Ao vivo 18/11 · Turma 318 nov às 19:00 MSK — aula prática gratuita de agentes de IA · Turma 3 ao vivo começa 23/11Aula 18/11 →Turma 3 (23/11)

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
Liquid AI lança o LiquidCodec: decodifica fala 2,9 vezes mais rápido que o Mimi
Fonte: TG: @ai_machinelearning_big_data (Machinelearning). Colagem: Hamidun News.
Ouvir artigo
Ficha técnica e números-chave
ParâmetroDados
Fonte originalTG: @ai_machinelearning_big_data (Machinelearning) ↗
Editor-chefe
Dado-chave #1A codificação em um único thread do M4 Max roda 361 vezes mais rápido que o tempo real
Dado-chave #2O decodificador de quatro bits é 3,5 vezes mais leve, com ViSQOL quase igual: 4,292
Dado-chave #3Licença LFM Open v1.0, com os pesos disponíveis no Hugging Face

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.

História

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.

ZK
Zhemal Khamidun — CPO da Alpina Digital, gerente de produto do AlpinaGPT. Cria produtos de IA desde 2019. O Hamidun News é um projeto pessoal que virou um agregador em produção com mais de 6.000 leitores.
✦ Unified AI Workspace · Nomad

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.

Try Nomad AI →Launch Nomad Agent
O que você acha?
Carregando comentários…