← すべてのニュース

Liquid AI が LiquidCodec を公開:74M パラメータのストリーミング音声コーデック、単一 CPU スレッドで約 361 倍のリアルタイム符号化

Liquid AI が約 7400 万パラメータのストリーミング音声コーデック LiquidCodec を公開し、重みは Hugging Face で公開された。LFM3-Audio-2B と LFM3-Omni-2B の Mimi を置き換えるもの。ベンダー自身の報告では、単一 CPU スレッドでの符号化は約 361 倍のリアルタイム、8 つのテストセットで最高の ViSQOL と最小の mel 距離を達成したという。

公開 更新

主な変更

MarkTechPost の 2026 年 11 月 12 日の報道によると、Liquid AI は約 7400 万パラメータ(モデルカードでは 73.6M と表記)のストリーミング音声コーデック LiquidCodec を公開し、重みは Hugging Face で公開された。これは LFM3-Audio-2B と LFM3-Omni-2B に使われ、9620 万パラメータで LFM2-Audio-1.5B に使われていた Kyutai の Mimi を置き換える。報道によれば、このコーデックは 24 kHz の音声を 12 本のトークンストリームに圧縮し、12.5 Hz のフレームレートでは 80 ミリ秒の各フレームが 12 個の離散トークンに対応する。処理は符号化、量子化、復号の順で、符号化器は完全に因果的でストリーミングに適する。量子化には残余ベクトル量子化(RVQ)ではなくグループ化有限スカラー量子化(GFSQ)を採用するため、12 個のコードブックは互いに独立し、MaskGIT 方式のトランスフォーマーで並列に予測できる。復号器は学習型の転置畳み込みによるアップサンプリングを省き、スペクトル係数を直接予測する。学習は 2 段階で、第 1 段階では 107 言語、264,000 時間の音声を使い、波形損失とスペクトル損失のみを加える。第 2 段階では 55,000 時間の全帯域音声で敵対的判別器を用いて微調整し、Liquid AI はこれにより第 1 段階の金属的なアーティファクトが解消されたとしている。最後にエッジ推論向けとして復号器のみを対象に量子化認識学習(QAT)を行う。速度面では、Liquid AI の自己報告によれば、Apple M4 Max ノート PC の 1 つの CPU スレッドで FP32 により符号化が約 361 倍のリアルタイム(符号化 RTF 0.0028、Mimi は 0.0361)、復号が約 87 倍のリアルタイム(復号 RTF 0.0115、Mimi は 0.0329)だった。品質面では、報道によれば LiquidCodec は 8 つのテストセットで最高の ViSQOL と最小の mel 距離を達成し、LibriSpeech の ViSQOL は 4.319 で、NanoCodec の 4.219、X-Codec 2 の 4.119、Mimi の 4.031 と比較される。データ、アーキテクチャ、計算量を固定した TTS 比較では、8 つのセットで UTMOSv2 が最も高く、LibriSpeech の WER は 3.15%、Mimi は 6.27% だった。デプロイ面では、モデルは Hugging Face Transformers から trust_remote_code=True で読み込め、encode() と decode() を呼び出して音声符号と波形を取得でき、ネイティブの LiquidCodecStreamingCache がチャンク単位の復号をサポートする。モデルカードの例では CUDA と bfloat16 を使用する。エッジ向けには llama.cpp 用の Q4_0、Q4_K_M、Q8_0 の GGUF 版もあり、LFM3-Audio-2B と LFM3-Omni-2B の GGUF リポジトリとともに公開されている。報道によれば、Q4_0 と復号器のみの QAT を組み合わせると復号器のメモリ使用量を 3.5 分の 1 に縮小でき、LibriSpeech の ViSQOL は 4.319 から 4.292 へ下がるのみだという。

