lebih praktis. LFM3-Audio-2B dirilis sebagai checkpoint terbuka 2B di bawah LFM Open License v1.0 dan berukuran sekitar 2,1 GB di Ollama. Voxtral 3 tidak menyediakan bobot yang dapat diunduh; aksesnya melalui API, playground, atau infrastruktur privat. Perbedaan ini memengaruhi privasi, integrasi, dan kebutuhan operasional, tetapi tidak menentukan model mana yang menghasilkan transkripsi atau percakapan terbaik. Belum ada hasil uji langsung yang diterbitkan untuk kedua produk ini, jadi jangan menyamakan keterbukaan bobot dengan kemenangan performa.
| Aspek | LFM3-Audio-2B | Voxtral 3 |
|---|---|---|
| Bentuk akses | Checkpoint terbuka yang dapat diunduh | API, playground, atau penerapan privat; bobot tidak tersedia |
| Ukuran atau jejak | 2B parameter; sekitar 2,1 GB di Ollama | Endpoint; tidak ada berkas bobot untuk diukur |
| Cakupan tugas | Satu model untuk mendengar, berbicara, memahami, menerjemahkan, dan memanggil alat | Tugas dibagi ke model dan endpoint terpisah, termasuk transkripsi dan sintesis suara |
| Bahasa transkripsi | Mode ASR langsung saat ini hanya mendukung bahasa Inggris | Transcriber mencakup lebih dari 50 bahasa |
| Tolok ukur langsung antarkeduanya | Belum tersedia | Belum tersedia |
Keterbukaan memberi kendali, bukan jaminan kualitas
Keunggulan LFM3-Audio-2B terletak pada kepemilikan berkas model dan fleksibilitas menjalankannya sendiri. Satu checkpoint menangani beberapa tugas audio, sehingga menarik bagi pengembang yang ingin menguji alur terpadu atau membatasi ketergantungan pada layanan jarak jauh. Namun, menjalankan model sendiri berarti tim perlu menyiapkan lingkungan inferensi dan mengevaluasi hasilnya sesuai kebutuhan. Ada pula batas penting: mode ASR langsung yang memproses audio masuk dalam potongan sekitar 0,96 detik hanya mendukung bahasa Inggris. Karena itu, dukungan beragam bahasa pada fitur lain tidak boleh dianggap otomatis berlaku untuk mode streaming tersebut. Voxtral 3 mengambil pendekatan berbeda: rangkaian model dan endpoint terpisah, tanpa bobot yang dapat diunduh. Transcribernya mendukung lebih dari 50 bahasa, disertai fitur seperti diarisasi dan penggunaan konteks. Untuk tim yang mengutamakan cakupan bahasa dan integrasi terkelola, format ini lebih menarik; untuk tim yang mensyaratkan bobot lokal, Voxtral 3 tidak memenuhi syarat tersebut.
Klaim fitur tetap perlu diuji dalam alur kerja aplikasi Anda. Voxtral 3 melaporkan cpWER 18,4% pada set diarisasi miliknya dan kenaikan recall frasa kunci dari 81,4% menjadi 94,6% ketika konteks diberikan. Angka ini menjelaskan kemampuan pada pengujian tersebut, bukan bukti bahwa Voxtral 3 mengungguli LFM3-Audio-2B dalam evaluasi bersama.
Baca tolok ukur sesuai pertanyaannya
Tolok ukur audio hanya berguna jika tugas, data, dan generasi model yang dibandingkan sepadan. Belum ada evaluasi langsung yang diterbitkan untuk LFM3-Audio-2B dan Voxtral 3. Angka Voxtral Mini 3B yang muncul dalam tabel Liquid merujuk pada model terbuka generasi 2025, bukan model Voxtral 3 yang hanya tersedia melalui API. Jadi angka itu tidak dapat dijadikan bukti bahwa Voxtral 3 lebih baik atau lebih buruk. Perbedaan antara keterbukaan bobot dan performa terukur penting: bobot terbuka menjawab apakah model bisa diunduh serta dijalankan sendiri, sementara tolok ukur menjawab bagaimana model bekerja pada pengujian tertentu. Keduanya adalah pertanyaan berbeda. Sebelum memilih, nilai sampel audio, bahasa, latensi, dan alur percakapan yang benar-benar digunakan produk Anda; jangan mengambil keputusan dari tabel yang mengukur tugas berlainan.
StepAudio 3 memberi contoh lain tentang batas perbandingan. StepAudio 3 Realtime mencatat 98,9% pada tolok ukur Conversational Dynamics dari evaluasi pihak ketiga, tetapi skor itu menilai dinamika percakapan seperti giliran bicara dan pemulihan setelah interupsi. LFM3-Audio-2B belum memiliki skor independen dan tabelnya berasal dari vendor, dengan pengujian pengenalan, sintesis, serta pemahaman audio yang tidak sama dengan metrik percakapan tersebut. Maka, StepAudio 3 unggul pada ukuran percakapan yang dilaporkan, tetapi angka itu bukan perbandingan langsung dengan LFM3-Audio-2B. Jika percakapan waktu nyata adalah prioritas, nilai StepAudio 3 berdasarkan metrik yang relevan; jika Anda membutuhkan model yang dapat diunduh, nilai LFM3-Audio-2B melalui uji lokal Anda sendiri.
Buy if / Skip if
- Buy the LFM3-Audio-2B if Anda membutuhkan checkpoint terbuka 2B yang dapat diunduh dan ingin menjalankan model pada infrastruktur sendiri.
- Skip the LFM3-Audio-2B if produk Anda bergantung pada ASR langsung multibahasa; mode streaming yang disebutkan hanya mendukung bahasa Inggris.
- Buy the Voxtral 3 API if cakupan transkripsi lebih dari 50 bahasa dan akses terkelola lebih penting daripada memiliki bobot.
- Skip the Voxtral 3 API if persyaratan Anda mengharuskan bobot model dapat diunduh atau perbandingan kinerja langsung yang sudah diterbitkan.
- Buy the StepAudio 3 Realtime if tolok ukur dinamika percakapan menjadi acuan utama dan Anda menerima layanan berbasis API.
- Skip the StepAudio 3 Realtime if yang Anda cari adalah checkpoint terbuka untuk dijalankan sendiri.
