「LFM3-Audio-2B-GGUF」音声・テキスト対応の音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧

「LFM3-Audio-2B-GGUF」音声・テキスト対応の音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧

基本情報

項目 内容
リポジトリ LiquidAI/LFM3-Audio-2B-GGUF
まとめページ LFM3-Audio のまとめ(記事1本)
公開元のまとめ Liquid AI のモデルとライセンスのまとめ
公開日 2026-10-28
ライセンス lfm1.0
配布形式 GGUF
出典の種類 公開元の一次情報(LiquidAI公式HFリポジトリ)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

LiquidAIは、コンパクトな音声生成モデル「LFM3-Audio-2B」のGGUF版となる「LFM3-Audio-2B-GGUF」を公開しました。本モデルは、ノートPCやエッジデバイス上のCPUおよびGPU環境において、ローカルで実行できるように設計されています。テキストまたは音声を自由に入力し、テキスト、音声(スピーチ)、あるいはその両方を交えた形式で応答を得ることができるany-to-anyモデルです。

スペック

以下は、元モデル「LFM3-Audio-2B」およびGGUF版の資料に記載されている主な仕様です。

  • パラメータ数: 総パラメータ数 2B(20億パラメータ)
  • アーキテクチャ: LFM3バックボーン、因果的音声エンコーダー(causal audio encoder)、LiquidCodec音声トークナイザー
  • 入力仕様: テキストまたは音声(音声エンコーダーは16 kHzで動作)
  • 出力仕様: テキスト、24 kHz音声、またはテキストと音声のインターリーブ(交互)出力
  • コンテキスト長: 32Kトークン(入力と出力を合わせた上限)
  • ストリーミング機能: 因果的音声エンコーディング、増分プレフィル、ストリーミング音声生成に対応
  • 対応言語・ロケール: アラビア語、デンマーク語、ドイツ語、ギリシャ語、イギリス英語、アメリカ英語、フィンランド語、フランス語、ヘブライ語、イタリア語、日本語、韓国語、オランダ語、ポーランド語、ポルトガル語、スペイン語、スウェーデン語、トルコ語、中国語
  • 推奨音声サンプリング設定: audio_temperature=1.0、audio_top_k=128、audio_repetition_penalty=1.1、audio_repetition_window=4096
  • ライセンス条件: LFM Open License v1.0(lfm1.0)

性能・品質

本モデルの変換元である「LFM3-Audio-2B」のモデルカードでは、公式のベンチマーク比較結果が公表されています。評価指標に含まれるWER(書き起こしの単語単位の誤り率)およびCER(書き起こしの文字単位の誤り率)は、数値が低いほど優秀であることを示します。

→ 横にスクロールできます

Benchmark LFM3-Audio 2B LFM2.5-Audio 1.5B Gemma 4 E2B Gemma 4 E4B Qwen2.5-Omni 3B NVIDIA Audex 2B Voxtral Mini 3B
Total parameters 2B 1.5B 5B 8B 6B 3B 5B
English ASR WER ↓ 6.23 6.13 8.26 7.82 6.30 5.99 5.51
Multilingual ASR WER / CER ↓ 6.03 — 8.08 6.54 7.41 6.40 7.76
English TTS UTMOSv2 ↑ 3.83 3.22 — — 3.42 — —
VoiceBench ↑ 73.13 55.17 63.28 72.90 66.37 22.55 65.78
Tool calling internal eval ↑ 58.50 — 55.60 72.40 44.30 — 44.50
Audio understanding MMAR ↑ 50.60 25.85 44.49 49.10 54.41 53.21 50.10

公表された数値によると、元モデルのLFM3-Audio 2BはMultilingual ASR WER / CER(6.03)やVoiceBench(73.13)、English TTS UTMOSv2(3.83)の各項目において、比較対象となっている他モデルや前世代モデルLFM2.5-Audio 1.5Bを上回る優れた結果を出しています。一方で、English ASR WER(6.23)ではVoxtral Mini 3B(5.51)やNVIDIA Audex 2B(5.99)に及ばず、Tool calling internal eval(58.50)やAudio understanding MMAR(50.60)でもよりパラメータ数の大きいGemma 4 E4B(72.40)やQwen2.5-Omni 3B(54.41)に劣るスコアとなっています。

また、モデルカードの性能記述によれば、因果的エンコーダーの設計によりマイク入力のリアルタイム処理が可能であり、最初のトークンが出力されるまでの応答時間(Time to first token)は最速で50 msに達するとされています。さらに、音声デコーダーのLiquidCodecはApple M4 Maxの単一CPUスレッド上でリアルタイムの約87倍の速度で動作し、生成されたトークンを素早く音声へ変換できると報告されています。

得意なこと・想定用途

LFM3-Audio-2Bは、エッジデバイスやローカル環境において多様な音声タスクを処理するために設計された多機能なモデルです。元モデルの解説によると、以下のような具体的な用途や機能を得意としています。

