← Alle Modellneuigkeiten

Liquid AI veröffentlicht LiquidCodec: Streaming-Sprachcodec mit 74 Mio. Parametern, Encoding auf einem CPU-Thread rund 361-mal Echtzeit

Liquid AI hat den Streaming-Sprachcodec LiquidCodec mit rund 74 Millionen Parametern veröffentlicht; die Gewichte liegen auf Hugging Face und ersetzen Mimi in LFM3-Audio-2B und LFM3-Omni-2B. Der Hersteller gibt an, das Encoding erreiche auf einem einzelnen CPU-Thread etwa das 361-Fache der Echtzeit, und auf acht Testsets erziele der Codec den besten ViSQOL-Wert und die geringste Mel-Distanz.

Veröffentlicht Aktualisiert

Was sich geändert hat

Laut einem Bericht von MarkTechPost vom 12. November 2026 hat Liquid AI LiquidCodec veröffentlicht, einen Streaming-Sprachcodec mit rund 74 Millionen Parametern (die Modellkarte nennt 73,6M); die Gewichte wurden auf Hugging Face veröffentlicht. Er dient LFM3-Audio-2B und LFM3-Omni-2B und ersetzt Kyutais Mimi – 96,2 Millionen Parameter, zuvor in LFM2-Audio-1.5B eingesetzt. Dem Bericht zufolge komprimiert der Codec 24-kHz-Audio in 12 Token-Streams; bei 12,5 Hz Frame-Rate entsprechen 12 diskrete Token einem Frame von 80 Millisekunden. Der Ablauf ist Encoding, Quantisierung, Decoding: Der Encoder ist vollständig kausal und damit für Streaming geeignet; die Quantisierung nutzt gruppierte finite Skalarquantisierung (GFSQ) statt residualer Vektorquantisierung (RVQ), sodass die 12 Codebooks unabhängig voneinander sind und von einem Transformer im MaskGIT-Stil parallel vorhergesagt werden können; der Decoder sagt direkt Spektralkoeffizienten vorher und überspringt gelerntes Transposed-Convolution-Upsampling. Das Training erfolgte in zwei Phasen: In der ersten Phase wurden mit 107 Sprachen und 264.000 Stunden Sprache nur Wellenform- und Spektralverluste verwendet; in der zweiten Phase wurde mit 55.000 Stunden Vollband-Sprache und einem adversarialen Diskriminator feinabgestimmt, was laut Liquid AI die metallischen Artefakte der ersten Phase beseitigt; den Abschluss bildet eine quantisierungsbewusste Schulung (QAT) nur für den Decoder, ausgerichtet auf Edge-Inferenz. Zur Geschwindigkeit gibt Liquid AI an, auf einem CPU-Thread eines Apple-M4-Max-Notebooks in FP32 etwa das 361-Fache der Echtzeit beim Encoding gemessen zu haben (Encoding-RTF 0,0028, Mimi 0,0361) und etwa das 87-Fache beim Decoding (Decoding-RTF 0,0115, Mimi 0,0329). Zur Qualität heißt es im Bericht, LiquidCodec erziele auf acht Testsets den besten ViSQOL-Wert und die geringste Mel-Distanz; auf LibriSpeech liegt ViSQOL bei 4,319 gegenüber NanoCodec 4,219, X-Codec 2 4,119 und Mimi 4,031; in einem TTS-Vergleich mit festen Daten, fester Architektur und fester Rechenleistung erzielt er auf acht Sets den höchsten UTMOSv2-Wert, die LibriSpeech-WER liegt bei 3,15% gegenüber 6,27% bei Mimi. Zur Bereitstellung: Das Modell lässt sich über Hugging Face Transformers mit trust_remote_code=True laden; encode() und decode() liefern Audiokodierung und Wellenform, der native LiquidCodecStreamingCache unterstützt blockweises Decoding, das Beispiel der Modellkarte verwendet CUDA und bfloat16; für den Edge-Bereich gibt es zudem Q4_0-, Q4_K_M- und Q8_0-GGUF-Versionen für llama.cpp, die mit den GGUF-Repositories von LFM3-Audio-2B und LFM3-Omni-2B veröffentlicht wurden; laut Bericht kann Q4_0 zusammen mit dem Decoder-only-QAT den Speicherbedarf des Decoders um das 3,5-Fache verringern, wobei ViSQOL auf LibriSpeech nur von 4,319 auf 4,292 sinkt.

