← Todas as notícias

Liquid AI lança LiquidCodec: codec de voz em streaming de 74M, codificação ~361x tempo real em uma única thread de CPU

A Liquid AI lançou o LiquidCodec, um codec de voz em streaming com cerca de 74 milhões de parâmetros, cujos pesos já estão disponíveis no Hugging Face, para substituir o Mimi no LFM3-Audio-2B e no LFM3-Omni-2B. Segundo a fabricante, a codificação chega a cerca de 361x o tempo real em uma única thread de CPU, e o modelo obtém o melhor ViSQOL e a menor distância mel em 8 conjuntos de teste.

Publicado Atualizado

O que mudou

Segundo uma reportagem do MarkTechPost de 12 de novembro de 2026, a Liquid AI lançou o LiquidCodec, um codec de voz em streaming com cerca de 74 milhões de parâmetros (73,6M segundo o model card), com pesos publicados no Hugging Face. Ele atende o LFM3-Audio-2B e o LFM3-Omni-2B e substitui o Mimi, da Kyutai — com 96,2 milhões de parâmetros, usado no LFM2-Audio-1.5B. A reportagem afirma que o codec comprime áudio de 24 kHz em 12 fluxos de tokens, de modo que cada quadro de 80 ms corresponde a 12 tokens discretos a uma taxa de quadros de 12,5 Hz. O fluxo é codificar, quantizar e decodificar: o codificador é totalmente causal, adequado ao streaming; a quantização usa quantização escalar finita agrupada (GFSQ), e não quantização vetorial residual (RVQ), de modo que os 12 codebooks são independentes e podem ser previstos em paralelo por um transformer no estilo MaskGIT; o decodificador prevê diretamente coeficientes espectrais, dispensando o upsampling por convolução transposta aprendida. O treinamento tem duas fases: a primeira usa 107 idiomas e 264.000 horas de fala, com apenas perdas de forma de onda e espectrais; a segunda faz fine-tuning com um discriminador adversarial sobre 55.000 horas de fala de banda completa, o que, segundo a Liquid AI, elimina o artefato metálico da primeira fase; por fim, há treinamento ciente de quantização (QAT) apenas do decodificador, voltado à inferência em borda. Quanto à velocidade, a Liquid AI relata que, em uma única thread de CPU de um notebook Apple M4 Max e em FP32, a codificação atinge cerca de 361x o tempo real (RTF de codificação de 0,0028, contra 0,0361 do Mimi) e a decodificação cerca de 87x o tempo real (RTF de decodificação de 0,0115, contra 0,0329 do Mimi). Quanto à qualidade, a reportagem afirma que o LiquidCodec obtém o melhor ViSQOL e a menor distância mel nos 8 conjuntos de teste, com ViSQOL de 4,319 no LibriSpeech, contra 4,219 do NanoCodec, 4,119 do X-Codec 2 e 4,031 do Mimi; em uma comparação de TTS com dados, arquitetura e poder de computação fixos, tem o UTMOSv2 mais alto nos 8 conjuntos, com WER de 3,15% no LibriSpeech, contra 6,27% do Mimi. Para implantação, o modelo pode ser carregado pelo Hugging Face Transformers com trust_remote_code=True, chamando encode() e decode() para obter a codificação de áudio e a forma de onda, e o LiquidCodecStreamingCache nativo permite decodificação por blocos; os exemplos do model card usam CUDA e bfloat16; para borda há versões GGUF Q4_0, Q4_K_M e Q8_0 voltadas ao llama.cpp, publicadas nos repositórios GGUF do LFM3-Audio-2B e do LFM3-Omni-2B, e a reportagem afirma que o Q4_0 com QAT apenas do decodificador reduz o uso do decodificador em 3,5 vezes, com ViSQOL no LibriSpeech caindo apenas de 4,319 para 4,292.

