Liquid AI publie LiquidCodec : un décodage de la parole 2,9 fois plus rapide que Mimi
Un assistant vocal sur smartphone ne répondra pas vite si la conversion du son en tokens, puis des tokens en son, prend trop de temps. Liquid AI publie LiquidCodec, un codec de 74 millions de paramètres. Il décode une seconde d'audio en 0,0115 seconde, soit 2,9 fois plus vite que Mimi (0,0329 s). La qualité mesurée par ViSQOL sur LibriSpeech est aussi meilleure : 4,319 contre 4,031 pour Mimi. Si la latence freine votre pile vocale, ce codec mérite un test sur votre propre matériel.
Traité par IA depuis TG: @ai_machinelearning_big_data (Machinelearning) ; édité par Hamidun News
Imaginez un assistant vocal qui fonctionne directement sur un téléphone ou un ordinateur portable, sans cloud. Vous dites : « Mets un minuteur de dix minutes ». Le modèle de langage n'entend pas le son : il lit des tokens discrets, c'est-à-dire des suites de nombres.
C'est au codec de transformer la parole en ces nombres, puis de reconstruire la réponse sous forme de son. S'il est lent, l'assistant répond avec un temps de latence, même si le modèle lui-même est rapide. Liquid AI a publié en accès libre LiquidCodec, un codec de 74 millions de paramètres.
Il décode une seconde d'audio en 0,0115 seconde, là où Mimi, le codec de la précédente LFM2-Audio, met 0,0329 seconde. C'est 2,9 fois plus rapide (calcul de la rédaction). Si vous développez des fonctions vocales pour des appareils, c'est une bonne raison de tester ce codec sur vos propres données.
Ce que fait le codec et en quoi celui-ci se distingue
L'encodeur découpe le son en trames et décrit chaque trame par un ensemble de nombres tirés de dictionnaires prédéfinis, appelés codebooks (livres de codes). Le modèle lit ces nombres et prédit la suite. Le décodeur reconstruit une parole audible à partir des nombres prédits. LFM3-Audio-2B et LFM3-Omni-2B, sortis fin octobre, reposent sur LiquidCodec.
LiquidCodec produit 12,5 trames par seconde pour un son à 24 kHz. Son encodeur est entièrement causal : il ne regarde que le passé et n'attend pas la fin de la phrase. Le codec convient donc à un flux de microphone, quand l'enregistrement ne s'accumule pas à l'avance.
Mimi utilise la quantification vectorielle résiduelle, où les codes s'affinent les uns les autres en chaîne. LiquidCodec s'appuie sur une quantification scalaire finie par groupes et sur douze codebooks. Le modèle de langage peut les prédire en parallèle, au lieu de les deviner un par un. D'après mon calcul, à 12,5 trames par seconde, cela représente environ 150 tokens par seconde d'audio. Le décodeur produit directement des coefficients spectraux et se passe d'un suréchantillonnage appris, coûteux.
Ce que montrent les mesures
Tous les chiffres proviennent du post et du blog de Liquid AI elle-même. Aucune vérification indépendante n'existe pour l'instant.
- Sur un seul thread du processeur d'un MacBook Pro M4 Max, l'encodage tourne 361 fois plus vite que le temps réel, et le décodage 87 fois plus vite.
- Pour une seconde d'audio, le décodeur met 0,0115 seconde. Mimi met 0,0329, X-Codec 2 0,0379 et NanoCodec 0,2543.
- Le ViSQOL, une évaluation automatique de la proximité entre la parole reconstruite et l'original, atteint 4,319 sur LibriSpeech. NanoCodec obtient 4,219, X-Codec 2 4,119 et Mimi 4,031.
- Sur le ViSQOL comme sur la distance entre spectrogrammes de Mel, le codec est le meilleur sur les huit jeux de données. Langues couvertes : anglais, chinois, allemand, français, japonais et coréen.
- Les modèles de synthèse vocale entraînés sur les tokens de LiquidCodec obtiennent la meilleure naturalité sur les huit jeux de données, et la meilleure intelligibilité sur quatre d'entre eux.
- Le décodeur quantifié sur quatre bits pèse 3,5 fois moins. La qualité ne baisse presque pas : ViSQOL de 4,292.
Que faire de tout cela
Deux points intéressent les développeurs. D'abord, ce codec léger aux poids ouverts peut s'utiliser seul, par exemple pour un modèle vocal maison, et pas seulement avec LFM3. Ensuite, le décodeur sur quatre bits laisse une marge de mémoire pour les scénarios mobiles et embarqués.
Il y a aussi des réserves. La vitesse a été mesurée sur un processeur Apple puissant ; sur un téléphone d'entrée de gamme, les chiffres seront différents. Le ViSQOL et les spectrogrammes de Mel sont des évaluations automatiques, qui ne remplacent pas l'écoute par des humains. L'intelligibilité de la synthèse n'est la meilleure que sur quatre jeux de données sur huit. La licence LFM Open v1.0 ne fait pas partie des licences ouvertes les plus courantes : pour un produit commercial, mieux vaut lire ses conditions avant l'intégration.
Si la latence de décodage freine aujourd'hui votre pile vocale, LiquidCodec mérite un test sur vos données et votre matériel. Les poids et l'article de blog sont déjà publiés.
- 12 nov. 2026Google apporte Gemini Intelligence à Android Auto — pour l'instant uniquement sur Pixel
- 12 nov. 2026Adobe dévoile à Max quatre prototypes d'IA : de la 3D à partir de photos, un son en carré et le copier-coller de retouches
- 12 nov. 2026Apple vend de l'IA au-delà de la limite : Logic Pro propose un pack à 50 $ sans abonnement
- 12 nov. 2026Apple vend des packs de limites d'IA à 50 $ l'unité — et contourne le modèle de l'abonnement
Questions clés sur cet article
Que sait-on sur Ce que fait le codec et en quoi celui-ci se distingue ?
L'encodeur découpe le son en trames et décrit chaque trame par un ensemble de nombres tirés de dictionnaires prédéfinis, appelés codebooks (livres de codes). Le modèle lit ces nombres et prédit la suite. Le décodeur reconstruit une parole audible à partir des nombres prédits. LFM3-Audio-2B et LFM3-Omni-2B, sortis fin octobre, reposent sur LiquidCodec. LiquidCodec produit 12,5 trames par seconde pour un son à 24 kHz.
Que sait-on sur Ce que montrent les mesures ?
Tous les chiffres proviennent du post et du blog de Liquid AI elle-même. Aucune vérification indépendante n'existe pour l'instant. Sur un seul thread du processeur d'un MacBook Pro M4 Max, l'encodage tourne 361 fois plus vite que le temps réel, et le décodage 87 fois plus vite. Pour une seconde d'audio, le décodeur met 0,0115 seconde. Mimi met 0,0329, X-Codec 2 0,0379 et NanoCodec 0,2543.
Que sait-on sur Que faire de tout cela ?
Deux points intéressent les développeurs. D'abord, ce codec léger aux poids ouverts peut s'utiliser seul, par exemple pour un modèle vocal maison, et pas seulement avec LFM3. Ensuite, le décodeur sur quatre bits laisse une marge de mémoire pour les scénarios mobiles et embarqués. Il y a aussi des réserves. La vitesse a été mesurée sur un processeur Apple puissant ; sur un téléphone d'entrée de gamme, les chiffres seront différents.
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.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.