Auswirkungen für Entwickler

Die unmittelbarste Auswirkung betrifft das Token-Layout. Aus der berichteten Frame-Rate von 12,5 Hz und 12 Codebooks ergibt sich grob 150 diskrete Token pro Sekunde Audio (eine Ableitung aus den berichteten Daten, keine Formulierung des Herstellers). Das bedeutet: Jedes TTS- oder Sprachsprachmodell, das auf Mimi-Token trainiert wurde, kann den Codec nicht als austauschbare Komponente behandeln – Vokabulargröße, Anzahl der Codebooks und Token-Sequenz pro Frame unterscheiden sich, und auf Mimi-Token feinabgestimmte Checkpoints müssen ihre Korpora neu tokenisieren und den Output-Head neu trainieren, sonst kommt es bei gleichem Backbone zu deutlicher Qualitätsverschlechterung. Die Unabhängigkeit der GFSQ verändert dagegen den Designspielraum auf der Decoderseite – die bei RVQ üblichen Verzögerungsmuster zwischen Codebooks sind hier nicht nötig, das Sprachmodell kann die 12 Codebooks parallel vorhersagen, wodurch sich die Decodierschritte pro Frame deutlich verringern können; der Preis ist eine Head-Struktur zur gruppenweisen parallelen Vorhersage statt einer autoregressiven Vorhersage pro Codebook. Die CPU-RTF-Werte beeinflussen die Serving-Topologie: Laut Bericht erreicht das Encoding auf einem einzelnen CPU-Thread etwa das 361-Fache der Echtzeit und das Decoding etwa das 87-Fache; wenn diese Größenordnung auf der Zielhardware ungefähr gilt, muss der Codec nicht zwingend die GPU belegen, die GPU bleibt für das Sprachmodell frei, und die Zahl gleichzeitiger Streams richtet sich nach den CPU-Kernen. Diese Zahl stammt jedoch aus FP32 auf einem einzelnen Thread eines M4-Max-Notebooks und ist eine Herstellerangabe; bei Servern-CPUs und gemischten Lasten mit realen Sampleraten muss man selbst nachmessen. Zur Streaming-Latenz: Der Encoder wird als vollständig kausal beschrieben, die Quelle der Kausalität des Decoders wird nicht offengelegt; die Modellkarte bietet zwar einen Block-Decoding-Cache, Blockgröße und Latenz bis zum ersten Ton müssen aber gemessen statt angenommen werden. Auch die Qualitätsabwägungen sind nicht einseitig: Der Bericht nennt ausdrücklich, dass NanoCodec auf 7 der 8 Testsets einen höheren PESQ-Wert (WB) erzielt und bei der Sprecherähnlichkeit auf LibriSpeech mit SECS 0,836 gegenüber 0,785 führt; „am besten“ gilt also nur für bestimmte Metriken, und wenn das Produktziel die Bewahrung der Sprecheridentität ist, kann das Fazit umgekehrt ausfallen. Schließlich bedeutet die Veröffentlichung der Gewichte auf Hugging Face nicht, dass die Lizenz großzügig ist: Laut Bericht ist die Modellseite mit „other“ gekennzeichnet und der Blog verweist auf die LFM-Lizenz; vor kommerzieller Nutzung sind die Bedingungen selbst zu prüfen. LiquidCodec selbst ist ein Codec und kein Dialogmodell; er ändert nichts an der Anbindung von Text- oder Inferenzanfragen, sondern am Token-Vertrag, an den Trainingsartefakten und am Latenzbudget der Sprach-Ein- und -Ausgabe.

Integration und Bewertung

Das Folgende sind Empfehlungen und bedingte Analysen, keine Herstelleraussagen; sie müssen mit eigenen Daten und eigener Hardware geprüft werden. Entscheidung eins: ob bestehende Sprachartefakte migriert werden. Die entsprechende berichtete Änderung ist, dass LFM3-Audio-2B und LFM3-Omni-2B LiquidCodec statt Mimi verwenden. Die zu treffende Wahl: Teams, die bereits Modelle auf Mimi-Token trainiert haben, sollten den Codec-Wechsel als Tokenizer-Migration einplanen (neu tokenisieren und den Sprachmodell-Head anpassen oder neu trainieren), während neue Projekte direkt mit LiquidCodec-Token starten können. Die Prämisse, die diese Wahl ändert, ist, ob bereits trainierte Checkpoints oder gecachte Daten existieren, die an Mimi-Vokabular und Codebook-Layout gebunden sind; ohne wiederverwendbare Token-Artefakte reduziert sich der Aufwand auf die Evaluierung. Messbares Abnahmekriterium: Auf einem festen Holdout-Audioset und mit gleichem Backbone und gleicher Trainingskonfiguration TTS-WER/CER und UTMOSv2 vor und nach der Migration vergleichen und zusätzlich den Codec-Roundtrip mit ViSQOL messen; erst weitergehen, wenn der Rückgang innerhalb der eigenen Release-Schwelle liegt. Entscheidung zwei: ob der Codec auf CPU oder GPU läuft und ob quantisiert wird. Die entsprechende berichtete Änderung sind die Herstellerangaben zur Geschwindigkeit von En- und Decoding auf einem einzelnen CPU-Thread sowie die Q4_0/Q4_K_M/Q8_0-GGUF für llama.cpp mit Decoder-only-QAT (Decoder-Speicherbedarf um das 3,5-Fache reduziert, ViSQOL von 4,319 auf 4,292). Die zu treffende Wahl: den Codec auf CPU-Threads mit quantisiertem Decoder betreiben oder den CUDA-bfloat16-Pfad des Modellkarten-Beispiels beibehalten. Die Prämisse, die diese Wahl ändert, sind die Zahl gleichzeitiger Streams, die Speicherobergrenze des Zielgeräts und die Frage, ob Latenz bis zum ersten Ton oder Rekonstruktionsqualität wichtiger ist; hohe Parallelität und knapper Speicher auf Endgeräten sprechen für Ersteres, höchste Rekonstruktionsqualität und minimale Latenz pro Stream für Letzteres. Messbare Abnahmekriterien: Ende-zu-Ende-Latenz bis zum ersten Block bzw. ersten Ton, Zahl der pro Kern stabil tragfähigen gleichzeitigen Streams, tatsächlicher Speicherbedarf des Decoders nach Quantisierung sowie ViSQOL und Mel-Distanz auf eigenen Audiodaten; überschreitet die Quantisierung die Schwellen, auf eine höhere Präzisionsstufe zurückgehen. Entscheidung drei: welche Metrik die Codec-Auswahl bestimmt. Die entsprechende berichtete Änderung: LiquidCodec ist auf allen 8 Testsets bei ViSQOL und Mel-Distanz am besten und bei TTS-UTMOSv2 am höchsten, liegt aber bei PESQ (WB) mit 7 zu 1 hinter NanoCodec und bei der Sprecherähnlichkeit SECS mit 0,785 gegenüber 0,836 zurück. Die zu treffende Wahl: zuerst festlegen, ob dem Produkt Inhaltserhalt und Verständlichkeit oder die Bewahrung der Sprecheridentität wichtiger ist, danach die Hauptmetrik wählen und bei Bedarf NanoCodec als Vergleichsbasis behalten. Die Prämisse, die diese Wahl ändert, ist, ob das Geschäftsszenario Synchronisation, Klonen oder Sprechertrennung betrifft; reine Transkriptions-Nachverarbeitung ist unempfindlich gegenüber SECS, Produkte mit Stimmcharakter hoch empfindlich. Messbares Abnahmekriterium: auf dem eigenen Sprecherset gleichzeitig SECS, PESQ (WB) und Wortfehlerrate messen und nach unabhängigen Schwellen je Metrik entscheiden, nicht nur nach einem Gesamtwert.

