Liquid AI выпустила LiquidCodec для голосовых моделей
12 ноября 2026 года Liquid AI представила LiquidCodec — потоковый аудиокодек для голосовых моделей LFM3-Audio-2B и LFM3-Omni-2B. Компонент превращает речь в токены, которые может обрабатывать языковая модель, а затем собирает токены обратно в звук. Подробности релиза приводит MarkTechPost.
Для разработчиков это означает появление отдельного компонента аудиостека, рассчитанного на обработку входящего потока без ожидания окончания всей записи. Сам релиз не является новой разговорной моделью: LiquidCodec должен обеспечивать преобразование аудио для указанных моделей Liquid AI.
Что изменилось по сравнению с Mimi
LiquidCodec работает с 24-кГц аудио и формирует 12 потоков токенов с частотой 12,5 Гц. Это означает, что каждый 80-миллисекундный фрагмент превращается в 12 дискретных токенов. Размер кодека составляет 73,6 млн параметров — в округлённом виде около 74 млн.
Предыдущим аудиокодеком Liquid AI в модели LFM2-Audio-1.5B был Mimi, для которого источник указывает 96,2 млн параметров. Меньший размер самого кодека не означает автоматически меньшие требования всей голосовой системы, но может уменьшить объём компонента, отвечающего за кодирование и декодирование.
Параллельная токенизация рассчитана на поток
Вместо residual vector quantization, применяемой Mimi, LiquidCodec использует grouped finite scalar quantization. В описании Liquid AI независимые группы позволяют параллельно предсказывать все 12 кодбуков. Энкодер полностью каузальный, поэтому он обрабатывает аудио по мере поступления, а не только после загрузки полной записи.
Для голосового ассистента это может сократить задержку именно на этапе преобразования аудио в токены и обратно. Однако итоговое время реакции зависит также от языковой модели, сетевой передачи и синтеза речи; приведённые характеристики кодека не являются измерением всей голосовой системы.
Какие показатели скорости заявлены
Liquid AI сообщает о кодировании примерно в 361 раз быстрее реального времени и декодировании примерно в 87 раз быстрее. В приведённых результатах encode RTF составил 0,0028 против 0,0361 у Mimi, а decode RTF — 0,0115 против 0,0329. Чем ниже RTF, тем меньше времени требуется на обработку аудиофрагмента относительно его длительности.
Эти значения получили в FP32 на одном потоке CPU ноутбука с Apple M4 Max. Они описывают конкретную конфигурацию и не предсказывают производительность на каждом сервере, процессоре или при одновременной обработке множества потоков. Независимой перепроверки этих показателей в доступном материале нет.
Качество выше не по всем метрикам
В сравнении Liquid AI на восьми тестовых наборах LiquidCodec получил лучший ViSQOL и наименьшую mel distance среди LiquidCodec, Mimi, NanoCodec и X-Codec 2. На LibriSpeech ViSQOL составил 4,319 у LiquidCodec, 4,219 у NanoCodec, 4,119 у X-Codec 2 и 4,031 у Mimi.
Картина по другим показателям менее однозначна: NanoCodec опередил LiquidCodec по PESQ (WB) на семи из восьми наборов и показал большее сходство голоса на LibriSpeech. Эти цифры опубликованы как сравнение производителя, а не как независимый тест, поэтому их нельзя напрямую переносить на все аудиоматериалы и аппаратные конфигурации.
Как разработчики могут использовать релиз
Источник сообщает о размещении весов на Hugging Face, запуске на CUDA через Transformers и вариантах GGUF Q4_0, Q4_K_M и Q8_0 для llama.cpp. Для потокового декодирования предусмотрен LiquidCodecStreamingCache.
По данным публикации, вариант Q4_0 уменьшает размер декодера в 3,5 раза, а ViSQOL на LibriSpeech снижается с 4,319 до 4,292. Это даёт разработчикам вариант компромисса между размером и качеством на приведённом наборе, но не заменяет проверку на собственных данных.
Публикация сообщает о размещении весов, однако отдельно не подтверждает лицензию самого LiquidCodec. Перед коммерческим использованием нужно проверить условия на странице соответствующей модели. Цена релиза в доступном материале не указана.