開発者への影響

最も直接的な影響はトークンの配置が変わったことだ。報道された 12.5 Hz のフレームレートと 12 個のコードブックから推計すると、1 秒の音声は約 150 個の離散トークンに対応する(これは報道データからの推計であり、ベンダーの発言ではない)。つまり Mimi のトークンで学習した TTS や音声言語モデルは、コーデックをホットスワップ可能な部品として扱えない。語彙サイズ、コードブック数、フレームごとのトークン列が異なるため、Mimi トークンで微調整済みのチェックポイントはコーパスの再トークン化と出力ヘッドの再学習が必要であり、そうしなければ同じバックボーンでも明確な品質低下が生じる。GFSQ の独立性は復号側の設計余地を変える。RVQ で一般的なコードブック間の遅延パターンはここでは必須ではなく、音声言語モデルは 12 個のコードブックを並列に予測でき、フレームあたりの復号ステップ数は大幅に減らせる可能性がある。ただしその代わり、モデル側にはコードブックごとの自己回帰ではなく、グループ単位で並列予測するヘッド構造が必要になる。CPU 側の RTF データはサービストポロジーに影響する。報道では単一 CPU スレッドで符号化が約 361 倍、復号が約 87 倍のリアルタイムであり、この水準が対象ハードウェアで概ね成り立つなら、コーデックは必ずしも GPU を占有せず、GPU を言語モデルに回し、同時ストリーム数を CPU コア数で決められる。ただしこの数値は M4 Max ノート PC の FP32 単一スレッドによるベンダー自己報告であり、サーバー CPU や実際のサンプリングレートが混在する負荷に移す際は自ら再測定する必要がある。ストリーミング遅延については、符号化器は完全に因果的とされるが、復号器の因果性の根拠は開示されておらず、モデルカードがチャンク単位の復号キャッシュを提供していても、チャンクサイズと初回音声の遅延は実測が必要で、前提にしてはならない。品質のトレードオフも一方的ではない。報道は NanoCodec が 8 つのテストセットのうち 7 つで PESQ (WB) が高く、LibriSpeech の話者類似度でも SECS 0.836 対 0.785 で上回ると明記しており、「最良」は特定の指標でのみ成り立つ。話者アイデンティティの保持を重視する製品では結論が逆になり得る。最後に、重みが Hugging Face で公開されたことはライセンスが寛容であることを意味しない。報道によればモデルページは other と表記され、ブログは LFM ライセンスを指しているため、商用利用前に条項を自ら確認する必要がある。LiquidCodec 自体はコーデックであり対話モデルではない。テキストや推論リクエストの接続方法は変えず、変わるのは音声入出力の部分のトークン契約、学習資産、遅延予算である。

