Liquid AI 发布 LiquidCodec：7400 万参数的流式音频编解码器
内容提要
Liquid AI 发布约7400万参数的流式语音编解码器 LiquidCodec，用于 LFM3-Audio-2B 与 LFM3-Omni-2B。它将24kHz音频压缩为12路token流，采用分组有限标量量化，使12个码本可并行预测，解码器直接预测频谱系数。训练分两阶段，覆盖107种语言、26.4万小时语音，并采用量化感知训练。在8个测试集上重建质量优于 Mimi、NanoCodec 和 X-Codec 2，单CPU线程编码速度约为361倍实时。权重已在 Hugging Face 发布。
延伸解读
GFSQ 带来的并行预测优势
LiquidCodec 采用分组有限标量量化（GFSQ），而非 Mimi 等使用的残差向量量化（RVQ）。RVQ 中每个码本依赖前一个码本的残差，导致码本必须顺序预测；GFSQ 的各组相互独立，因此全部 12 个码本可由 MaskGIT 式 Transformer 并行预测。这一设计直接服务于 Liquid AI 的两个目标：让 token 更易被语言模型预测，并提升编解码速度。
速度优势明显，但需注意测试条件
在 Apple M4 Max 单 CPU 线程 FP32 下，LiquidCodec 编码 RTF 为 0.0028，约 361 倍实时，比 Mimi 低约 13 倍；解码 RTF 为 0.0115，低 2.9 倍。这些是 Liquid AI 自报数据，且测试平台为特定笔记本单线程，实际部署到其他 CPU 或边缘设备时速度可能不同。不过，单线程可运行本身对端侧流式场景有参考价值。
重建质量领先，但并非全面占优
在 8 个测试集上，LiquidCodec 的 ViSQOL 和梅尔距离均优于 Mimi、NanoCodec 和 X-Codec 2；固定 TTS 模型后，其 token 在全部测试集上取得最高 UTMOSv2。但 NanoCodec 在 8 个测试集中的 7 个上 PESQ（WB）更高，并在 LibriSpeech 说话人相似度上领先（SECS 0.836 对 0.785）。选型时应按任务侧重权衡，而非只看单一指标。
部署路径与量化选项
开发者可通过 Hugging Face Transformers 以 trust_remote_code=True 加载，调用 encode() 和 decode()，并利用 LiquidCodecStreamingCache 逐块解码。面向边缘场景，Liquid AI 提供了 llama.cpp 的 Q4_0、Q4_K_M 和 Q8_0 GGUF 版本；Q4_0 配合仅解码器 QAT 可将解码器体积缩小 3.5 倍，LibriSpeech ViSQOL 仅从 4.319 微降至 4.292。许可证为 HF 上的“
Q&A
LiquidCodec 是什么？它主要用在哪些模型里？
LiquidCodec 是 Liquid AI 发布的约 7400 万参数的流式语音编解码器（tokenizer），用于将语音转换为语言模型可预测的 token，再转回音频。它是 LFM3-Audio-2B 与 LFM3-Omni-2B 模型背后的音频编解码器，取代了之前使用的 Kyutai Mimi。
LiquidCodec 的量化方式与 Mimi 的 RVQ 有什么不同？
LiquidCodec 使用分组有限标量量化（GFSQ），各组相互独立，因此全部 12 个码本可以被 MaskGIT 式 Transformer 并行预测。而 Mimi 使用残差向量量化（RVQ），每个码本编码前一个码本遗漏的信息，无法并行预测。
LiquidCodec 的训练过程分为哪几个阶段？
训练分两个阶段：第 1 阶段使用 107 种语言、26.4 万小时语音，采用波形损失和频谱损失，未使用对抗损失；第 2 阶段在全频带语音（24 kHz 或更高）5.5 万小时上，配合对抗判别器进行微调，以消除金属感伪影。最后还有仅针对解码器的量化感知训练（QAT），面向边缘推理。
LiquidCodec 的编码和解码速度有多快？
在 Apple M4 Max 单条 CPU 线程上以 FP32 测试，LiquidCodec 编码约 361 倍实时（RTF 0.0028），解码约 87 倍实时（RTF 0.0115）。编码 RTF 比 Mimi 低约 13 倍，解码 RTF 低 2.9 倍。
LiquidCodec 在重建质量和 TTS 任务上表现如何？
在 8 个测试集上，LiquidCodec 均取得最佳 ViSQOL 和最低梅尔距离，例如 LibriSpeech 上 ViSQOL 为 4.319，优于 NanoCodec、X-Codec 2 和 Mimi。在 TTS 任务中，使用相同 TTS 模型训练，LiquidCodec 在全部 8 个测试集上取得最高 UTMOSv2，并在 4 个测试集上取得最佳 WER/CER，LibriSpeech WER 为 3.15%。但 NanoCodec 在 7 个测试集上 PESQ 更高，且在 LibriSpeech 说话人相似度上领先。
开发者如何部署和使用 LiquidCodec？
可通过 Hugging Face Transformers 以 trust_remote_code=True 加载，调用 encode() 获取音频编码，decode() 获取波形。原生 LiquidCodecStreamingCache 支持逐块解码。面向边缘场景，提供了用于 llama.cpp 的 Q4_0、Q4_K_M 和 Q8_0 GGUF 版本，Q4_0 配合仅解码器 QAT 可将解码器体积缩小 3.5 倍，LibriSpeech ViSQOL 仅从 4.319 微降至 4.292。
