← News-Übersicht | Spotmarkthalle
2026-11-13 · Quelle:MarkTechPost

Liquid AI veröffentlicht den Streaming-Speech-Tokenizer LiquidCodec mit 74M Parametern: rund 13-mal schnellere Codierung als der Vorgänger Mimi und führend bei allen Qualitätsbenchmarks.
Liquid AI hat den Streaming-Speech-Tokenizer LiquidCodec veröffentlicht, ein Modell mit rund 74M Parametern (laut Modellkarte 73,6M), das für die beiden Modelle LFM3-Audio-2B und LFM3-Omni-2B die Sprachcodierung und -rekonstruktion übernimmt und thereby den bislang eingesetzten Kyutai Mimi (96,2M Parameter) ablöst. Technisch arbeitet es bei 24 kHz und einer Framerate von 12,5 Hz und gibt pro 80-Millisekunden-Frame 12 diskrete Token aus (12 Codebooks). Der Quantisierer verzichtet auf RVQ und nutzt stattdessen gruppierte finite Skalarquantisierung (GFSQ) mit unabhängigen Gruppen, sodass die 12 Codebooks von einem MaskGIT-artigen Transformer parallel vorhergesagt werden können.
Architektur und Training: Der symmetrische Encoder-Decoder besteht aus LFM3-Architekturblöcken; der Encoder ist vollständig kausal und damit für Streaming-Szenarien geeignet. Der Decoder sagt Spektralkoeffizienten direkt vorher und verzichtet auf gelernte transponierte Faltungsupsampling-Schichten. Das Training erfolgte in drei Phasen: zunächst Pretraining auf 264.000 Stunden Sprache in 107 Sprachen mit Wellenform- und Spektralverlusten (ohne adversarial Loss); dann Fine-Tuning auf 55.000 Stunden Fullband-Sprache (über 24 kHz) mit adversariellen Diskriminatoren, um metallische Klangartefakte zu beseitigen; schließlich eine quantisierungsbewusste Trainingsphase nur für den Decoder zur Vereinfachung von Edge-Deployments.
Die Geschwindigkeitswerte sind beeindruckend (offizielle Angaben, Apple M4 Max, einzelner CPU-Thread, FP32): Die Codierung erreicht rund 361-fache Echtzeit (RTF 0,0028), etwa 13-mal schneller als Mimi (0,0361); die Decodierung liegt bei rund 87-facher Echtzeit (RTF 0,0115), etwa dem 2,9-Fachen von Mimi (0,0329). Auch gegenüber NanoCodec und X-Codec 2 führt LiquidCodec in allen Disziplinen.
Die Qualitätsbenchmarks umfassen 8 Testsets (LibriSpeech test-clean, Seed-TTS auf Englisch und Chinesisch sowie FLEURS in 5 Sprachen): Bei der Rekonstruktionsqualität belegt LiquidCodec bei ViSQOL und Mel-Distanz durchgängig den ersten Platz, mit einem ViSQOL von 4,319 auf LibriSpeech gegenüber 4,219 (NanoCodec), 4,119 (X-Codec 2) und 4,031 (Mimi). In TTS-Vergleichsexperimenten (gleiche TTS-Architektur und Rechenleistung, jeweils mit 101.000 Stunden Daten trainiert) liegt UTMOSv2 durchwegs an der Spitze (LibriSpeech 3,31 gegenüber 2,89 bei Mimi), und die Word Error Rate auf LibriSpeech beträgt 3,15 % gegenüber 6,27 % bei Mimi. Schwächen zeigen sich bei PESQ und der Sprecherähnlichkeit: NanoCodec gewinnt 7 der 8 Testsets.
Deployment und Lizenz: Das Modell lässt sich über Hugging Face Transformers laden (mit trust_remote_code=True) und bietet Encode- und Decode-Schnittstellen sowie einen Cache für blockweise Streaming-Decodierung. Auf llama.cpp-Seite stehen drei GGUF-Varianten bereit: Q4_0, Q4_K_M und Q8_0; der Q4_0-Decoder ist 3,5-mal kleiner, während ViSQOL nur von 4,319 auf 4,292 sinkt. Die Gewichte sind im Repository LiquidAI/Liquid-Codec auf Hugging Face veröffentlicht, die Lizenz ist als „other“ gekennzeichnet und verweist auf die LFM License (zum Vergleich: Mimi steht unter CC-BY 4.0, X-Codec 2 unter CC-BY-NC 4.0).
萬安算交所 AIXX · AIXX · Verifizierte Computing-Börse · Zur Spotmarkthalle