Dossier

Liquid AI lance LiquidCodec, un codec vocal annoncé 361 fois plus rapide que le temps réel

IA Contenu généré par intelligence artificielle : texte écrit par une IA, lu par des voix de synthèse.

Intégrer ce passage sur votre site

Collez ce code dans votre article ou votre page : le lecteur prend la largeur disponible.

Thème

Transcription avec les sources de chaque passage

Token FM

Token FM, la radio de l'IA, faite par l'IA. Place au dossier.

Victor

Bonjour Noor, on vous accueille pour parler de Liquid AI, qui a lancé LiquidCodec, un codec audio en streaming destiné notamment à ses modèles LFM3-Audio-2B et LFM3-Omni-2B. Qu’est-ce que cette nouveauté apporte au traitement de la parole par les modèles d’intelligence artificielle ?

Noor

Alors, LiquidCodec est un codec audio d’environ 74 millions de paramètres, conçu pour convertir la parole en jetons que des modèles peuvent traiter, puis reconstruire un signal audio à partir de ces jetons, d’après AlphaSignal. Dans un modèle vocal, cette brique fait le lien entre le signal sonore et les unités que le modèle peut prédire : elle influence donc à la fois la représentation de la parole et sa restitution. Liquid AI le destine notamment à LFM3-Audio-2B et LFM3-Omni-2B, et affirme qu’il remplace Mimi, utilisé dans LFM2-Audio-1.5B. Le changement concerne ainsi le codec intégré à ces modèles, et non, à lui seul, toute la chaîne de compréhension et de réponse d’un assistant. Liquid AI annonce un encodage à environ 361 fois le temps réel et un décodage à environ 87 fois le temps réel, sur un seul cœur de processeur M4 Max en précision FP32. Ces chiffres décrivent le temps de traitement du codec dans cette configuration : ils ne mesurent pas le délai complet d’une conversation, qui dépend aussi des autres étapes du système.

Victor

Comment LiquidCodec organise-t-il les jetons pour traiter la parole en continu et accélérer les calculs ?

Noor

LiquidCodec traite de l’audio échantillonné à 24 kilohertz et produit 12,5 trames par seconde ; chacune couvre 80 millisecondes et contient 12 jetons discrets, répartis dans 12 flux. Cette organisation transforme donc le son en une suite d’unités que le modèle peut prédire, avant que le décodeur ne reconstruise l’audio. Pour cette étape, LiquidCodec utilise la quantification scalaire finie groupée, appelée GFSQ, plutôt que la quantification vectorielle résiduelle, ou RVQ. Avec la RVQ, les codebooks successifs encodent ce qui reste après les étapes précédentes, ce qui impose un ordre entre leurs résultats ; la GFSQ répartit au contraire les groupes de manière indépendante et rend possible la prédiction de leurs jetons en parallèle. Cela peut réduire la dépendance entre les prédictions, sans rendre simultanées toutes les opérations d’un assistant vocal ni garantir à lui seul une conversation sans délai. L’encodeur est conçu pour le streaming et traite les données présentes sans attendre des échantillons futurs ; de son côté, le décodeur prédit directement des coefficients spectraux. Liquid AI affirme que ce choix évite le surcoût du suréchantillonnage par convolutions transposées, une méthode utilisée dans certains décodeurs, et vise ainsi à limiter une partie des calculs de restitution.

Victor

À qui le codec est-il destiné, et que sait-on de son entraînement et de sa disponibilité ?

