Liquid AI lanza LiquidCodec: un códec de voz en streaming de 74M que codifica unas 361 veces en tiempo real por hilo de CPU
Liquid AI ha publicado LiquidCodec, un códec de voz en streaming de unos 74 millones de parámetros cuyos pesos ya están disponibles en Hugging Face, destinado a sustituir a Mimi en LFM3-Audio-2B y LFM3-Omni-2B. El fabricante reporta una codificación de aproximadamente 361 veces en tiempo real en un solo hilo de CPU, y los mejores resultados de ViSQOL y la menor distancia mel en 8 conjuntos de prueba.
Qué ha cambiado
Según una nota de MarkTechPost del 12 de noviembre de 2026, Liquid AI lanzó LiquidCodec, un códec de voz en streaming de unos 74 millones de parámetros (la model card indica 73,6M) cuyos pesos se publicaron en Hugging Face. Está pensado para LFM3-Audio-2B y LFM3-Omni-2B, y sustituye a Mimi de Kyutai, de 96,2 millones de parámetros, que se usaba en LFM2-Audio-1.5B. La nota señala que el códec comprime audio de 24 kHz en 12 flujos de tokens, de modo que a una tasa de 12,5 Hz cada trama de 80 ms corresponde a 12 tokens discretos. El proceso es codificación, cuantización y decodificación: el codificador es totalmente causal y apto para streaming; la cuantización usa cuantización escalar finita agrupada (GFSQ) en lugar de cuantización vectorial residual (RVQ), por lo que los 12 codebooks son independientes entre sí y pueden predecirse en paralelo con un transformer estilo MaskGIT; el decodificador predice directamente coeficientes espectrales y se salta el sobremuestreo con convoluciones transpuestas aprendidas. El entrenamiento tiene dos fases: la primera usa 264.000 horas de voz en 107 idiomas con solo pérdidas de forma de onda y espectrales; la segunda hace fine-tuning con discriminadores adversarios sobre 55.000 horas de voz de banda completa, lo que según Liquid AI elimina los artefactos metálicos de la primera fase; por último hay un entrenamiento con conciencia de cuantización (QAT) solo del decodificador, orientado a inferencia en el borde. En velocidad, Liquid AI reporta que en un solo hilo de CPU de un portátil Apple M4 Max, con FP32, la codificación alcanza unas 361 veces en tiempo real (RTF de codificación 0,0028, frente a 0,0361 de Mimi) y la decodificación unas 87 veces (RTF de decodificación 0,0115, frente a 0,0329 de Mimi). En calidad, la nota afirma que LiquidCodec logra el mejor ViSQOL y la menor distancia mel en 8 conjuntos de prueba, con un ViSQOL de 4,319 en LibriSpeech frente a 4,219 de NanoCodec, 4,119 de X-Codec 2 y 4,031 de Mimi; en una comparación de TTS con datos, arquitectura y cómputo fijos, obtiene el UTMOSv2 más alto en los 8 conjuntos, con un WER de 3,15% en LibriSpeech frente a 6,27% de Mimi. Para el despliegue, el modelo se puede cargar con Hugging Face Transformers usando trust_remote_code=True, llamar a encode() y decode() para obtener la codificación de audio y la forma de onda, y la caché nativa LiquidCodecStreamingCache permite decodificar por bloques; el ejemplo de la model card usa CUDA y bfloat16. Para el borde hay además versiones GGUF Q4_0, Q4_K_M y Q8_0 para llama.cpp, publicadas con los repositorios GGUF de LFM3-Audio-2B y LFM3-Omni-2B; según la nota, Q4_0 junto con el QAT solo del decodificador reduce la huella del decodificador 3,5 veces y el ViSQOL en LibriSpeech solo baja de 4,319 a 4,292.