Grenzen und offene Fragen

Alle Geschwindigkeits- und Qualitätszahlen im Bericht stammen aus Liquid AIs eigenen Messungen; die Geschwindigkeit wurde auf einem einzelnen CPU-Thread in FP32 auf einem Apple-M4-Max-Notebook gemessen, und die 8 Testsets hat der Hersteller ausgewählt; unabhängige Reproduktionen durch Dritte fehlen. Die Quelle nennt weder die Bitrate von LiquidCodec noch, ob der Decoder vollständig kausal ist; Bandbreitenplanung und die Untergrenze der Streaming-Decoding-Latenz lassen sich daher nicht aus dem Bericht ableiten, sondern nur messen. Zwischen Tabelle und Benchmark gibt es eine Abweichung: Die Feature-Tabelle listet Mimi mit 8 Codebooks bei 1,1 kbps, während die Benchmark-Fußnote angibt, Mimi sei mit 12 Codebooks gemessen worden; vor tabellenübergreifenden Vergleichen ist die Vergleichbarkeit zu prüfen. Dass die Gewichte auf Hugging Face veröffentlicht wurden, heißt nicht, dass die Lizenz großzügig ist: Die Modellseite ist mit „other“ gekennzeichnet, der Blog verweist auf die LFM-Lizenz, und Herkunft der Trainingsdaten sowie Bedingungen für Weitergabe werden im Bericht nicht ausgeführt; vor kommerzieller Nutzung und Weitergabe ist selbst zu prüfen. LiquidCodec erscheint derzeit nicht im Modellkatalog von KimiSeek; diese Version ist dort nicht gelistet. Die im Bericht genannten Gewichte und zugehörigen Repositories gehören zu Liquid AIs Veröffentlichungskanal auf Hugging Face; die Verfügbarkeit richtet sich nach dem Hersteller, und dieser Text trifft keine Annahme über eine Anbindung auf dieser Seite. Zudem behandelt der Bericht keine speziellen Ergebnisse zur Codec-Roundtrip-Qualität bei chinesischer Sprache oder in chinesischen Szenarien; die 8 Testsets enthalten zwar ein Mandarin-Set, jedoch ohne separate Zahlen, sodass Teams für chinesische Sprachprodukte eigene Nachmessungen durchführen sollten.

In drei Minuten zum ersten Aufruf

Erstelle ein Konto und einen API-Schlüssel. Aufrufe werden von deinem Guthaben abgebucht. 30 % Rabatt auf die erste Aufladung. ¥500 aufladen, ¥350 zahlen, ¥500 Guthaben erhalten. ¥1000 aufladen, ¥850 zahlen, ¥1000 Guthaben erhalten Die Mindestaufladung bleibt ¥10 und eignet sich zum Ausprobieren.

Quellen und redaktioneller Prozess

Liquid AI 发布 LiquidCodec:7400 万参数的流式音频编解码器

KI unterstützte die Analyse und Übersetzung der genannten Quellen, gefolgt von automatischen Qualitätsprüfungen. Empfehlungen sind keine Testergebnisse. Verfügbarkeit und Preise stehen im aktuellen Katalog.