Fish Audio Live 3 مقابل GPT-Live-1: كلاهما نصف منتج، والعداد يحدد أي نصف.

تُعدّ Fish Audio Live 3 وGPT-Live-1 نموذجين صوتيين كاملَي الازدواجية، وكلاهما يرى أن تناوب الأدوار ينتمي إلى داخل نموذج الكلام، وكلاهما غير مكتمل بمفرده. يستمع GPT-Live-1 ويتحدث ثم يُسلّم التفكير إلى نموذج خلفي منفصل — وهذا تصميمه، وليس قيدًا — ويحتسب 0.05 دولار لكل دقيقة صوتية مقابل النصف الأمامي، بينما يصل الاستدلال على عداد ثانٍ. يفعل Fish Audio Live 3 الشيء نفسه من حيث البنية: تعمل طبقة الكلام على Agent Platform الخاصة بـ Fish Audio، بينما يمكن لاستدلال الوكيل أن يشير إلى أي نقطة نهاية متوافقة مع OpenAI عبر خطاف custom-LLM. الفرق هو أن OpenAI نشرت سعر النصف الأول ونشرت Artificial Analysis نتيجة النظام كامل، في حين أن Fish Audio لم تنشر أيًا منهما، وتصف الرقم الوحيد الذي تقدمه — 186 مللي ثانية، أقصر فترة يمكن لـ Live 3 أن يقرر خلالها التفاعل — بأنه مُبلّغ عنه من المورّد.

هذا يجعل الأمر أقرب إلى منافسة بين طريقتين لتقسيم وكيل صوتي إلى نصفين منه إلى منافسة بين نموذجين، والتقسيم نفسه أهم من النموذج. سجّل GPT-Live-1 نتيجة 81.5 على مؤشر Artificial Analysis Speech to Speech Index عند اقترانه بـ GPT-6 Astra بجهد متوسط، و80.1 مع GPT-5.6 Sol بجهد منخفض، ما يعني أن اختيار الواجهة الخلفية غيّر النتيجة بمقدار سبعة أضعاف الفارق بين المركز الأول والثاني. لا يوجد بعد الرقم المكافئ لـ Live 3. شراء أي منهما يعني شراء نصف نظام والالتزام باختيار النصف الآخر بنفسك.

ما نشرته كل جهة مورّدة فعليًا

GPT-Live-1 هو المنتج الأفضل توثيقًا، وتتناول الوثائق الحد الفاصل بشكل محدد. أُطلق داخل ChatGPT في 2026-07-08 بديلًا عن وضع الصوت المتقدم، ووصل إلى واجهة برمجة التطبيقات للمطورين في 2026-09-10. تحمل لوحة Artificial Analysis صفين له لأن المؤشر يقيّم النظام بأكمله: 81.5 مع GPT-6 Astra بجهد متوسط، في المركز الأول، و80.1 مع GPT-5.6 Sol بجهد منخفض، في المركز الثالث. الأرقام التفصيلية للمكوّنات أسفل صف Astra هي درجة أداء وكيلي 67.9% على τ-Voice، و90% على Big Bench Audio، و87.4% في نجاح المهام، وتصنيف Elo في الساحة قدره 1,048، و1.34 ثانية حتى أول صوت — مقارنةً بـ0.798 ثانية لدى OpenAI نفسها على Full-Duplex-Bench، الذي يحتسب حدثًا مختلفًا.

لا يتجاوز ما نُشر عن Live 3 فقرة واحدة ومجموعة من الأمثلة العملية. أعلنت Fish Audio عنه في 2026-11-10، وتصفه بأنه ثنائي الاتجاه بالكامل ومدرّب على محادثات بشرية مسجلة، وتذكر أنه يستطيع أن يقرر الرد في غضون 186 مللي ثانية للتفاعلات القصيرة، وتقول إنه متاح بالإنجليزية فقط عند الإطلاق، وتوفره عبر منصة Fish Agent Platform، وواجهة API الخاصة بـ Fish Audio، والنشر المحلي. لا يوجد اختبار أداء معياري، ولا رقم τ-Voice، ولا تصنيف Elo في الساحات، ولا بند له في قائمة أسعار Fish Audio — التي تضم drama-3 وs2.1-pro وs2.1-pro-free وs2-pro وs1، إضافة إلى ثلاثة نماذج نسخ وvoice-design-1.

• النصف الأول — GPT-Live-1: $0.05 لكل دقيقة صوتية، تُحتسب بالثانية، مع احتساب 15 ثانية عند بدء الجلسة وتُخصم من الاستخدام اللاحق. Live 3: السعر غير منشور.

• النصف الخلفي — GPT-Live-1: نموذج خلفي غير متزامن تختاره أنت، ويُحتسب بسعر ذلك النموذج، مع GPT-5.6 Terra في مثال WebRTC المنشور من OpenAI. Live 3: خطاف LLM مخصص يشير إلى أي نقطة نهاية متوافقة مع OpenAI، ويُحتسب سعره بالمثل من قِبل الجهة التي تقدّمه.

