Liquid AI lança o LiquidCodec: decodifica fala 2,9 vezes mais rápido que o Mimi
Um assistente de voz no celular não responde rápido se o áudio demora para virar tokens e voltar. A Liquid AI lançou o codec LiquidCodec, com 74 milhões de parâmetros: ele decodifica um segundo de áudio em 0,0115 segundo, ou seja, 2,9 vezes mais rápido que o Mimi (0,0329 s). A qualidade pela métrica ViSQOL no LibriSpeech também é maior: 4,319 contra 4,031 do Mimi. Se a latência é o gargalo do seu stack de voz, vale testar o codec no seu próprio hardware.
Processado por IA de TG: @ai_machinelearning_big_data (Machinelearning); editado por Hamidun News
Imagine um assistente de voz que roda direto no celular ou no notebook, sem nuvem. Você diz: "Programe um timer de dez minutos". O modelo de linguagem não ouve o som: ele lê tokens discretos, ou seja, sequências de números.
Cabe ao codec converter a fala nesses números e reconstruir a resposta em áudio. Se ele é lento, o assistente responde com atraso, mesmo que o modelo em si seja rápido. A Liquid AI abriu o codec LiquidCodec, com 74 milhões de parâmetros.
Ele decodifica um segundo de áudio em 0,0115 segundo, enquanto o Mimi, codec do LFM2-Audio anterior, leva 0,0329 segundo. Isso é 2,9 vezes mais rápido (cálculo da redação). Se você desenvolve recursos de voz para dispositivos, vale testar o codec com os seus próprios dados.
O que o codec faz e como este se diferencia
O codificador divide o áudio em quadros e registra cada quadro como um conjunto de números tirados de dicionários predefinidos, chamados de codebooks (livros de códigos). O modelo lê esses números e prevê a continuação. O decodificador reconstrói fala audível a partir dos números previstos. O LiquidCodec é a base do LFM3-Audio-2B e do LFM3-Omni-2B, lançados no fim de outubro.
O LiquidCodec gera 12,5 quadros por segundo com áudio de 24 kHz. Seu codificador é totalmente causal: ele olha apenas para o passado e não espera o fim da frase. Por isso, o codec serve para streaming do microfone, quando a gravação não é acumulada antes.
O Mimi usa quantização vetorial residual, em que os códigos refinam uns aos outros em cadeia. O LiquidCodec adota quantização escalar finita agrupada e doze codebooks. O modelo de linguagem pode prever esses códigos em paralelo, em vez de adivinhá-los um a um. Pelo meu cálculo, a 12,5 quadros por segundo isso dá cerca de 150 tokens por segundo de áudio. O decodificador gera diretamente coeficientes espectrais e dispensa o custoso upsampling treinável.
O que mostraram as medições
Todos os números vêm do post e do blog da própria Liquid AI. Ainda não há verificações independentes.
- Em um único thread da CPU de um MacBook Pro com M4 Max, a codificação roda 361 vezes mais rápido que o tempo real, e a decodificação, 87 vezes.
- Para cada segundo de áudio, o decodificador gasta 0,0115 segundo. No Mimi, são 0,0329; no X-Codec 2, 0,0379; no NanoCodec, 0,2543.
- O ViSQOL, uma avaliação automática de quão próxima a fala reconstruída está da original, ficou em 4,319 no LibriSpeech. O NanoCodec obteve 4,219, o X-Codec 2, 4,119, e o Mimi, 4,031.
- Em ViSQOL e na distância entre mel-espectrogramas, o codec é o melhor nos oito conjuntos de dados. Os idiomas são inglês, chinês, alemão, francês, japonês e coreano.
- Modelos de síntese de fala treinados com tokens do LiquidCodec tiveram a melhor naturalidade nos oito conjuntos e a melhor inteligibilidade em quatro.
- O decodificador com quantização de quatro bits pesa 3,5 vezes menos. A qualidade quase não cai: ViSQOL de 4,292.
O que fazer com isso
Há duas vantagens para desenvolvedores. Primeiro, o codec leve com pesos abertos pode ser usado separadamente, por exemplo em um modelo de fala próprio, e não apenas junto com o LFM3. Segundo, o decodificador de quatro bits deixa folga de memória para cenários móveis e embarcados.
Há também ressalvas. A velocidade foi medida em um processador Apple potente; em um celular de entrada, os números serão outros. ViSQOL e mel-espectrogramas são avaliações automáticas e não substituem a audição por pessoas. A inteligibilidade da síntese é a melhor em apenas quatro dos oito conjuntos. A licença LFM Open v1.0 não está entre as licenças abertas mais conhecidas, então, para um produto comercial, é melhor ler os termos antes de integrar.
Se o seu stack de voz hoje esbarra na latência de decodificação, vale testar o LiquidCodec com seus dados e seu hardware. Os pesos e o post do blog já estão publicados.
- 12 de nov. de 2026Google leva o Gemini Intelligence ao Android Auto — por enquanto só para o Pixel
- 12 de nov. de 2026Adobe mostra no Max quatro protótipos de IA: 3D a partir de fotos, áudio em quadrado e copiar e colar de edições
- 12 de nov. de 2026A Apple vende IA além do limite: o Logic Pro ganha um pacote de US$ 50 sem assinatura
- 12 de nov. de 2026Apple vende pacotes de limites de IA por US$ 50 avulsos — e contorna o modelo de assinatura
Perguntas frequentes sobre a notícia
O que o codec faz e como este se diferencia?
O codificador divide o áudio em quadros e registra cada quadro como um conjunto de números tirados de dicionários predefinidos, chamados de codebooks (livros de códigos). O modelo lê esses números e prevê a continuação. O decodificador reconstrói fala audível a partir dos números previstos. O LiquidCodec é a base do LFM3-Audio-2B e do LFM3-Omni-2B, lançados no fim de outubro. O LiquidCodec gera 12,5 quadros por segundo com áudio de 24 kHz.
O que mostraram as medições?
Todos os números vêm do post e do blog da própria Liquid AI. Ainda não há verificações independentes. Em um único thread da CPU de um MacBook Pro com M4 Max, a codificação roda 361 vezes mais rápido que o tempo real, e a decodificação, 87 vezes. Para cada segundo de áudio, o decodificador gasta 0,0115 segundo. No Mimi, são 0,0329; no X-Codec 2, 0,0379; no NanoCodec, 0,2543. O ViSQOL, uma avaliação automática de quão próxima a fala reconstruída está da original, ficou em 4,319 no LibriSpeech.
O que fazer com isso?
Há duas vantagens para desenvolvedores. Primeiro, o codec leve com pesos abertos pode ser usado separadamente, por exemplo em um modelo de fala próprio, e não apenas junto com o LFM3. Segundo, o decodificador de quatro bits deixa folga de memória para cenários móveis e embarcados. Há também ressalvas. A velocidade foi medida em um processador Apple potente; em um celular de entrada, os números serão outros. ViSQOL e mel-espectrogramas são avaliações automáticas e não substituem a audição por pessoas.
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.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.