Noor

La destination annoncée en premier est l’intégration aux modèles audio de Liquid AI, en particulier LFM3-Audio-2B et LFM3-Omni-2B. Les poids sont disponibles sur Hugging Face, et des versions quantifiées au format GGUF, en Q4_0, Q4_K_M et Q8_0, sont proposées pour l’inférence locale avec llama.cpp. La quantification réduit la précision numérique des poids afin de proposer différentes configurations d’exécution ; la disponibilité de ces versions ne permet toutefois pas, à elle seule, de conclure à leurs performances sur un appareil donné. Pour entraîner le codec, Liquid AI a d’abord utilisé 264 000 heures de données dans 107 langues, puis 55 000 heures supplémentaires pour un affinage adversarial. Cette seconde étape fait intervenir des critiques qui orientent la reconstruction vers des caractéristiques plus proches de la parole réelle ; Liquid AI indique qu’elle a servi à réduire des artefacts métalliques associés à la première phase. Le volume d’entraînement et le nombre de langues renseignent sur l’ampleur du travail annoncé, mais ne garantissent pas une qualité identique pour chaque langue, chaque voix ou chaque matériel.

Victor

Quels résultats de qualité et de vitesse Liquid AI met-elle en avant, et quelles limites faut-il garder en tête ?

Noor

Liquid AI affirme que LiquidCodec obtient la meilleure mesure ViSQOL et la plus faible distance mel sur 8 jeux de test, face à X-Codec 2, NanoCodec et Mimi, d’après MarkTechPost. L’entreprise le classe également en tête pour le naturel de la parole générée. Ces évaluations combinent des mesures de qualité du signal et des comparaisons sur des jeux de test ; elles ne démontrent pas que le codec sera meilleur dans toutes les langues, pour toutes les voix ou dans chaque situation réelle. La vitesse annoncée est elle aussi liée à une configuration précise : environ 361 fois le temps réel pour l’encodage et 87 fois pour le décodage, sur un seul cœur M4 Max en précision FP32. Les chiffres permettent de comparer les résultats revendiqués pour les codecs testés, mais ils ne décrivent ni la consommation sur d’autres appareils ni le délai complet d’un assistant. Il faut donc les comprendre comme des résultats annoncés par Liquid AI dans ses évaluations, et non comme une garantie universelle de qualité ou de rapidité.

Victor

Que faut-il retenir de ce lancement et de la place de LiquidCodec dans les systèmes audio de Liquid AI ?

Noor

Liquid AI a lancé LiquidCodec, un codec d’environ 74 millions de paramètres destiné notamment à ses modèles LFM3-Audio-2B et LFM3-Omni-2B. L’entreprise indique qu’il remplace Mimi, associé à LFM2-Audio-1.5B ; cela marque une évolution de la brique de codage audio utilisée dans ces modèles, plutôt qu’une mesure de la rapidité de toute la chaîne conversationnelle. Sa quantification GFSQ rend possible la prédiction parallèle des groupes de jetons, là où la quantification vectorielle résiduelle organise les codes selon des dépendances successives. Le format annoncé traite l’audio à 24 kilohertz, avec 12 flux de jetons et 12,5 trames par seconde ; chaque trame correspond à 80 millisecondes. Liquid AI met en avant des résultats sur 8 jeux de test et des mesures de vitesse réalisées sur un seul cœur M4 Max, tandis que des versions quantifiées sont proposées pour l’inférence locale avec llama.cpp. Alors, l’intérêt technique tient à l’association d’un codec conçu pour le streaming, d’une représentation dont les groupes de jetons peuvent être prédits en parallèle et d’un décodeur pensé pour limiter certains calculs. Les chiffres de débit et de qualité restent ceux annoncés dans des configurations et des tests déterminés : ils ne suffisent pas à établir les performances de l’ensemble d’un assistant sur tous les appareils. C’est cette distinction qui permet de comprendre à la fois la portée du lancement et les limites des résultats publiés.

Victor

Merci Noor pour cet éclairage sur LiquidCodec.

Une erreur ?

Signalez-la : le message part avec l'adresse de cette page, son titre et son heure de diffusion. Une personne mise en cause peut aussi exercer son droit de réponse.

Signaler une erreur

Un mot pour la rédaction ?

Une remarque, une idée de sujet, un avis sur ce passage : votre message va à la rédaction seulement, il n'est pas publié.