Архитектура: Время как часть модели
Fish Audio выпустила Live 3 — полнодуплексную (full-duplex) голосовую модель, предназначенную для работы в реальном времени. Ключевое отличие от предыдущих решений: модель не использует жесткие правила порогов тишины для определения смены очереди говорящих. Вместо этого она обучена на реальных человеческих диалогах, чтобы самостоятельно определять, когда нужно подтвердить услышанное (backchannel), когда ждать завершения фразы, а когда прервать собеседника.
Это позволяет агентам корректно обрабатывать ситуации, когда пользователь говорит «415... 555... 0132» (агент может вставить «okay, 415» между частями номера) или исправляет себя («две пиццы... нет, три»), не фиксируя ошибочные данные.
Производительность и задержки
Fish Audio заявляет, что модель способна принять решение о реакции (например, сказать «mm-hmm» или «okay») всего за 186 мс. Важно отметить, что эта цифра относится к коротким реакциям, а не к полному ответу. Распределение задержек для полных ответов не опубликовано, а независимые бенчмарки (например, от Artificial Analysis) пока отсутствуют.
Сравнение с конкурентами
Live 3 вступает в прямую конкуренцию с решениями от OpenAI, ElevenLabs и Google. Ниже приведено сравнение ключевых характеристик на момент выхода:
| Параметр | Fish Audio Live 3 | OpenAI GPT-Live-1 | Eleven Realtime v1 Max | Gemini 3.8 Live |
|---|---|---|---|---|
| Архитектура | Full duplex, тайминг в модели | Full duplex, делегирование бэкенду | Каскадная, тонкая настройка | Диалоговая модель, фоновые инструменты |
| Языки | Только английский | Не раскрыто | 90+ | 97 |
| Задержка (реакция) | от 186 мс (мин.) | Не раскрыто | 0.57 с (среднее) | Не раскрыто |
| Turn-taking (Full-Duplex-Bench) | Не опубликовано | +30 п.п. vs GPT-Realtime-2.1 | 94.1% | Не опубликовано |
| Цена (голосовой слой) | $0.035/мин (промо) | $0.05/мин + токены | Не раскрыто в старте | Не раскрыто |
Деплой и стоимость
Модель доступна через Fish Agent Platform (публичная бета), Fish Audio API и для on-prem развертывания. Для разработчиков доступны REST-эндпоинты /v1/agent/* и клиентские библиотеки для браузера.
- Промо-цена: $0.035 за минуту разговора (скидка 50% от базовых $0.07) до 31 декабря 2026 года.
- Дополнительно: $0.01/мин за телефонные звонки, $1.20/мес за номер телефона.
- Бонус: Новые аккаунты получают $5 на тест.
Платформа поддерживает более 2 миллионов голосов, включая клонированные. Однако на данный момент модель работает исключительно с английским языком, что может ограничить её применение в глобальных мультиязычных проектах.
Бенчмарки
| Бенчмарк | Eleven Realtime v1 Max | Gemini 3.8 Live |
|---|---|---|
| Big Bench Audio | 98.8% | 97.7% |
| Tool tasks | 87.1% | 68.6% |
Жирным — лучший результат в строке. Источник цифр — официальная публикация.
Источник: MarkTechPost ↗