你对着网页说句话，AI 不必把录音上传云端，也不用先后调用语音识别、语言模型和语音合成，就能直接开口回答。LFM3-Omni-2B 的新演示把这条链路完整搬进浏览器：端到端全模态，意思是同一个模型接收文字、图像或声音，并直接生成交错的文字与语音。据 Hugging Face 页面介绍，模型通过 WebGPU——网页调用设备 GPU 的标准接口——在用户电脑上本地运行。
演示作者称，他们为模型编写了定制 WebGPU 计算内核，也就是针对特定运算优化的 GPU 小程序；在 M4 Max 上，生成速度约为 280 token/s，首个 token 等待约 90 毫秒，首段音频约 140 毫秒。速度和延迟均来自作者展示，尚无独立测试；但它值得注意之处很明确：此前仍依赖专门客户端的语音到语音全链路，如今已能直接装进一个网页。