Liquid AI diffuse LiquidCodec, un tokeniseur de parole en streaming de 74 millions de paramètres destiné à ses modèles LFM3. L’entreprise revendique des gains de vitesse sur CPU et de qualité sur huit jeux de tests face à Mimi, NanoCodec et X‑Codec 2. Les poids sont disponibles sur Hugging Face, avec des variantes GGUF pour la périphérie.
Des mesures publiées par Liquid AI et une exception en PESQ
Liquid AI précise que les évaluations de vitesse et de qualité sont auto‑rapportées. Sur CPU Apple M4 Max en FP32, l’éditeur annonce environ 361 fois le temps réel en encodage et un RTF d’encodage de 0,0028, face à 0,0361 pour Mimi, 0,2145 pour NanoCodec et 0,7359 pour X‑Codec 2. En décodage, le RTF communiqué est de 0,0115, contre 0,0329, 0,2543 et 0,0379 selon les mêmes références. Côté reconstruction, Liquid AI rapporte le meilleur ViSQOL et la plus faible distance mel sur huit ensembles, avec un ViSQOL de 4,319 sur LibriSpeech. En synthèse vocale, l’entreprise indique le meilleur UTMOSv2 sur les huit ensembles et le meilleur WER/CER sur quatre, avec un WER de 3,15% sur LibriSpeech contre 6,27% pour Mimi. Une réserve apparaît toutefois sur le PESQ large bande : NanoCodec surpasse LiquidCodec sur sept des huit ensembles.
Déploiement: CPU, Transformers, cache de streaming et GGUF
LiquidCodec fonctionne sur un seul thread CPU, dans des tests réalisés en FP32 sur un ordinateur Apple M4 Max, et s’exécute aussi sur GPU CUDA via Transformers. Le chargement passe par Hugging Face Transformers avec trust_remote_code=True, avec des appels encode() et decode() pour produire respectivement les codes et la forme d’onde. Un composant LiquidCodecStreamingCache prend en charge le décodage par morceaux, et les exemples fournis utilisent CUDA en bfloat16. Pour une utilisation en périphérie, des constructions GGUF Q4_0, Q4_K_M et Q8_0 sont proposées pour llama.cpp, avec des dépôts fournis aux côtés de LFM3-Audio-2B et LFM3-Omni-2B. Liquid AI rapporte qu’avec Q4_0 et une QAT limitée au décodeur, l’empreinte du décodeur est réduite par 3,5, le ViSQOL LibriSpeech passant de 4,319 à 4,292, pour une perte de qualité présentée comme minimale.
Vous voulez les meilleurs outils IA avant les autres ?
On teste et on décrypte les nouveaux outils IA chaque soir, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Spécifications de compression et pipeline symétrique
LiquidCodec opère à 24 kHz, avec des trames à 12,5 Hz et 12 codebooks, pour environ 73,6 millions de paramètres. Il compresse l’audio en 12 flux de tokens et, selon la carte du modèle, convertit chaque trame de 80 ms en 12 tokens discrets. Le pipeline comprend un encodeur, une quantification et un décodeur, les deux parties réutilisant des blocs LFM3 et formant une architecture symétrique, l’encodeur étant entièrement causal pour le streaming. La quantification s’appuie sur la GFSQ plutôt que la RVQ : alors que la RVQ encode les résiduels successifs, les groupes GFSQ sont indépendants et permettent une prédiction parallèle des 12 codebooks avec des transformeurs de type MaskGIT. Le décodeur prédit directement des coefficients spectraux, évitant l’upsampling par convolution transposée apprise. Côté profil, Liquid AI évoque 12 codebooks à 1,1 kbps et des différences de quantiseur et de causalité par rapport à Mimi, NanoCodec et X‑Codec 2, les débits de LiquidCodec et X‑Codec 2 n’étant pas divulgués.
Entraînement en deux étapes et affinement adversarial
L’entraînement se déroule en deux phases : d’abord 264 000 heures de discours couvrant 107 langues, avec des pertes de forme d’onde et spectrales sans adversarial. Ensuite, un affinage sur 55 000 heures de discours à bande complète, avec des critiques adversariales. Liquid AI affirme que cette seconde étape a supprimé les artefacts métalliques résiduels. Une étape finale d’entraînement conscient de la quantification, limitée au décodeur, cible l’inférence en périphérie. Pour l’évaluation TTS, des modèles identiques ont été entraînés avec 101 000 heures de données en six langues et des conditions contrôlées, des résultats annoncés comme stables avec des backbones Qwen3‑1.7B et LFM3‑1.7B.
Positionnement face à Mimi, NanoCodec et X‑Codec 2
LiquidCodec prend la place de Mimi dans la pile de Liquid AI, Mimi étant un modèle de 96,2 millions de paramètres développé par Kyutai. Par rapport aux solutions de Kyutai, NVIDIA et HKUST Audio, Liquid AI met en avant un modèle de 73,6 millions de paramètres à 24 kHz et 12,5 Hz par trame, avec 12 codebooks. Les comparaisons portent sur huit jeux de tests standardisés incluant LibriSpeech et Seed‑TTS, face à X‑Codec 2, NanoCodec et Mimi paramétré avec 12 codebooks. Liquid AI rapporte des gains de vitesse (RTF d’encodage 0,0028) et des scores de qualité supérieurs sur plusieurs métriques. Le facteur RTF, défini comme le rapport entre temps de traitement et durée audio, est plus bas quand la performance est meilleure, et l’éditeur indique environ 13 fois moins en encodage que Mimi.
