Fish Audio 发布全双工语音模型 Live 3，短反应最快 186 ms
Fish Audio 发布面向实时语音 Agent 的全双工语音模型 Live 3，可在说话的同时持续收听，把话轮转换从流水线规则移入语音模型，用真实对话训练学会何时应答、等待或停止。短反应最快 186 ms，支持 Fish Agent Platform、API 和企业本地部署，定价每分钟 $0.035（至 2026 年 12 月 31 日，之后 $0.07），目前仅支持英语且未公布基准分数。
MarkTechPost· Asif Razzaq·2026-11-11 12:43· 3 小时前AI 评分58
Fish Audio 发布 Live 3，一款可在 186 毫秒内做出反应的全双工语音模型
AI 导读
Fish Audio 发布面向实时语音 Agent 的全双工语音模型 Live 3，可在说话的同时持续收听，把话轮转换从流水线规则移入语音模型，用真实对话训练学会何时应答、等待或停止。短反应最快 186 ms，支持 Fish Agent Platform、API 和企业本地部署，定价每分钟 $0.035（至 2026 年 12 月 31 日，之后 $0.07），目前仅支持英语且未公布基准分数。
正文 · 原文
Fish Audio 发布了 Live 3，这是一款为实时语音 Agent 打造的全双工语音模型。Fish Audio Live 3 全双工语音模型在说话的同时持续收听。这让来电者可以停顿、说“mm-hmm”或改变主意，而不会中断通话。对开发者而言，卖点很简单：话轮转换从手工调校的流水线规则移入语音模型。
TL;DR
- 产品：一款为实时语音 Agent 打造的全双工语音模型
- 运行于：托管的 Fish Agent Platform 和 Fish Audio API；面向企业提供本地部署。
- 性能：Fish Audio 展示了行为演示，但未公布基准分数。
- 最佳表现：对于“mm-hmm”这类短反应，可在最短 186 ms 内决定应答。
什么是 Fish Audio Live 3？
Live 3 是 Fish Audio 推出的一款全双工语音模型，可同时收听和说话。
其核心论点是：速度和时机是两个不同的问题。Agent 可以快速回复，却仍在错误的时刻开口。“你们几点开门？”之后的停顿通常意味着一个话轮结束；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 Agent 将识别、推理、语音生成和话轮转换拆分到不同的流水线阶段。Fish Audio 团队表示，Live 3 将会话时机移入语音模型。它基于真实人类对话训练，学会何时确认、等待、应答或停止。
他们将旧方法描述为不断堆叠“更多规则和更多阈值”。Fish Audio 则希望让模型从数据中学习时机。独立的推理层仍负责承载 Agent 的指令和工具。
Fish Audio 团队演示了 3 种行为：
- 确认而不接管。来电者读出“415… 555… 0132”。Live 3 可能会在片段之间说“好的，415”，然后等待。
- 区分附和与打断。来电者说“yeah”会让 Agent 继续。“等等，其实我只需要周四”则会使其停止。
- 在更正过程中等待。对于“两个披萨……不，三个”，Live 3 会等待，而不是记录错误的订单。
Live 3 有多快？
Fish Audio 表示，Live 3 可在最短 186 ms 内决定应答。该数字涵盖“mm-hmm”、“okay”和快速确认等短反应。完整答案会并行准备。
这是小型反应的下限，而非完整回复的首个音频时间。Fish Audio 尚未公布延迟分布。第三方追踪机构 OrcaRouter 也报告称，截至 11 月 11 日，Live 3 尚无 Artificial Analysis 分数。
开发者如何部署 Live 3？
Live 3 已在 Fish Agent Platform 上线，可通过 Fish Audio API 使用，并面向企业提供本地部署。Agents 平台处于公开测试阶段。
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 页面列出了 2,000,000+ 个库语音，包括克隆语音。
一个待处理的文档拉取请求显示 Live 3 在 voice.engine: "live3" 下启用。启用后，语音识别固定为 fish_audio:transcribe-stream-1。Fish Audio 的当前文档称，该模型还会将重叠归类为打断或确认。
Live 3 的价格是多少？
Live 3 页面列出每分钟 $0.035，较$0.07 下降 50%，有效期至 2026 年 12 月 31 日。页面称该方案包含 Live 3。定价文档称，$0.07 的标价涵盖 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。一个号码每月收费$1.20。新账户可获得$5 试用余额。
Live 3 与其他全双工语音模型相比如何？
| 指标 | Fish Audio Live 3 | OpenAI GPT-Live-1 | Eleven Realtime v1 Max | Gemini 3.8 Live |
|---|---|---|---|---|
| 设计 | 全双工，时序在语音模型中学习 | 全双工，将推理委托给后端模型 | 级联式，端到端调优 | 实时对话模型，在后台运行工具 |
| 语言 | 仅英语 | 未披露 | 90+ | 97 |
| 已公布的时序 | 最低 186 毫秒（短反应） | 帖子正文中未披露 | 平均首次音频时间 0.57 秒 | 未披露 |
| 轮次切换得分 | 未公布 | 相比 GPT-Realtime-2.1 在 Full Duplex Bench 上 +30 个百分点（自报） | 94.1% Full-Duplex-Bench | 未披露 |
| 推理 / 智能体得分 | 未公布 | 使用 GPT-6 Astra（medium）在 Tau3 上排名第一 | 98.8% Big Bench Audio；87.1% 工具任务 | Extended Thinking：97.7% Big Bench Audio；68.6% τ-Voice |
| 价格 | $0.035/分钟促销价，$0.07 标价（含 STT、基础 LLM、TTS） | $0.05/分钟语音层 + 后端 token | 会话时间 + 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 得分来自 Artificial Analysis，由 ElevenLabs 报告。OpenAI 和 Google 的数据为自报。
关键要点
- Live 3 是 Fish Audio 面向电话和网页智能体的全双工语音模型。
- 它从真实对话中学习轮次切换，而非依赖静音阈值。
- 短反应最快可在 186 毫秒内开始。
- 智能体在 2026 年 12 月 31 日前每分钟收费 $0.035，之后为 $0.07。
- 仅支持英语，尚未公布基准得分。
查看发布帖，在 fish.audio/live3 试用，并查看Agents 文档。另外，欢迎在 Twitter 上关注我们，别忘了加入我们的 150k+ ML SubReddit 并订阅我们的新闻通讯。等等！你在 Telegram 上吗？现在你也可以在 Telegram 上加入我们。
需要与我们合作推广你的 GitHub 仓库、Hugging Face 页面、产品发布或网络研讨会等？联系我们
文章 Fish Audio 发布 Live 3，一款 186 毫秒内响应的全双工语音模型 首次出现在 MarkTechPost。
来源：MarkTechPost · marktechpost.com
来源：RadarAI · aihot.news