Impacto para desarrolladores
El efecto más directo es que cambia la disposición de los tokens. Con la tasa de 12,5 Hz y los 12 codebooks que reporta la fuente, cada segundo de audio correspondería a unos 150 tokens discretos (cálculo a partir de los datos reportados, no palabras del fabricante). Esto implica que cualquier TTS o modelo de lenguaje de voz entrenado con tokens de Mimi no puede tratar el códec como un componente intercambiable en caliente: el tamaño del vocabulario, el número de codebooks y la secuencia de tokens por trama son distintos, y los checkpoints ya ajustados sobre tokens de Mimi necesitan volver a tokenizar el corpus y reentrenar la cabeza de salida, o de lo contrario aparecerá una degradación clara de calidad con el mismo backbone. La independencia de GFSQ, en cambio, cambia el espacio de diseño del lado del decodificador: los patrones de retardo entre codebooks habituales en RVQ aquí no son necesarios, y un modelo de lenguaje de voz puede predecir los 12 codebooks en paralelo, por lo que el número de pasos de decodificación por trama podría reducirse de forma notable, a costa de que el modelo necesite una estructura de cabeza que prediga por grupos en paralelo en lugar de autorregresivamente codebook por codebook. Los datos de RTF en CPU influyen en la topología del servicio: la nota reporta unas 361 veces en tiempo real de codificación y unas 87 de decodificación en un solo hilo de CPU; si ese orden de magnitud se cumple en el hardware objetivo, el códec dejaría de ocupar necesariamente la GPU, que podría reservarse al modelo de lenguaje, y el número de flujos concurrentes vendría determinado por los núcleos de CPU; pero la cifra procede de un portátil M4 Max con FP32 y un solo hilo, es autodeclarada por el fabricante, y hay que volver a medirla al pasar a CPU de servidor y a cargas con tasas de muestreo mixtas. En latencia de streaming, el codificador se describe como totalmente causal; no se revela el origen de la causalidad del decodificador, y aunque la model card ofrece caché de decodificación por bloques, el tamaño de bloque y la latencia del primer audio deben medirse, no suponerse. El compromiso de calidad tampoco es unilateral: la nota indica explícitamente que NanoCodec obtiene un PESQ (WB) más alto en 7 de los 8 conjuntos de prueba y lidera en similitud de hablante en LibriSpeech con SECS 0,836 frente a 0,785, así que lo de «mejor» solo se sostiene en métricas concretas; si el objetivo del producto es preservar la identidad del hablante, la conclusión podría invertirse. Por último, que los pesos estén en Hugging Face no equivale a una licencia permisiva: la nota indica que la página del modelo está marcada como other y el blog remite a la licencia LFM, así que hay que revisar los términos antes de un uso comercial. LiquidCodec es un códec, no un modelo conversacional; no cambia la forma de acceder a solicitudes de texto o de razonamiento, sino el contrato de tokens, los activos de entrenamiento y el presupuesto de latencia del tramo de entrada y salida de voz.
Integración y evaluación
Lo siguiente son recomendaciones y análisis condicionales, no declaraciones del fabricante, y deben verificarse con los propios datos y hardware. Decisión uno: si migrar los activos de voz existentes. El cambio reportado es que LFM3-Audio-2B y LFM3-Omni-2B usan LiquidCodec en lugar de Mimi. La elección es que los equipos que ya entrenaron modelos con tokens de Mimi deberían planificar el cambio de códec como una migración de tokenizer (volver a tokenizar y adaptar o reentrenar la cabeza del modelo de lenguaje), mientras que los proyectos nuevos pueden partir directamente de tokens de LiquidCodec. La premisa que cambiaría esta elección es si se tienen checkpoints entrenados o datos en caché ligados al vocabulario y la disposición de codebooks de Mimi; si no hay activos reutilizables a nivel de token, el coste se reduce a la fase de evaluación. El criterio de aceptación medible es: sobre un conjunto fijo de audio reservado, con el mismo backbone y la misma configuración de entrenamiento, comparar el WER/CER de TTS y el UTMOSv2 antes y después de la migración, y medir además una vez el ViSQOL de ida y vuelta del