Компания Liquid AI открыла доступ к LiquidCodec — собственному потоковому аудиокодеку на 74 млн параметров, на котором строятся её аудиомодели LFM3. Кодек переводит речь в дискретные токены и обратно быстрее реального времени прямо на процессоре обычного ноутбука, без GPU и облака. Веса кодека и квантованные декодеры уже выложены на Hugging Face под лицензией LFM Open v1.0.



Что произошло
12 ноября 2026 года Liquid AI опубликовала репозиторий LiquidAI/Liquid-Codec на Hugging Face: кодек распространяется под лицензией LFM Open v1.0, веса выложены в формате BF16. LiquidCodec работает на частоте 24 кГц и выдаёт 12,5 кадра в секунду по 12 дискретных токенов, что даёт битрейт около 1,65 кбит/с. Вместо остаточно-векторного квантования RVQ, применявшегося в кодеке Mimi, здесь используется групповое конечное скалярное квантование GFSQ, позволяющее языковой модели предсказывать все 12 кодовых книг кадра параллельно. На одном CPU-потоке Apple M4 Max кодирование идёт в 361 раз быстрее реального времени (RTF 0,0028), а декодирование — в 87 раз (RTF 0,0115) против 0,0329 у Mimi, 0,0379 у X-Codec 2 и 0,2543 у NanoCodec. По качеству восстановления кодек достиг ViSQOL 4,319 на LibriSpeech и лидировал по ViSQOL и расстоянию мел-спектрограмм на всех восьми тестовых наборах, снятых на английском, китайском, немецком, французском, японском и корейском языках. Четырёхбитный Q4_0-декодер весит в 3,5 раза меньше полного, теряя около 0,6% качества: ViSQOL снижается с 4,319 до 4,292.
Контекст
Аудиокодек в современных аудио-LLM — это мост между непрерывным звуком и языковой моделью: он сжимает речь в дискретные токены, которыми модель оперирует как словами, и разворачивает сгенерированные токены обратно в звук. Классическая схема остаточно-векторного квантования, на которой работала прошлая аудиомодель LFM2-Audio поверх кодека Mimi, порождает последовательные зависимости: кодовые книги одного кадра предсказываются друг за другом, и каждый дополнительный шаг авторегрессии замедляет генерацию речи. Отказ от последовательного предсказания сокращает число шагов при обучении и инференсе, то есть влияет на всю архитектуру речевых моделей, а не только на скорость кодека. Архитектура LiquidCodec изначально рассчитана на потоковые сценарии: кодер полностью причинный и видит только прошлое, а декодер не содержит обучаемого повышения частоты дискретизации и сразу выдаёт спектральные коэффициенты. В основе семейства LFM3 лежит база из 264 тысяч часов речи на 107 языках, что формирует задел для последующих речевых моделей, включая локализованные и малоязычные. Поставка кодека опирается на привычный open-source путь экосистемы llama.cpp, куда сообщество переносит модели в квантованных форматах для запуска на CPU.
Почему это важно для индустрии
Для индустрии событие подтверждает, что собственный аудиокодек стал инженерным рычагом, а не маркетинговым пунктом: именно скорость токенизации и детокенизации определяет, можно ли держать голосовой ввод и вывод на устройстве, и здесь эти операции переводятся из категории «нужен GPU или облако» в бюджет обычного ноутбука. Команды, строящие on-device пайплайны распознавания и синтеза речи, получают открытый строительный блок без затрат на GPU-фермы, что снижает порог входа в голосовые продукты для стартапов и небольших команд. Продавцам облачных голосовых API в лице открытых локальных решений появляется прямой конкурент. Если независимые замеры подтвердят заявленные показатели, GFSQ-токенизация станет вероятным дефолтным кандидатом для новых аудио-LLM; ожидаемы переобученные сообществом варианты кодека под другие частоты и языки, нативная поддержка в edge-стеках и интеграции в голосовые агент-фреймворки. В стратегической перспективе связка «собственный кодек плюс компактная LLM» может стать стандартным рецептом on-device мультимодальности, где конкуренция сместится от размера модели к скорости обработки аудиотокенов на CPU.
Почему это важно для пользователей
Разработчику и опытному читателю всё доступно уже сегодня: BF16-веса LiquidCodec скачиваются с Hugging Face и прогоняются через Transformers с параметром trust_remote_code=True, а квантованные декодеры Q4_0, Q4_K_M и Q8_0 в формате GGUF лежат в репозиториях LFM3-Audio-2B и LFM3-Omni-2B и запускаются через llama.cpp на ноутбуке или телефоне. На этой основе собирается локальный прототип голосового ассистента, где озвучка и распознавание речи идут на устройстве, а счёт за облачный API за каждый вызов исчезает; такие прототипы собираются за дни, а не месяцы. Открытые сравнения с Mimi, X-Codec 2 и NanoCodec позволяют перепроверить вендорские цифры на собственных записях и убедиться, насколько новый кодек заметнее конкурентов в реальных сценариях. Если замеры подтвердятся, привычный паттерн «мгновенный голосовой ввод и вывод локально» перестанет требовать отдельной видеокарты.
Что пока неизвестно / ограничения
Все цифры скорости и качества — вендорские: они приведены в блоге Liquid AI и в карточках моделей и сняты без раскрытой методики на оборудовании компании, поэтому на других процессорах и конфигурациях результаты могут заметно отличаться. Публичных независимых воспроизведений заявленных RTF и ViSQOL на сторонних данных, включая шумную речь, телефонный канал и акценты, к моменту выхода материала ещё не было. Проверка качества шла на шести языках, и русского среди них нет, так что поведение кодека на русской речи остаётся открытым вопросом. Оценки о переносе GFSQ в будущие аудио-LLM и о вытеснении облачных голосовых API из массовых сценариев — интерпретации, а не обещания компании.
Источники
- LiquidCodec: High-Fidelity Audio Tokenization Optimized for Speed (Liquid AI Blog)
- LiquidAI/Liquid-Codec (Hugging Face model card)
- LiquidAI/LFM3-Audio-2B (Hugging Face model card)
Автор
Look at AI, редакция