Impacto para desenvolvedores

O impacto mais direto é a mudança no layout de tokens. Calculando a partir da taxa de quadros de 12,5 Hz e dos 12 codebooks relatados, cada segundo de áudio corresponde a cerca de 150 tokens discretos (cálculo baseado nos dados reportados, não em declaração da fabricante). Isso significa que qualquer TTS ou modelo de linguagem de fala treinado sobre tokens do Mimi não pode tratar o codec como componente hot-swappable: o tamanho do vocabulário, o número de codebooks e a sequência de tokens por quadro são diferentes, e checkpoints já ajustados sobre tokens do Mimi precisam retokenizar o corpus e retreinar a cabeça de saída, sob pena de degradação perceptível de qualidade sob o mesmo backbone. A independência do GFSQ, por sua vez, muda o espaço de projeto do lado do decodificador — o padrão de atraso entre codebooks comum no RVQ não é necessário aqui, e o modelo de linguagem de fala pode prever os 12 codebooks em paralelo, possivelmente reduzindo bastante os passos de decodificação por quadro, ao custo de exigir no modelo uma estrutura de cabeça que preveja em paralelo por grupo, em vez de autoregressão por codebook. Os dados de RTF no lado da CPU afetam a topologia de serviço: a reportagem afirma codificação de cerca de 361x o tempo real e decodificação de cerca de 87x o tempo real em uma única thread de CPU; se essa ordem de grandeza se confirmar aproximadamente no hardware alvo, o codec deixa de exigir GPU necessariamente, liberando a GPU para o modelo de linguagem e fazendo com que o número de fluxos concorrentes passe a depender do número de núcleos de CPU; mas o número vem de uma única thread em FP32 em um notebook M4 Max, é autorrelatado pela fabricante e precisa ser remedido ao migrar para CPUs de servidor e cargas com taxas de amostragem reais mistas. Na latência de streaming, o codificador é descrito como totalmente causal, mas a origem da causalidade do decodificador não é divulgada, e, embora o model card ofereça cache de decodificação por blocos, o tamanho do bloco e a latência do primeiro áudio ainda precisam ser medidos, não presumidos. O trade-off de qualidade também não é unilateral: a reportagem lista explicitamente que o NanoCodec tem PESQ (WB) mais alto em 7 dos 8 conjuntos de teste e lidera em similaridade de locutor no LibriSpeech, com SECS de 0,836 contra 0,785; portanto, o "melhor" só vale para métricas específicas, e, se o objetivo do produto prioriza a preservação da identidade do locutor, a conclusão pode se inverter. Por fim, pesos publicados no Hugging Face não significam licença permissiva: a reportagem diz que a página do modelo indica other e o blog aponta para a licença LFM, sendo necessário verificar os termos antes do uso comercial. O LiquidCodec em si é um codec, não um modelo de diálogo; ele não muda a forma de acessar requisições de texto ou inferência, mas sim o contrato de tokens, os ativos de treinamento e o orçamento de latência do trecho de entrada e saída de voz.

