Liquid AI 发布 LiquidCodec：约 7400 万参数流式音频编解码器
Liquid AI 发布 LiquidCodec，这是支撑其 LFM3-Audio-2B 与 LFM3-Omni-2B 模型的流式语音编解码器，约 7400 万参数，权重已上传 Hugging Face。官方称其在单 CPU 线程上编码速度约为实时的 361 倍，并在 8 个测试集上取得最佳 ViSQOL 与最低 mel 距离。
核心事实
Liquid AI 发布了 LiquidCodec，即其 LFM3-Audio-2B 与 LFM3-Omni-2B 模型所使用的音频编解码器。据 MarkTechPost 报道，这是一个约 7400 万参数的流式语音 tokenizer（模型卡标注 73.6M），负责把语音转成语言模型可预测的 token，再把 token 还原为音频。其权重已发布在 Hugging Face 上。
规格方面：24 kHz 音频、12.5 Hz 帧率、12 个码本，每 80 ms 一帧对应 12 个离散 token。量化采用分组有限标量量化（GFSQ）而非残差向量量化（RVQ），使 12 个码本可被 MaskGIT 式 Transformer 并行预测；解码器直接预测频谱系数，跳过常见的转置卷积上采样。
背景与影响
LiquidCodec 取代了 Liquid AI 在 LFM2-Audio-1.5B 中使用的 Kyutai Mimi（96.2M 参数）。训练分两阶段：第一阶段使用 107 种语言、26.4 万小时语音，不含对抗损失；第二阶段在 5.5 万小时全频带语音上以对抗判别器微调，官方称此举消除了第一阶段的金属感伪影，最后还有一步面向边缘推理的量化感知训练（QAT）。
据官方自测，在 Apple M4 Max 单 CPU 线程 FP32 下，编码约为实时的 361 倍、解码约 87 倍；在 8 个测试集上 ViSQOL 与 mel 距离均优于 X-Codec 2、NanoCodec 和 Mimi。不过 NanoCodec 在 8 个测试集中的 7 个上 PESQ（WB）更高，LibriSpeech 说话人相似度也更优。部署上支持 Hugging Face Transformers（trust_remote_code=True）、CUDA，以及面向 llama.cpp 的 Q4_0、Q4_K_M、Q8_0 GGUF 构建。
限制与来源
上述速度与质量数据均为 Liquid AI 自行测量，尚未见独立复现；比特率未披露，Hugging Face 上许可证标注为“other”，实际使用条款需以官方页面为准。本文信息来自 MarkTechPost 报道及文中引述的模型卡与博客，具体功能、可用性与许可请以官网当前信息为准。