導入と評価の提案

以下はすべて提案と条件付きの分析であり、ベンダーの声明ではない。独自のデータとハードウェアで検証する必要がある。判断一:既存の音声資産を移行するか。対応する報道の変化は、LFM3-Audio-2B と LFM3-Omni-2B が Mimi を LiquidCodec に置き換えたことだ。すべき選択は、Mimi トークンでモデルを学習済みのチームはコーデックの置き換えを 1 回のトークナイザ移行として計画し(再トークン化と、言語モデルヘッドの適応または再学習)、新規プロジェクトは LiquidCodec のトークンから始められることだ。この選択を変える前提となるのは、Mimi の語彙とコードブック配置に縛られた学習済みチェックポイントやキャッシュデータが手元にあるかどうかである。再利用可能なトークンレベルの資産がなければ、コストは評価レベルまで下がる。測定可能な受け入れ基準は、固定したホールドアウト音声セットと同一バックボーン、同一学習設定で移行前後の TTS の WER/CER と UTMOSv2 を比較し、さらにコーデック往復の ViSQOL を 1 回測り、低下幅が自社のリリース閾値内に収まることを確認してから進めることだ。判断二:コーデックを CPU に置くか GPU に置くか、また量子化するか。対応する報道の変化は、単一 CPU スレッドでの符号化速度の自己報告、および llama.cpp 向けの Q4_0/Q4_K_M/Q8_0 GGUF と復号器のみの QAT(復号器のメモリ使用量が 3.5 分の 1、ViSQOL は 4.319 から 4.292)である。すべき選択は、コーデックを CPU スレッドに置いて量子化復号器を組み合わせるか、モデルカードの例に沿って CUDA bfloat16 の経路を取るかだ。この選択を変える前提となるのは、同時ストリーム数、対象デバイスのメモリ上限、そして初回音声の遅延と再構成品質のどちらを重視するかである。高同時接続でメモリ制約のあるエッジ側は前者に、最高の再構成品質と最小の単一ストリーム遅延を求めるなら後者に向く。測定可能な受け入れ基準は、エンドツーエンドの初回ブロック/初回音声の遅延、コアあたりで安定して担える同時ストリーム数、量子化後の復号器の実際のメモリ使用量、そして自社音声での ViSQOL と mel 距離であり、量子化後の指標が閾値を超えたらより高精度の段階に戻すことだ。判断三:どの指標でコーデックの選定を決めるか。対応する報道の変化は、LiquidCodec が 8 つのテストセットすべてで ViSQOL と mel 距離が最良、TTS の UTMOSv2 が最高である一方、PESQ (WB) では NanoCodec に 7 対 1 で劣り、話者類似度の SECS も 0.785 対 0.836 で劣ることだ。すべき選択は、まず製品が内容の忠実さと了解度を重視するのか、話者アイデンティティの保持を重視するのかを決めて主指標を選び、必要なら NanoCodec を対照ベースラインとして残すことだ。この選択を変える前提となるのは、業務シーンが吹き替え、クローン、話者の区別に関わるかどうかである。純粋な書き起こしの後処理は SECS に敏感でなく、人物の声質を扱う製品は非常に敏感である。測定可能な受け入れ基準は、自社の話者セットで SECS、PESQ (WB)、単語誤り率を同時に測り、1 つの総合点ではなく各指標の独立した閾値で判定することだ。

制限と未確認事項

報道中のすべての速度と品質の数値は Liquid AI の自社測定によるもので、速度は Apple M4 Max ノート PC の単一 CPU スレッド FP32 で測定され、8 つのテストセットもベンダーが選定したもので、いずれも第三者による独立再現はない。情報源は LiquidCodec のビットレートを開示しておらず、復号器が完全に因果的かどうかも開示していないため、帯域幅の計画とストリーミング復号の遅延下限は報道から導けず、実測するしかない。表とベンチマークの間には基準の違いが 1 点ある。特徴表は Mimi を 1.1 kbps で 8 個のコードブックとし、ベンチマークの脚注は Mimi を 12 個のコードブックで測定したとするため、表をまたぐ比較ではまず比較可能性を確認する必要がある。重みが Hugging Face で公開されたことはライセンスが寛容であることを意味しない。モデルページは other と表記され、ブログは LFM ライセンスを指しており、学習データの出所と再配布条項も報道では詳述されていないため、商用利用と二次配布の前に自ら確認する必要がある。LiquidCodec は現在 KimiSeek のモデルカタログに現れておらず、このバージョンは KimiSeek には掲載されていない。報道が扱う重みと関連リポジトリは Liquid AI の Hugging Face での公開チャネルに属し、可用性はベンダーに従う。本稿は当サイトでの接続状況について何ら推論しない。さらに、報道は中国語音声や中国語シーンでのコーデック往復品質に関する個別の結果を扱っておらず、8 つのテストセットには普通話のセットが含まれるが、個別の数値は示されていない。中国語音声製品を手がけるチームは自ら追加測定すべきである。

3分で最初の呼び出しまで

登録後に API キーを作成してください。利用料金はアカウント残高から引き落とされます。初回チャージ30%オフ。¥500チャージ、お支払い ¥350、入金額 ¥500。¥1000チャージ、お支払い ¥850、入金額 ¥1000 最低チャージはこれまでどおり ¥10 で、試用にも使えます。

出典と編集方針

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

引用元を基にAIが分析と翻訳を補助し、自動品質チェックを行っています。提案は実測結果ではありません。提供状況と料金は最新カタログをご確認ください。