Integração e avaliação

O que segue são recomendações e análises condicionais, não declarações da fabricante, e precisam ser verificadas nos seus próprios dados e hardware. Decisão um: migrar ou não ativos de voz existentes. A mudança reportada correspondente é que o LFM3-Audio-2B e o LFM3-Omni-2B passam a usar o LiquidCodec no lugar do Mimi. A escolha é que equipes que já treinaram modelos sobre tokens do Mimi devem programar a troca do codec como uma migração de tokenizer (retokenizar e adaptar ou retreinar a cabeça do modelo de linguagem), enquanto projetos novos podem começar direto com tokens do LiquidCodec. A premissa que muda essa escolha é a existência ou não de checkpoints treinados ou dados em cache vinculados ao vocabulário e ao layout de codebooks do Mimi; sem ativos reutilizáveis no nível de token, o custo cai ao nível de avaliação. O critério de aceitação mensurável é: em um conjunto fixo de áudio reservado, com o mesmo backbone e a mesma configuração de treinamento, comparar WER/CER e UTMOSv2 de TTS antes e depois da migração, medindo também uma vez o ViSQOL da ida e volta pelo codec, e só avançar se a queda ficar dentro do seu limite de lançamento. Decisão dois: colocar o codec na CPU ou na GPU, e quantizar ou não. A mudança reportada correspondente é a velocidade autorrelatada de codificação e decodificação em uma única thread de CPU, além dos GGUF Q4_0/Q4_K_M/Q8_0 para llama.cpp e do QAT apenas do decodificador (uso do decodificador 3,5 vezes menor, ViSQOL de 4,319 para 4,292). A escolha é entre colocar o codec em threads de CPU com decodificador quantizado ou seguir o caminho CUDA bfloat16 dos exemplos do model card. A premissa que muda essa escolha é o número de fluxos concorrentes, o limite de memória do dispositivo alvo e a sensibilidade maior à latência do primeiro áudio ou à qualidade de reconstrução; borda com alta concorrência e memória restrita tende à primeira opção, e a busca pela maior qualidade de reconstrução e menor latência de fluxo único, à segunda. Os critérios de aceitação mensuráveis são: latência ponta a ponta do primeiro bloco/primeiro áudio, número de fluxos concorrentes que cada núcleo sustenta de forma estável, uso real de memória do decodificador após quantização e ViSQOL e distância mel no seu próprio áudio; se as métricas após quantização ultrapassarem o limite, volte a uma faixa de maior precisão. Decisão três: qual métrica decide a escolha do codec. A mudança reportada correspondente é que o LiquidCodec tem o melhor ViSQOL e a menor distância mel nos 8 conjuntos de teste e o maior UTMOSv2 em TTS, mas perde para o NanoCodec em PESQ (WB) por 7 a 1 e também em similaridade de locutor, com SECS de 0,785 contra 0,836. A escolha é definir primeiro se o produto prioriza fidelidade de conteúdo e inteligibilidade ou preservação da identidade do locutor, escolher a métrica principal com base nisso e, se necessário, manter o NanoCodec como linha de base de comparação. A premissa que muda essa escolha é se o cenário envolve dublagem, clonagem ou distinção de locutores; pós-processamento de transcrição pura não é sensível a SECS, enquanto produtos de timbre de personagem são altamente sensíveis. O critério de aceitação mensurável é medir simultaneamente SECS, PESQ (WB) e taxa de erro de palavra no seu próprio conjunto de locutores, julgando por limites independentes de cada métrica, e não por uma única pontuação total.

Limites e pontos a confirmar

Todos os números de velocidade e qualidade da reportagem vêm de testes da própria Liquid AI; a velocidade foi medida em uma única thread de CPU em FP32 em um notebook Apple M4 Max, e os 8 conjuntos de teste também foram escolhidos pela fabricante, sem reprodução independente por terceiros. A fonte não divulga a taxa de bits do LiquidCodec nem se o decodificador é totalmente causal, portanto o planejamento de banda e o limite inferior de latência da decodificação em streaming não podem ser deduzidos da reportagem, apenas medidos. Há uma divergência de critério entre a tabela e o benchmark: a tabela de características marca o Mimi como 8 codebooks a 1,1 kbps, enquanto a nota de rodapé do benchmark diz que o Mimi foi medido com 12 codebooks, sendo necessário confirmar a comparabilidade antes de comparar entre tabelas. Pesos publicados no Hugging Face não equivalem a licença permissiva: a página do modelo indica other, o blog aponta para a licença LFM, e a origem dos dados de treinamento e os termos de redistribuição não são detalhados na reportagem, sendo necessário verificá-los antes de uso comercial e redistribuição. O LiquidCodec não aparece atualmente no catálogo de modelos do KimiSeek, e esta versão não está listada no KimiSeek; os pesos e repositórios relacionados na reportagem pertencem ao canal de publicação da Liquid AI no Hugging Face, a disponibilidade é de responsabilidade da fabricante, e este texto não faz qualquer inferência sobre a situação de acesso no site. Além disso, a reportagem não traz resultados específicos de qualidade de ida e volta pelo codec para voz em chinês ou cenários em chinês; embora os 8 conjuntos incluam um conjunto em mandarim, não há números separados, e equipes voltadas a produtos de voz em chinês devem fazer suas próprias medições complementares.

Três minutos até a primeira chamada

Crie uma conta e uma chave de API. O custo das chamadas é descontado do seu saldo. 30% de desconto na primeira recarga. Recarregue ¥500, pague ¥350, receba ¥500 de saldo. Recarregue ¥1000, pague ¥850, receba ¥1000 de saldo A recarga mínima continua sendo ¥10, adequada para testes.

Fontes e processo editorial

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

A IA auxiliou a análise e a tradução das fontes citadas, seguidas de verificações automáticas. Recomendações não são resultados de testes. Consulte o catálogo atual para preços e disponibilidade.