• درجة مستقلة — GPT-Live-1: 81.5 و80.1 على المؤشر المركّب، مع تقييم تهيئتين بشكل منفصل. Live 3: لا شيء، اعتبارًا من 2026-11-11.

• النقل والحدود — {{1}}GPT-Live-1{{/1}}: WebRTC فقط، لا إدخال صور أو فيديو، ولا مخرجات منظمة، ولا طبقة مجانية، وحدود التزامن 25 و50 و200 و300 و500 جلسة متزامنة عبر الفئات من 1 إلى 5. {{2}}Live 3{{/2}}: REST ضمن /v1/agent/* مع حزم SDK لـ JavaScript وReact، ومصادقة برمز جلسة، وقنوات لرقم هاتف أو أداة ويب أو عميل مخصص.

لماذا يُعد الهيكل البالغ مترين هو القرار الفعلي

لفاتورة الوكيل الصوتي نصفان، واحد فقط منهما قابل للتنبؤ. النصف الأول يُحتسب بالوقت: بمعدل $0.05 في الدقيقة، تكلّف مكالمة مدتها خمس دقائق ربع دولار، وتكلّف ساعة من الخط المفتوح ثلاثة دولارات، وهي حسابات بسيطة بما يكفي للتنبؤ. أما النصف الثاني فيُحتسب بالرموز (tokens)، ويتغيّر بحسب مقدار التفكير الذي يبذله المتصل، وهو النصف الذي ينتج المفاجآت غير السارة — ولهذا يقدّم Artificial Analysis تكلفة إجمالية لكل ساعة بدلًا من سعر صوتي لكل دقيقة. ويبلغ رقمه $5.83 في الساعة لاقتران Astra و$4.47 لاقتران Sol، وكلاهما يشمل العمل الخلفي، مقابل $3.00 في الساعة التي كان عدّاد الصوت وحده سيقترحها.

يملك Live 3 البنية نفسها ذات العدّادين مع إخفاء عدّاد واحد. ولم تنشر Fish Audio أي تعريفة لطبقة الكلام، لذا فإن النصف الأمامي غير معروف، والنصف الخلفي هو ما تتقاضاه نقطة النهاية الموجودة خلف خطاف custom-LLM. لذلك، لا تكون تكلفة مكالمة Live 3 مدتها عشر دقائق قابلة للحساب إلا إذا عرفت الرقمين معًا، وأنت اليوم لا تعرف أياً منهما من المورّد.

هذا عدم التماثل هو السبب في ظهور طبقة توجيه في هذه المقارنة أصلاً، وهي لا تنتمي إلا إلى النصف الخلفي. لا تستضيف OrcaRouter كلاً من Fish Audio Live 3 أو GPT-Live-1 — فلا يملك أيٌّ منهما نقطة نهاية صوتية تابعة لطرف ثالث، وتبقى طبقة الكلام في أي من المنظومتين لدى مورّدها. ما تستضيفه OrcaRouter هو النصف الذي يفوّض إليه كلا النظامين: 216 نموذجًا خلف مفتاح واحد بسعر قائمة المزوّد دون أي هامش ربح، وتجاوز تلقائي للفشل عندما تحدث أخطاء في الواجهة الخلفية أو تنتهي المهلة، ولغة توجيه DSL تحدد أي نموذج يتعامل مع أي نوع من الأدوار، ودمج للنماذج يتيح لنموذج رخيص صياغة استدعاء أداة بينما يتحقق منه نموذج أقوى قبل تنفيذه. بالنسبة لنشر GPT-Live-1، يتمثل الأثر العملي في أن فارق 1.4 نقطة بين التكوينين المُقيَّمين يصبح شيئًا يمكنك قياسه على حركة المرور الخاصة بك بدلاً من قراءته من لوحة ترتيب. وبالنسبة لنشر Live 3، يعني ذلك أن طبقة الاستدلال تُختار قبل أن يُعرف سعر طبقة الكلام أصلاً — وهو الترتيب الصحيح، لأنها النصف الذي يمكنك تغييره لاحقًا.

رقم الكمون الذي لا يزال يُقارَن بالشيء الخطأ

تتداول في هذه المواجهة ثلاثة أرقام لزمن الاستجابة، ولا يقيس أيّ اثنين منها الحدث نفسه. يعود رقم 0.798 ثانية الخاص بـ GPT-Live-1 إلى Full-Duplex-Bench، وهي مجموعة اختبارات لديناميكيات المحادثة تقيس زمن نموذج داخل سيناريو تبادل الأدوار. أما الـ1.34 ثانية الخاصة به فهي زمن الوصول إلى أول صوت، مقاسًا عبر API. و186 مللي ثانية الخاصة بـ Live 3 هي رقم Fish Audio نفسه لأصغر فاصل زمني يمكن للنموذج أن يختار فيه إصدار رد فعل قصير مثل "mm-hmm" أو "okay, 415" بين مقاطع رقم هاتف.

