2026-11-13 · 出典:MarkTechPost

Liquid AIは74Mパラメータのストリーミング音声トークナイザー「LiquidCodec」を発表。前世代のMimiと比べてエンコード速度は約13倍、品質ベンチマークでも全面優位を達成した。
Liquid AIはストリーミング音声トークナイザー「LiquidCodec」を発表した。パラメータ数は約74M(モデルカードでは73.6Mと記載)で、同社のLFM3-Audio-2BとLFM3-Omni-2Bの2モデルに音声のエンコードと再構築を提供し、前世代で使用されていたKyutaiのMimi(96.2Mパラメータ)を置き換える。仕様面では、24kHz・12.5Hzのフレームレートで動作し、80ミリ秒のフレームごとに12個の離散トークン(12個のコードブック)を出力する。量子化器はRVQを廃止し、グループ化された有限スカラー量子化(GFSQ)を採用。各グループは相互に独立しているため、12個のコードブックをMaskGIT型transformerで並列に予測できる。
アーキテクチャと学習について:対称構造のエンコーダ・デコーダはLFM3アーキテクチャブロックで構成され、エンコーダは完全に因果的でストリーミング用途に適している。デコーダはスペクトル係数を直接予測するため、学習型の転置畳み込みによるアップサンプリングを不要にした。学習は3段階で実施され、まず26.4万時間・107言語の音声に対して波形とスペクトルの損失で事前学習(敵対的損失なし)、次に5.5万時間のフルバンド(24kHz以上)音声に敵対的判別器を加えて微調整し、金属的な音色のアーティファクトを除去、最後にデコーダのみを対象とした量子化認識学習を行い、エッジ展開に備えている。
速度の成績は目覚ましい(公式自己申告、Apple M4 MaxのCPUシングルスレッド・FP32):エンコードは約361倍のリアルタイム(RTF 0.0028)で、Mimi(0.0361)の約13倍。デコードは約87倍のリアルタイム(RTF 0.0115)で、Mimi(0.0329)の約2.9倍。NanoCodecやX-Codec 2との比較でも全面で優位に立っている。
品質ベンチマークは8つのテストセット(LibriSpeech test-clean、Seed-TTSの英語と中国語、5言語のFLEURS)を対象とした:再構築品質ではViSQOLとmel距離のすべてで首位を獲得し、LibriSpeechのViSQOLは4.319で、NanoCodecの4.219、X-Codec 2の4.119、Mimiの4.031を上回った。TTS比較実験(同一のTTSアーキテクチャと計算資源、それぞれ10.1万時間のデータで学習)では、UTMOSv2ですべて首位(LibriSpeechで3.31、Mimiは2.89)となり、LibriSpeechの単語誤り率は3.15%でMimiの6.27%を大きく下回った。弱点はPESQと話者類似度で、NanoCodecは8テストセット中7つで勝利している。
デプロイとライセンス:Hugging Face Transformersからロード可能(trust_remote_code=Trueが必要)で、encode・decodeインターフェースとチャンク単位のストリーミングデコード用キャッシュを提供。llama.cpp側ではQ4_0、Q4_K_M、Q8_0の3種類のGGUFが用意され、Q4_0デコーダは容量が3.5分の1に縮小されながら、ViSQOLは4.319から4.292への微減に留まっている。重みはHugging FaceのLiquidAI/Liquid-Codecリポジトリで公開されており、ライセンスは「other」と表記されLFM Licenseへリンクしている(参考までに、MimiはCC-BY 4.0、X-Codec 2はCC-BY-NC 4.0)。
萬安算交所 AIXX · AIXX · 検証済みコンピュート取引所 · 現貨ホールへ