Qué es LiquidCodec y qué se ha publicado
LiquidCodec es un códec neuronal de voz que transforma audio en tokens discretos y vuelve a convertirlos en audio. Liquid AI publicó sus pesos BF16 en un repositorio oficial. El modelo está diseñado para voz mono a 24 kHz y admite codificación y decodificación en streaming.
La ficha técnica presenta LiquidCodec como el tokenizador de audio de LFM3-Audio-2B y LFM3-Omni-2B. También se puede cargar por separado con Transformers, mediante código personalizado incluido en el repositorio. Esa compatibilidad no significa que el códec convierta texto en voz por sí solo: necesita tokens de audio para reconstruir voz y no es un sistema TTS completo.
Cómo funciona y qué tamaño tiene
El modelo tiene aproximadamente 74 millones de parámetros y una arquitectura causal simétrica: el codificador y el decodificador usan bloques basados en LFM3. La ficha indica que procesa voz a 24 kHz, genera tramas a 12,5 Hz y asigna doce tokens a cada trama, con una tasa de bits aproximada de 1,65 kbps.
Su cuantización escalar finita agrupada, o GFSQ, divide las características en grupos y cuantiza cada grupo de forma independiente. Cada grupo produce un token. A diferencia de una cadena de codebooks con dependencias secuenciales, este diseño permite predecir en paralelo los tokens de una trama. El mecanismo puede facilitar la generación paralela, pero no garantiza por sí mismo una reconstrucción más fiel ni una síntesis más natural.
Liquid AI describe el codificador y el decodificador como completamente causales, una propiedad compatible con el procesamiento por tramas y el streaming. El decodificador predice coeficientes espectrales directamente, en lugar de depender de una secuencia de etapas de sobremuestreo con convoluciones transpuestas aprendidas. Son decisiones de arquitectura; su efecto práctico depende del dispositivo, la implementación y la tarea.
Ficha técnica publicada
| Propiedad | Especificación |
|---|---|
| Entrada y salida | Voz mono a 24 kHz |
| Ritmo de trama | 12,5 Hz |
| Tokens por trama | 12 |
| Tasa de bits aproximada | 1,65 kbps |
| Parámetros | Aproximadamente 74 millones |
| Pesos del repositorio | BF16 |
Qué dicen las pruebas de rendimiento y calidad
Liquid AI informa que LiquidCodec codifica a unas 361 veces el tiempo real y decodifica a unas 87 veces, medido en FP32 con un solo hilo de CPU en un Apple M4 Max. La métrica RTF divide el tiempo de procesamiento por la duración del audio; un valor menor indica más velocidad. Estas cifras no equivalen a la latencia de una aplicación completa y no se han reproducido de forma independiente en este material.
En reconstrucción de voz inglesa, la empresa publica una puntuación ViSQOL de 4,319 para LiquidCodec BF16 en LibriSpeech test-clean. La prueba compara el audio reconstruido con el original; no mide la calidad de una generación de voz a partir de texto. El resultado pertenece a ese conjunto de evaluación y esa configuración, no a un promedio general de idiomas o usos.
La ficha también informa de comparaciones en ocho conjuntos de prueba de reconstrucción y de TTS. En sus pruebas, LiquidCodec obtuvo las mejores puntuaciones ViSQOL y menor distancia mel para los ocho conjuntos de reconstrucción; en TTS, los modelos entrenados con sus tokens obtuvieron las puntuaciones UTMOSv2 más altas en los ocho conjuntos. Son resultados publicados por Liquid AI. La metodología descrita controla datos, arquitectura y cómputo en el experimento TTS, pero no convierte los resultados en una garantía para otros modelos, voces, idiomas o condiciones.
Cómo interpretar tres resultados publicados
| Resultado | Configuración | Qué permite concluir |
|---|---|---|
| Codificación: RTF 0,0028 | FP32, un hilo de CPU, Apple M4 Max | Velocidad del codificador en esa prueba; RTF menor es más rápido. |
| Decodificación: RTF 0,0115 | FP32, un hilo de CPU, Apple M4 Max | Velocidad del decodificador en esa prueba; no es latencia integral de una aplicación. |
| ViSQOL: 4,319 | Reconstrucción BF16 en LibriSpeech test-clean, inglés | Puntuación de reconstrucción para ese conjunto; no mide TTS ni todos los idiomas. |
Acceso, formatos y licencia
El repositorio ofrece pesos BF16 y carga mediante Transformers con código personalizado. La documentación muestra cómo codificar una forma de onda en tokens y decodificarlos para reconstruir audio. Como la carga puede ejecutar código del repositorio, conviene revisar la implementación y fijar una revisión concreta antes de incorporarla a un entorno de trabajo.
