Liquid AI 发布 LFM3-Omni-2B，支持本地画面理解与语音对话

Liquid AI 于 10 月 27 日随 LFM3 家族发布 LFM3-Omni-2B。这个开放权重模型接受文字、图像、视频和音频输入，可以用文字或语音回答。对游戏开发者而言，它为本地语音对话原型提供了基础，例如让 NPC 结合提供的场景图片回应玩家的语音问题；游戏侧仍需自行完成集成。

在一个模型中结合画面与语音

发布公告将 Omni 介绍为 Liquid 首个融合视觉、音频与语言的模型。能力指南演示了对图片提语音问题、结合视频与声轨问答，以及交错输出文字和语音。仅处理语音时，同次发布还有 LFM3-Audio-2B。

模型卡列出 21.7 亿参数和 32K token 上下文窗口。BF16 权重面向 GPU 推理，GGUF 提供本地 CPU / GPU 运行路径，包括实时语音服务器。不同运行框架的支持范围有差别，例如模型卡列出的 SGLang 路径只输出文字。

模型还可以结合语音请求和视觉信息提出工具调用，由应用解析、执行并回传结果。原型可以把这套机制连接到少量游戏动作，并以图片提供当前场景；目标设备上的延迟和对话一致性仍需验证。

图中汇总的是 Liquid AI 自己进行的多模态基准测试，不能据此认定运行中游戏的表现。相关制作工具可继续查看叙事与 NPC 分类。

本地许可与托管 API 分别计费

本地部署遵循 LFM Open License。Liquid 的价格页将年营收低于 1000 万美元的企业列入开放权重免费档，更大企业需购买许可；本地硬件和运行成本仍由开发者承担。

托管 Omni API 另按用量计费。目前每百万 token 的文字输入 / 输出为 0.10 / 1 美元，音频输入 / 输出为 2 / 10 美元。这些是不同模态的 token 单价，不能直接当作 NPC 对话每分钟的费用。