يرد Fish Audio Live 3 خلال 186 مللي ثانية، ثم يقضي وقت المكالمة في تحديد ما إذا كان سيتحدث.

Fish Audio Live 3 هو نموذج صوتي كامل الازدواجية أعلنت عنه Fish Audio في 2026-11-10، وتقوم فكرته بالكامل على تمييز واحد لا يزال معظم وكلاء الصوت يخطئون فيه: فالوقفة في منتصف رقم هاتف ليست الحدث نفسه الذي تمثله الوقفة في نهاية سؤال. يواصل النموذج الاستماع أثناء تحدثه، ويمكنه أن يقرر الرد في غضون 186 ميلي ثانية فقط وفقًا لـ Fish Audio، وقد دُرّب على محادثات بشرية مسجلة ليتعلم متى يبدي تفهّمه، ومتى ينتظر، ومتى يجيب، ومتى يتوقف — بدلًا من تسليمه جدولًا بعتبات الصمت.

ذلك البند الأخير هو المثير للاهتمام، وهو أيضاً سبب عدم قدرة هذا المقال على منحك معياراً مرجعياً. فلم تنشر Fish Audio أي تقييم لـ Live 3، ولا سعراً لكل بايت له في بطاقة أسعارها الخاصة، ولا معرّف نموذج أو توثيق لنقطة نهاية يذكر اسمه. ولا تحمل Artificial Analysis، التي تقيّم نماذج الكلام ثنائي الاتجاه على أداة اختبار واحدة، أي صف لـ Live 3 حتى 2026-11-11 — إذ تُدرج اللوحة Fish Audio كعائلة نماذج ولا تقيّم أيّاً من أعمالها ثنائية الاتجاه. ورقم 186 مللي ثانية مُبلَّغ عنه من الجهة البائعة وغير مُدقَّق. وما يلي يفصل ما وثّقته Fish Audio عمّا ادّعته، لأنه بعد يوم واحد من الإطلاق يمثّل هذان الأمران كومتين مختلفتين.

الوقفة التي تُفسد رقم الهاتف

المثال العملي الذي قدمته Fish Audio نفسها هو أفضل حجة في الإعلان. اقرأ رقمًا على دفعات — «415… 555… 0132» — فيسمع وكيل تقليدي ثلاثة أحداث منفصلة لانتهاء الدور، أو ترددًا طويلًا واحدًا يظنه تفكير المتصل. ويُوثَّق أن Live 3 يقول «مم-هم» أو «حسنًا، 415» بين الدفعات ثم ينتظر الباقي. يؤدي الإقرار وظيفتين في آن واحد: فهو يؤكد وصول الأرقام، ويُبقي الكلمة مفتوحة حتى يتمكن المتصل من التقاط أنفاسه وفحص الأرقام القليلة التالية والمتابعة.

النصف الأصعب من المشكلة نفسها هو الخطأ المعاكس. إذا كان الوكيل يقرأ ساعات العمل ويقول المتصل "نعم" أو "مم-هم" لبيان أنه يتابع، فإن Live 3 موثّق بأنه يستمر بدلًا من أن يتوقف. ثم يقول المتصل "انتظر، في الواقع، أحتاج الخميس فقط"، فيتوقف ويفسح المجال. إطار Fish Audio هو أن ليس كل صوت مقاطعة، ومن المفترض أن يميّز النموذج بين إشارة المتابعة الخلفية والاستحواذ على الكلام دون أن يعدّد المطوّر كل صوت قد يصدره الإنسان.

الحالة الثالثة هي التصحيحات في منتصف الكلام: «أريد بيتزا اثنتين... لا، ثلاثًا. ثلاثًا كبيرة. و... في الواقع، اجعل إحداها مارغريتا». إن نظام معالجة يُفعَّل عند أول طلب مكتمل معقول يقدّم الطلب الخاطئ مرتين. ومن الموثّق أن Live 3 ينتظر مرور كل تعديل. مكالمات الدعم والحجوزات والطلبات مليئة بهذا تمامًا، وهو السبب الذي دفع الرئيس التنفيذي لـ Fish Audio إلى الاستعانة بتشبيه لغوي بدلًا من رقم كمون.

قالت ريسا كاو، الشريكة المؤسسة والرئيسة التنفيذية لشركة Fish Audio: "حتى الآن، كان الحل يتمثل في مزيد من القواعد ومزيد من العتبات. نحن نعتقد أن النموذج ينبغي أن يتعلم هذا من محادثات حقيقية، بالطريقة نفسها التي تتعلم بها نماذج اللغة القواعد النحوية."

ما الذي وضعته Fish Audio فعليًا على الورق

بعيدًا عن التسويق، السطح المنشور لـ Live 3 قصير بما يكفي لسرده بالكامل. كل ما يلي مستمد من إعلان Fish Audio أو وثائقه؛ ولم يتم قياس أي شيء هنا بشكل مستقل.

• زمن رد الفعل — تفيد Fish Audio بأن النموذج يستطيع أن يقرر الرد خلال 186 مللي ثانية فقط، وذلك في سياق التفاعلات القصيرة مثل "mm-hmm" و"okay" والتأكيدات السريعة، لا الإجابات الكاملة.

• البنية — ازدواجية كاملة. فهي تستمع بينما تتحدث، وهذا ما يجعل الإقرار في منتصف الرقم ممكنًا أصلًا.

• إشارة التدريب — محادثات بشرية حقيقية، مع تعلّم سلوك تناوب الأدوار بدلاً من تهيئته. لا يُفصح عن حجم مجموعة البيانات، ولا عدد الساعات، ولا مجموعة التقييم.

• اللغات — الإنجليزية فقط عند الإطلاق، مع ذكر ذلك بوضوح في الإعلان.