códec, para avanzar solo si la caída queda dentro del umbral de tu publicación. Decisión dos: si el códec va en CPU o en GPU, y si se cuantiza. El cambio reportado es la velocidad autodeclarada de codificación y decodificación en un solo hilo de CPU, y las versiones GGUF Q4_0/Q4_K_M/Q8_0 para llama.cpp con QAT solo del decodificador (huella del decodificador 3,5 veces menor, ViSQOL de 4,319 a 4,292). La elección es poner el códec en hilos de CPU con decodificador cuantizado o seguir la ruta CUDA bfloat16 del ejemplo de la model card. La premisa que cambiaría esta elección es el número de flujos concurrentes, el límite de memoria del dispositivo objetivo y la sensibilidad a la latencia del primer audio frente a la calidad de reconstrucción; alta concurrencia y memoria limitada en el borde favorecen lo primero, y la máxima calidad de reconstrucción con la menor latencia por flujo favorece lo segundo. El criterio de aceptación medible es: latencia de extremo a extremo hasta el primer bloque o primer audio, número de flujos concurrentes que cada núcleo puede sostener de forma estable, memoria real del decodificador tras la cuantización, y ViSQOL y distancia mel sobre audio propio, con reversión a mayor precisión si las métricas tras cuantizar superan el umbral. Decisión tres: qué métrica decide la elección de códec. El cambio reportado es que LiquidCodec logra el mejor ViSQOL y distancia mel en los 8 conjuntos de prueba y el UTMOSv2 más alto en TTS, pero pierde frente a NanoCodec en PESQ (WB) por 7 a 1 y también en similitud de hablante con SECS 0,785 frente a 0,836. La elección es determinar primero si al producto le importa más la fidelidad del contenido y la inteligibilidad o la preservación de la identidad del hablante, y fijar la métrica principal en consecuencia, manteniendo NanoCodec como línea base de comparación si hace falta. La premisa que cambiaría esta elección es si el escenario implica doblaje, clonación o distinción de hablantes; el posprocesamiento de transcripción pura no es sensible al SECS, mientras que los productos de timbre de personajes lo son mucho. El criterio de aceptación medible es medir a la vez SECS, PESQ (WB) y tasa de error de palabras en un conjunto propio de hablantes, y decidir con umbrales independientes por métrica en lugar de una sola puntuación global.
Límites y cuestiones pendientes
Todas las cifras de velocidad y calidad de la nota proceden de mediciones propias de Liquid AI, la velocidad se midió en un portátil Apple M4 Max con un solo hilo de CPU y FP32, y los 8 conjuntos de prueba los eligió el fabricante; nada ha sido reproducido de forma independiente por terceros. La fuente no revela la tasa de bits de LiquidCodec ni si el decodificador es totalmente causal, por lo que ni la planificación de ancho de banda ni la cota inferior de latencia de decodificación en streaming pueden deducirse de la nota y solo pueden medirse. Hay una discrepancia de criterio entre la tabla y los benchmarks: la tabla de características marca a Mimi con 8 codebooks a 1,1 kbps, mientras que una nota al pie de los benchmarks indica que Mimi se midió con 12 codebooks, así que antes de comparar entre tablas hay que confirmar que sean comparables. Que los pesos estén en Hugging Face no equivale a una licencia permisiva: la página del modelo está marcada como other y el blog remite a la licencia LFM, y la fuente tampoco detalla el origen de los datos de entrenamiento ni los términos de redistribución, así que hay que verificarlos antes de un uso comercial o de redistribuir. LiquidCodec no aparece por ahora en el catálogo de modelos de KimiSeek, y esta versión no está listada en KimiSeek; los pesos y repositorios relacionados pertenecen al canal de publicación de Liquid AI en Hugging Face, la disponibilidad depende del fabricante y este artículo no hace ninguna inferencia sobre su integración en este sitio. Además, la nota no incluye resultados específicos sobre la calidad de ida y vuelta del códec en voz china o en escenarios en chino; los 8 conjuntos de prueba incluyen uno de mandarín, pero no se dan cifras separadas, por lo que los equipos orientados a productos de voz en chino deberían hacer sus propias pruebas adicionales.