Las versiones cuantizadas Q4_0, Q4_K_M y Q8_0 del decodificador no se publican como checkpoints separados en ese repositorio. Liquid AI indica que se incluyen en distribuciones GGUF de LFM3-Audio-2B y LFM3-Omni-2B para inferencia local con llama.cpp. Por tanto, quien busque específicamente un decodificador cuantizado independiente no encontrará esos archivos en la ficha de LiquidCodec.
Los pesos están sujetos a LFM Open License v1.0, no a Apache 2.0. La licencia condiciona el uso comercial de entidades que superen un umbral de ingresos anuales de 10 millones de dólares: ese uso comercial queda fuera de la autorización concedida por el acuerdo. La licencia establece una excepción específica para organizaciones sin ánimo de lucro cualificadas cuando usan la obra con fines no comerciales o de investigación. Hay que leer los términos aplicables al uso y a la distribución antes de desplegar o redistribuir el modelo.
La ficha no publica una tarifa de API alojada. El uso local requiere recursos de cómputo, pero el coste dependerá del hardware, el volumen de audio, la configuración y la operación del sistema; no hay una cifra de coste por minuto que pueda deducirse de las métricas de rendimiento.
Comprobaciones antes de integrarlo
- 01Identifica si necesitas el códec BF16 del repositorio o un decodificador cuantizado integrado en una distribución GGUF.
- 02Revisa el código personalizado antes de cargar el modelo y fija la revisión que usarás.
- 03Comprueba que tu caso de uso es voz: la calidad en música, canto y sonidos ambientales no ha sido evaluada.
- 04Lee LFM Open License v1.0 y confirma que el uso comercial y la redistribución se ajustan a sus condiciones.
- 05Mide velocidad y calidad en el hardware, idioma y condiciones de tu propia aplicación.
Límites y decisiones prácticas
LiquidCodec se entrenó y evaluó con voz. Su rendimiento en música, canto y sonidos ambientales no está evaluado, así que las métricas publicadas no justifican extrapolar una calidad equivalente a esos tipos de audio. Tampoco basta con que el modelo sea multilingüe en sus datos de entrenamiento para concluir que ofrece la misma calidad en cada idioma: las puntuaciones dependen de conjuntos y tareas concretos.
Para decidir si encaja, separa tres preguntas. La primera es si el formato de entrada, la frecuencia de muestreo y el flujo de tokens sirven a tu canal de audio. La segunda es si el coste computacional medido en tu equipo cumple tus requisitos de streaming. La tercera es si la reconstrucción o el sistema TTS que construyas alcanza la calidad que necesitas. Las cifras de la ficha ayudan a orientar esas pruebas, pero no las sustituyen.
La cuantización Q4_0 ofrece otra decisión de despliegue, no una garantía universal de calidad. Liquid AI informa de una pérdida mínima en sus comparaciones, pero ese resultado corresponde a su evaluación y configuración. Conviene repetir la comparación con las voces, idiomas y equipos previstos, especialmente si una diferencia pequeña de calidad afecta al producto.
En conjunto, la aportación práctica de LiquidCodec es ofrecer un tokenizador de voz compacto con procesamiento causal y streaming, junto con pesos BF16 de acceso local. Sus pruebas publicadas apuntan a velocidad elevada y buenos resultados de reconstrucción y TTS en los conjuntos evaluados. La fecha del anuncio y la disponibilidad efectiva inicial no quedan establecidas por la ficha del repositorio, y no hay precio de API publicado en la documentación citada.
Continúa explorando
Correcciones y transparencia
Si detectas un dato incorrecto o desactualizado, puedes enviarnos una corrección indicando la página y la fuente que debemos revisar.
Proponer una corrección