過去我們談語音 AI，幾乎都要經歷三段式流程：

1. ASR：把語音轉成文字

2. LLM：理解並生成回覆

3. TTS：再合成語音。

這樣的架構雖然可行，但在真實互動中往往顯得笨重，延遲高、資訊流失，而且每一段模型都各自訓練、難以優化。

STS 的模型其實就是在解決這個痛點，有興趣可以參考以下觀點卡：

Liquid Audio 這次釋出 LFM2-Audio-1.5B 就是一種 STS 模型，它是 LFM2 系列的延伸，但首次讓語音與文字成為「同等一級的模態」。換句話說，這個模型可以同時聽懂語音、回語音，也能在需要時輸出文字或理解文字輸入，完全不需要再切換模型或模組。

最有意思的是它在音訊表示上的取捨，一般語音模型會先把聲音壓成離散 token，再丟進語言模型中處理；但 LFM2-Audio 選擇讓「輸入」維持連續訊號，僅在「輸出」階段才離散化。

這讓模型能保留更多聲音細節，像音色與語氣，但同時又能用傳統 next-token 的方式訓練生成，輸出階段一次可預測八個音訊 token，也就是說它能更快地「講話」，而且聲音更自然流暢，不像以前有卡頓感。

效能上這模型的表現還不錯，只有 1.5B 大小，卻在 VoiceBench 九項音訊互動測試中拿到 56.8 分數，接近 5B 參數的 Qwen2.5-Omni-3B；ASR 準確度甚至可與 Whisper-large-v3 相比。

延遲則是最讓我驚豔的，end to end 不到 100 毫秒，對即時語音對話來說幾乎是即開即說的體驗。

過去需要三個模型串起來的語音系統，而如今可以用一個 backbone 完成，STS 不只是會講話的 LLM，而是具備聽、想、說一體化能力的多模態基礎模型，且模型又小。

預估未來車載語音助理、即時翻譯、到語音版 RAG 聊天機器人等都會廣泛啟用這個架構。