Liquid AI publica LiquidCodec: decodifica voz 2,9 veces más rápido que Mimi
Un asistente de voz en el móvil no responderá rápido si el audio tarda en convertirse en tokens y de nuevo en sonido. Liquid AI ha publicado LiquidCodec, un códec de 74 M de parámetros que decodifica un segundo de audio en 0,0115 segundos, es decir, 2,9 veces más rápido que Mimi (0,0329 s). La calidad según la métrica ViSQOL en LibriSpeech también es superior: 4,319 frente a 4,031 de Mimi. Si su pila de voz se topa con la latencia, conviene probar el códec en su propio hardware.
Procesado por IA desde TG: @ai_machinelearning_big_data (Machinelearning); editado por Hamidun News
Imagine un asistente de voz que funciona directamente en el teléfono o el portátil, sin nube. Usted dice: «Pon un temporizador de diez minutos». El modelo de lenguaje no oye el sonido: lee tokens discretos, es decir, secuencias de números.
Convertir la voz en esos números y reconstruir la respuesta en audio es tarea del códec. Si el códec es lento, el asistente responde con retraso aunque el modelo en sí sea rápido. Liquid AI ha publicado en abierto LiquidCodec, un códec de 74 M de parámetros.
Decodifica un segundo de audio en 0,0115 segundos, mientras que Mimi, el códec de la anterior LFM2-Audio, tarda 0,0329 segundos. Es 2,9 veces más rápido (cálculo de la redacción). Si desarrolla funciones de voz para dispositivos, es un motivo directo para probar el códec con sus propios datos.
Qué hace el códec y en qué se diferencia de otros
El codificador divide el audio en fotogramas y describe cada uno con un conjunto de números tomados de diccionarios predefinidos, llamados libros de códigos (codebooks). El modelo lee esos números y predice la continuación. El decodificador reconstruye voz audible a partir de los números predichos. LFM3-Audio-2B y LFM3-Omni-2B, lanzados a finales de octubre, están construidos sobre LiquidCodec.
LiquidCodec genera 12,5 fotogramas por segundo con una frecuencia de audio de 24 kHz. Su codificador es totalmente causal: solo mira al pasado y no espera al final de la frase. Por eso el códec sirve para audio en flujo desde el micrófono, cuando la grabación no se acumula de antemano.
Mimi usa cuantización vectorial residual, en la que los códigos se refinan unos a otros en cadena. LiquidCodec aplica cuantización escalar finita por grupos y doce libros de códigos. El modelo de lenguaje puede predecirlos en paralelo, en lugar de adivinarlos uno tras otro. Según mi cálculo, a 12,5 fotogramas por segundo son unos 150 tokens por segundo de audio. El decodificador produce directamente coeficientes espectrales y prescinde del costoso sobremuestreo entrenable.
Qué muestran las mediciones
Todas las cifras proceden de la publicación y del blog de la propia Liquid AI. Por ahora no hay verificaciones independientes.
- En un solo hilo de la CPU de un MacBook Pro con M4 Max, la codificación es 361 veces más rápida que el tiempo real y la decodificación, 87 veces.
- El decodificador tarda 0,0115 segundos por segundo de audio. Mimi tarda 0,0329; X-Codec 2, 0,0379; NanoCodec, 0,2543.
- ViSQOL, una evaluación automática de la cercanía entre el habla reconstruida y la original, fue de 4,319 en LibriSpeech. NanoCodec obtiene 4,219; X-Codec 2, 4,119; y Mimi, 4,031.
- Según ViSQOL y la distancia entre mel-espectrogramas, el códec es el mejor en los ocho conjuntos de datos. Idiomas: inglés, chino, alemán, francés, japonés y coreano.
- Los modelos de síntesis de voz entrenados con tokens de LiquidCodec lograron la mejor naturalidad en los ocho conjuntos y la mejor inteligibilidad en cuatro.
- El decodificador con cuantización de cuatro bits pesa 3,5 veces menos. La calidad apenas baja: ViSQOL de 4,292.
Qué hacer con esto
Para los desarrolladores hay dos puntos útiles. Primero, un códec ligero con pesos abiertos puede usarse por separado, por ejemplo para un modelo de voz propio, y no solo junto con LFM3. Segundo, el decodificador de cuatro bits deja margen de memoria para escenarios móviles y embebidos.
Hay también salvedades. La velocidad se midió en un potente procesador de Apple; en un teléfono de gama baja las cifras serán distintas. ViSQOL y los mel-espectrogramas son evaluaciones automáticas y no sustituyen la escucha por personas. La inteligibilidad de la síntesis es la mejor solo en cuatro de los ocho conjuntos. La licencia LFM Open v1.0 no es de las licencias abiertas más habituales, así que, para un producto comercial, conviene leer sus condiciones antes de integrarlo.
Si su pila de voz se topa hoy con la latencia de decodificación, conviene probar LiquidCodec con sus datos y su hardware. Los pesos y la entrada del blog ya están publicados.
- 12 nov 2026Google lleva Gemini Intelligence a Android Auto, por ahora solo para Pixel
- 12 nov 2026Adobe presenta en Max cuatro prototipos de IA: 3D a partir de fotos, un cuadrado de sonido y edición con copiar y pegar
- 12 nov 2026Apple vende IA por encima del límite: Logic Pro estrena un paquete de 50 $ sin suscripción
- 12 nov 2026Apple vende paquetes de uso de IA por 50 dólares de pago único y esquiva el modelo de suscripción
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre Qué hace el códec y en qué se diferencia de otros?
El codificador divide el audio en fotogramas y describe cada uno con un conjunto de números tomados de diccionarios predefinidos, llamados libros de códigos (codebooks). El modelo lee esos números y predice la continuación. El decodificador reconstruye voz audible a partir de los números predichos. LFM3-Audio-2B y LFM3-Omni-2B, lanzados a finales de octubre, están construidos sobre LiquidCodec. LiquidCodec genera 12,5 fotogramas por segundo con una frecuencia de audio de 24 kHz.
¿Qué se sabe sobre Qué muestran las mediciones?
Todas las cifras proceden de la publicación y del blog de la propia Liquid AI. Por ahora no hay verificaciones independientes. En un solo hilo de la CPU de un MacBook Pro con M4 Max, la codificación es 361 veces más rápida que el tiempo real y la decodificación, 87 veces. El decodificador tarda 0,0115 segundos por segundo de audio. Mimi tarda 0,0329; X-Codec 2, 0,0379; NanoCodec, 0,2543. ViSQOL, una evaluación automática de la cercanía entre el habla reconstruida y la original, fue de 4,319 en LibriSpeech.
¿Qué se sabe sobre Qué hacer con esto?
Para los desarrolladores hay dos puntos útiles. Primero, un códec ligero con pesos abiertos puede usarse por separado, por ejemplo para un modelo de voz propio, y no solo junto con LFM3. Segundo, el decodificador de cuatro bits deja margen de memoria para escenarios móviles y embebidos. Hay también salvedades. La velocidad se midió en un potente procesador de Apple; en un teléfono de gama baja las cifras serán distintas.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.