Fish Audio 发布了 Live 3，一款面向实时语音智能体打造的全双工语音模型。Fish Audio Live 3 在说话的同时仍在聆听，这让来电者可以停顿、说一声“mm-hmm”，或是临时改变主意，而不会打断通话。对开发者而言，卖点很简单：把话轮转换（turn-taking）从手工调校的流水线规则，移进了语音模型本身。
Fish Audio Live 3 是什么？
Live 3 是 Fish Audio 推出的一款全双工语音模型，能够一边聆听一边说话。
其核心论点是：速度与时机是两个不同的问题。一个智能体可以回复得很快，却仍然在错误的时刻开口。“你们几点开门？”之后的停顿通常意味着话轮结束；而电话号码中间的停顿则不是。
Live 3 如何处理话轮转换？
大多数语音智能体把识别、推理、语音生成和话轮转换拆分在各自独立的流水线阶段中。Fish Audio 团队表示，Live 3 把对话的时机判断移入了语音模型。它基于真实的人类对话训练，学会了何时应声、何时等待、何时回应、何时停止。
他们把旧方案形容为不断堆叠“更多规则、更多阈值”。Fish Audio 希望改为让模型从数据中学习时机。一个独立的推理层仍然承载智能体的指令与工具。
Fish Audio 团队拆解了 3 种行为：
- 只应声，不抢话。 来电者念出“415… 555… 0132”。Live 3 可能在片段之间说“好的，415”，然后继续等待。
- 区分“附和”与“打断”。 来电者说“嗯”会让智能体继续说下去；而“等等，其实我只要周四”会让它停下。
- 在更正过程中保持等待。 对于“两个披萨……不，三个”，Live 3 会等待，而不是记下错误的订单。
Live 3 有多快？
Fish Audio 表示，Live 3 可在低至 186 毫秒内决定作出回应。该数字涵盖“mm-hmm”“好的”以及快速确认这类短反应。完整回答是并行准备的。
这是小反应的下限，而非完整回复的首字节音频时间。Fish Audio 未公布延迟分布。第三方追踪机构 OrcaRouter 也表示，截至 11 月 11 日，Live 3 尚无 Artificial Analysis 评分。
开发者如何部署 Live 3？
Live 3 可在 Fish Agent Platform、Fish Audio API 上使用，企业还可选择本地部署。Agents 平台目前处于公开测试阶段。
Agents 在 /v1/agent/* 下暴露 REST 接口。浏览器会话通过 @fishaudio/agent-client 或 @fishaudio/agent-react 运行。Agents 可以接听电话号码、通过 WebRTC 连接，或嵌入网站小组件。Live 3 页面列出 200 万以上的音色库，其中包括克隆音色。
一份待合并的文档 PR 显示，Live 3 可通过 voice.engine: "live3" 启用。开启后，语音识别固定使用 fish_audio:transcribe-stream-1。Fish Audio 现有文档称，该模型还会把重叠语音分类为“打断”或“应声”。
Live 3 多少钱？
Live 3 页面标价为每分钟 0.035 美元，较 0.07 美元下调 50%，优惠截至 2026 年 12 月 31 日。该页面称该套餐包含 Live 3。定价文档称，0.07 美元的目录价涵盖 STT、TTS、基础 LLM、知识检索和工具调用。
电话通话额外收取每分钟 0.01 美元。一个号码每月 1.20 美元。新账户可获得 5 美元试用余额。
Live 3 与其他全双工语音模型对比
| 指标 | Fish Audio Live 3 | OpenAI GPT-Live-1 | Eleven Realtime v1 Max | Gemini 3.8 Live |
|---|---|---|---|---|
| 设计 | 全双工，时机在语音模型内学习 | 全双工，推理委派给后端模型 | 级联式，端到端调优 | 实时对话模型，后台运行工具 |
| 语言 | 仅英语 | 未披露 | 90+ | 97 |
| 公布时延 | 最低 186 毫秒（短反应） | 正文中未披露 | 首字节音频平均 0.57 秒 | 未披露 |
| 话轮转换得分 | 未公布 | 相较 GPT-Realtime-2.1 提升 +30 个百分点（自报） | Full-Duplex-Bench 94.1% | 未披露 |
| 推理 / 智能体得分 | 未公布 | 搭配 GPT-6 Astra（medium）在 Tau3 上排名第一 | Big Bench Audio 98.8%；工具任务 87.1% | Extended Thinking：Big Bench Audio 97.7%；τ-Voice 68.6% |
| 价格 | 0.035 美元/分钟（促销），目录价 0.07 美元（含 STT、基础 LLM、TTS） | 语音层 0.05 美元/分钟 + 后端 token | 会话时长 + token | 发布帖中未披露 |
| 部署 | Agent Platform、API、本地部署 | API、电话 | ElevenAgents、Realtime API | Gemini API、AI Studio、Gemini Enterprise（预览） |
ElevenLabs 的分数来自 Artificial Analysis，由 ElevenLabs 引用。OpenAI 和 Google 的数据为自报。
关键要点
- Live 3 是 Fish Audio 面向电话与网页智能体的全双工语音模型。
- 它从真实对话中学习话轮转换，而不是依赖静音阈值。
- 短反应可在低至 186 毫秒内开始。
- 截至 2026 年 12 月 31 日，智能体价格为每分钟 0.035 美元，之后为 0.07 美元。
- 仅支持英语，且尚未公布基准分数。
请查看官方发布公告，访问fish.audio/live3体验
本文来自作者投稿，版权归原作者所有。如需转载，请注明出处：https://www.nxrte.com/jishu/73167.html