  • リアルタイム音声チャット: 声で質問を行うと、ストリーミング形式でテキストと音声の双方を組み合わせた応答を生成できます。テキストのみで回答する場合には、応答の前に思考プロセスの出力(reasoning)を挟むことも可能です。
  • 多言語音声処理および翻訳: 18種類の言語およびロケール(日本語、アメリカ英語、イギリス英語、中国語、韓国語、ドイツ語、フランス語、スペイン語、イタリア語、オランダ語、ポーランド語、ポルトガル語、スウェーデン語、トルコ語、アラビア語、デンマーク語、ギリシャ語、フィンランド語、ヘブライ語)に対応しており、音声認識(ASR)、音声合成(TTS)、および言語間の翻訳を実行できます。
  • ライブ音声認識(LiveASR): 音声の録音完了を待たずに、発話の最中に順次テキスト化を行います。現在は英語のみの対応となっており、約0.96秒のチャンク単位で音声をリアルタイム処理します。
  • 音声理解と環境音の解釈: 録音に含まれる発話内容だけでなく、背景音や効果音、各種イベント音を解析し、それらの内容についての質問に回答することができます。
  • スポークン・ツール呼び出し(Tool calling): 音声やテキストによる指示から、JSON形式の機能呼び出し(ファンクションコール)を生成できます。スマートホームの操作やアプリケーション制御に活用可能です。
  • ファインチューニングおよび領域特化: Hugging Face Transformersを用いて、特定のドメインやタスクに応じた追加学習を容易に行える設計となっています。

一方で、コンパクトなモデルサイズであるため、複雑なマルチステップの推論や高度なコーディングタスク(agentic coding)には向きません。知識が重視されるタスクでは、外部検索や検索拡張生成(RAG)との組み合わせが推奨されています。

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 2.0B(元モデル LiquidAI/LFM3-Audio-2B の値)

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
4GB(ノートPCの内蔵GPU・スマートフォンなど) BF16 3.2GB 3.9GB

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

手元で動かせるか

Ollama・LM Studio・llama.cpp でそのまま動かせます。

GGUF形式で配布されているため、変換を待たずに手元で読み込めます。

ライセンス lfm1.0(条件付きで商用利用可): LiquidAI の LFM Open License v1.0 です。商用利用は可能ですが、年間売上が1,000万ドル以上の法人による商用利用は許諾の対象外です(第5条)。再配布時はライセンス文と変更点の告知が必要です。

配布形式・当サイトが見つけた変換版・各推論エンジンの登録表を突き合わせた判定です。「確認できていない」は当サイトが見つけていないという意味で、存在しないことの断定ではありません。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

配布ファイル

LiquidAI/LFM3-Audio-2B-GGUF で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
LFM3-Audio-2B-BF16.gguf 3.47GB
LFM3-Audio-2B-F16.gguf 3.47GB
LFM3-Audio-2B-Q4_0.gguf 1.05GB
LFM3-Audio-2B-Q4_K_M.gguf 1.10GB
LFM3-Audio-2B-Q8_0.gguf 1.85GB
mmproj-LFM3-Audio-2B-BF16.gguf 571MB
mmproj-LFM3-Audio-2B-F16.gguf 571MB
mmproj-LFM3-Audio-2B-Q8_0.gguf 338MB

入手方法

GGUF形式の重みファイルは、Hugging Faceのリポジトリ LiquidAI/LFM3-Audio-2B-GGUF にて公開されています。本モデルは利用規約への個別同意(Gated)を必要とせず、誰でも直接ダウンロードが可能です。

実行環境としては llama.cpp が対応しています。ただし、GGUF版のモデルカードによれば、llama.cpp 公式におけるLFM3-Audioのサポートはプルリクエスト(ggml-org/llama.cpp#31257)のマージ待ち状態となっているため、マージ・リリースされるまでは該当のプルリクエストからビルドして利用する必要があります。

音声認識(ASR)を行う場合は、システムプロンプトに Perform ASR in <言語名>. または自動判定を行う Perform ASR. を指定し、以下のように llama-mtmd-cli コマンドを使用します。

llama-mtmd-cli -hf LiquidAI/LFM3-Audio-2B-GGUF:Q4_K_M \
  --audio speech.wav -sys "Perform ASR in English." -p "<__media__>" --temp 0

音声合成(TTS)を行う場合は、言語コード(既定値は en)や音声の種類(female または male)を指定し、以下のように llama-tts コマンドを使用します。

llama-tts -m LFM3-Audio-2B-Q4_K_M.gguf -mm mmproj-LFM3-Audio-2B-Q8_0.gguf \
  -p "Hello world" --tts-voice male -o out.wav

詳細なオプション設定や利用手順については、公式の llama.cpp 向けガイド(https://docs.liquid.ai/deployment/on-device/llama-cpp)でも解説されています。

派生版・量子化版

→ 横にスクロールできます

追記日 配布元 形式 リポジトリ 最小のVRAM階層(量子化・必要メモリの目安)
2026-10-27 LiquidAI MLX LiquidAI/LFM3-Audio-2B-MLX-4bit MLX 4bit 1.8GB(4GB VRAMで動作)
2026-10-27 LiquidAI MLX LiquidAI/LFM3-Audio-2B-MLX-8bit MLX 8bit 2.6GB(4GB VRAMで動作)
2026-10-27 LiquidAI MLX LiquidAI/LFM3-Audio-2B-MLX-bf16 MLX 4.4GB(8GB VRAMで動作)

各リポジトリの量子化とファイルサイズ:

  • LiquidAI/LFM3-Audio-2B-MLX-4bit の量子化: MLX 4bit 1.5GB
  • LiquidAI/LFM3-Audio-2B-MLX-8bit の量子化: MLX 8bit 2.2GB
  • LiquidAI/LFM3-Audio-2B-MLX-bf16 の量子化: MLX 3.7GB

この節は、記事公開後に見つかった変換版を当サイトが機械的に追記したものです。必要メモリは配布ファイルのサイズから算出した概算です。 量子化の名前の読み方は用語集にあります。

関連記事

次に読むなら

出典