• التوزيع — منصة Fish Agent Platform، وواجهة API الخاصة بـ Fish Audio، والنشر المحلي لعملاء المؤسسات.

• السعر — غير منشور. تسرد قائمة أسعار Fish Audio الطرازات drama-3 وs2.1-pro وs2.1-pro-free وs2-pro وs1، إضافة إلى ثلاثة طرازات ASR وvoice-design-1. ولا يظهر Live 3 عليها.

يستحق الإعلان نفسه قراءته كاملًا، لأنه غير معتاد في دقّته بشأن السلوك وغير معتاد في صمته بشأن الأرقام.

ترافقها ثلاثة مقتطفات صوتية — متصل يضيف تفاصيل مع توقفات، ومتصل يقاطع سرد قائمة، ومتصل يقول «مم-هم» بينما يعيد الموظف قراءة طلب — وكل منها يمثل الادعاء نفسه بشأن السلوك من زاوية مختلفة. ولا يأتي أي منها مرفقًا بدرجة على مستوى النص المكتوب، ولا يزعم الإعلان وجود واحدة.

ممّ يتكوّن وكيل Live 3

Live 3 هو طبقة الكلام لمنتج أكبر، وعمل التكامل يتركّز في بقية ذلك المنتج. تشغّل Fish Audio منصة Agent Platform المستضافة، وهي حاليًا في نسخة تجريبية عامة، وتتيح واجهة REST تحت /v1/agent/* إضافةً إلى مجموعات تطوير العملاء (SDK) لـ JavaScript وReact. يمكن ربط الوكلاء بأداة ويب مضمنة أو برقم هاتف أو بعميل مخصص، وتُصادَق الجلسات باستخدام رموز جلسة بدلًا من مفتاح طويل الأمد في المتصفح. تتولى المنصة مسار الصوت؛ وأنت توفر التعليمات والأدوات وسير العمل.

الجزء المهم لأي شخص يبني فوقه هو خطاف LLM المخصص. يتيح Fish Audio لطبقة الاستدلال لدى الوكيل أن تشير إلى نقطة نهاية متوافقة مع OpenAI، مما يعني أن النموذج الذي يقوم بالتفكير لا يجب أن يكون تابعًا للمورّد. هذا خط تماس مقصود، وهو الخط الذي تنتمي إليه طبقة التوجيه. تقف OrcaRouter خلف نقطة النهاية تلك مع 216 نموذجًا من المفتاح نفسه، بسعر قائمة المزوّد دون أي هامش وتجاوز فشل تلقائي عند حدوث خطأ من أحد المزوّدين — لذا يمكن استبدال المخطِّط داخل وكيل Live 3، واختباره A/B على نصوص مكالمات حقيقية وإعادة توجيهه دون لمس طبقة الكلام أو رقم الهاتف. تحدد لغة DSL للتوجيه أي نموذج يحصل على أي مكالمة، ويتيح دمج النماذج لنموذج رخيص أن يصوغ المسودة بينما يراجع نموذج أقوى استدعاء الأداة قبل تنفيذه. لنكون صريحين بشأن الحدود: لا تستضيف OrcaRouter خدمة Fish Audio Live 3. لا توجد نقطة نهاية لطرف ثالث لها، وطبقة الكلام هنا هي طبقة المورّد نفسه.

المنصة هي المكان الذي يحصل فيه الوكيل على رقم هاتفه وأدواته ودورة حياة جلسته.

ما الذي سيحسم الأمر؟

ثلاثة أرقام من شأنها أن تحوّل هذا من ادّعاء إلى نقطة بيانات، ولا يوجد أيٌّ منها بعد.

• سعر لكل بايت أو لكل دقيقة لـ Live 3، حتى يمكن مقارنة تكلفة مكالمة مدتها عشر دقائق بالنظام المتسلسل (cascade) الذي تحل محله. وإلى أن يتوفر ذلك، فإن أي تقدير للتكلفة الإجمالية لنشر Live 3 ليس سوى تخمين مزوّد بعلامة عشرية.

• توزيع لزمن الوصول بدلاً من حدّ أدنى. تصف عبارة «في أقل من 186 مللي ثانية» الذيل السريع للتفاعلات القصيرة. أما الزمن حتى أول صوت لإجابة كاملة فهو الرقم الذي يحدد ما إذا كان المتصل سيتحدث فوق الوكيل، ولم تنشر Fish Audio هذا الرقم.

• درجة مستقلة لتناوب الأدوار. يشغّل Artificial Analysis اختبار Full-Duplex-Bench واختبار τ-Voice الوكيلي على النماذج كاملة الازدواجية، وسيكون كلاهما قابلاً للمقارنة مباشرةً بالصفوف المنشورة للنماذج كاملة الازدواجية الأخرى في هذا السوق. وسيجيب صف Live 3 على أي من اللوحتين، في جدول واحد، عمّا يجيب عنه الإعلان بالنثر.

في هذه الأثناء، القراءة الصادقة هي هذه: المشكلة التي اختارتها Fish Audio مشكلة حقيقية وتعاني من نقص في الخدمة، والأمثلة العملية هي الأمثلة الصحيحة، والطراز يُطلق إلى مستخدمين حقيقيين عبر منصة هي نفسها لا تزال في مرحلة البيتا. إذا كان نمط فشل وكيلك اليوم هو أن تتم مقاطعة المتصلين أثناء كلامهم، أو أن يضطروا إلى تكرار تسلسل رقمي مرتين، فإن Live 3 يستهدف ذلك بالضبط — وأول شيء يجب قياسه بعد نشره ليس زمن الاستجابة بل عدد المرات التي يضطر فيها المتصل إلى البدء من جديد.