قراءة هذين الرقمين معًا تُغري بالاستنتاج بأن Live 3 يستجيب في سُبع الزمن. لكن هذا الاستنتاج لا يدعمه أي شيء نشرته أيٌّ من الشركتين. والمقارنة الوحيدة التي تسمح بها الأرقام هي مقارنة اتجاهية فحسب: فكلتا الشركتين تزعمان أن أول حدث مسموع في محادثة يمكن أن يصل في غضون ربع ثانية في ظل بعض الظروف، ولم تنشر أيٌّ منهما توزيعًا. أما ما يمتلكه GPT-Live-1 ولا يمتلكه Live 3 فهو إطار اختبار من طرف ثالث يطبّق القياس نفسه عليه وعلى منافسيه، وهو ما يجعل 1.34 ثانية رقمًا يستطيع المراجع التحقق منه، ويجعل 186 مللي ثانية رقمًا يتعيّن على المستخدم التجريبي الأول أن يتحقق منه بنفسه.

ما الذي تُلزمك به البنية المعمارية

النصفان ليسا متساويين في قابلية النقل، وهذا هو الجزء الجدير بالتفكير فيه قبل أن يبدأ أيّ من المشروعين التجريبيين.

على صعيد GPT-Live-1، طبقة الصوت مثبتة فعليًا. تُشغَّل الجلسات عبر WebRTC بدلًا من نقل WebSocket الذي تستخدمه معظم تكاملات Realtime القائمة، ونقطة نهاية Live Sessions خاصة بـ OpenAI وحدها، واختبار المسار الأقدم باستخدام معرّف طراز GPT-Live يعيد خطأً يفيد بأن الجلسات تتطلب WebRTC. الانتقال إليه إعادة كتابة لطبقة النقل. والانتقال منه إعادة كتابة أخرى.

على جانب Live 3، تُحدَّد طبقة الكلام بطريقة مختلفة: فهي منصة تجريبية من مورّد أصغر، بالإنجليزية فقط، بلا سعر منشور ولا درجة مستقلة. وما هو قابل للنقل هناك هو خطاف الاستدلال، وما ليس كذلك هو كل ما يقع تحته — مسار الصوت، ورقم الهاتف، ودورة حياة الجلسة.

في كلتا الحالتين، النصف الخاص بالجوال هو نموذج الاستدلال، وهنا يكون التبديل مجرد تغيير في معرّف النموذج لا مشروع تكامل. والدرس التصميمي واحد على طرفي هذه المقارنة: ضع الذكاء في الطبقة التي يمكنك استبدالها، وأبقِ الطبقة التي لا يمكنك استبدالها رقيقة قدر ما يسمح به المنتج.

أي نصف يجب شراؤه أولًا

اشترِ النصف الخاص بـ GPT-Live-1 أولاً إذا كنت بحاجة إلى تبرير القرار الآن. فهو يوفّر سعرًا منشورًا، وتهيئتين مُقيَّمتين، وتفصيلًا للمكوّنات، وآلية نقل مُوثَّقة، وسلّم تزامن يمكنك ضبط حجم مركز اتصال وفقًا له. ما لا يوفّره هو مسار فيديو، أو مخرجات أدوات مُهيكلة، أو طبقة مجانية، أو أي إعادة إنتاج مستقلة لادعاء OpenAI الخاص بالتفاعلية البالغ 80.1%.

أجرِ تجربة أولية على نصف Live 3 أولاً إذا كانت مكالماتك بالإنجليزية، وكان سجل شكاواك مليئًا بمتصلين تتم المقاطعة أثناء حديثهم، وكان النشر داخل المنشأة شرطًا لا تفضيلًا. ابدأ وأنت تعلم أنك أنت التقييم: لا بند في بطاقة الأسعار، ولا رقم τ-Voice، ولا نتيجة arena، وادعاء 186 مللي ثانية يصف ردود فعل قصيرة بدلًا من إجابات.

لا تشترِ أيًا من النصفين على أمل أن يُكمل البائع المنتج. GPT-Live-1 دون واجهة خلفية مستمع جيد جدًا لا يملك ما يقوله؛ أما Live 3 دون نقطة نهاية استدلال خلف خطافها فهي طبقة كلام تجريبية بفاتورة غير منشورة. النتيجة التي تحسم هذه المواجهة — 81.5 مقابل لا شيء — هي في الحقيقة بيان عن التوثيق، والرقم الذي سيحسمها هو أول اختبار مستقل لتناوب الأدوار على Live 3.