Fish Audio Live 3 ist produktionsreif und geschlossen: Was vLLM-Omnis Angebot tatsächlich verlangt

Der aufschlussreichste Satz über Fish Audio Live 3 stammte nicht von Fish Audio. Als das Unternehmen das Modell am 10. November 2026 ankündigte, kam die Antwort mit der größten Reichweite vom Account des vLLM-Projekts: Glückwünsche zur Veröffentlichung eines Vollduplex-Sprachmodells, das zuhört, während es spricht, der Wunsch, es möge eines Tages als Open Source verfügbar gemacht werden, und das Angebot, dass vLLM-Omni es gerne bedienen würde, sobald es so weit ist. Lesen Sie diese Antwort zweimal, und Sie haben die Gestalt der gesamten Veröffentlichung, denn sie enthält beide Hälften der Geschichte zugleich – einen echten Fortschritt bei den Fähigkeiten und ein Fehlen, das einem Serving-Framework sofort auffällt.

Fish Audio Live 3 ist ein Voll-Duplex-Sprachmodell: Es hört weiter zu, während es Sprache erzeugt, und wird vom ersten Tag an als produktionsbereit über Fish Audios Agent Platform, über die eigene API des Unternehmens sowie als On-Premises-Bereitstellung für Unternehmen verkauft. Herunterladbar ist es jedoch nicht. Keine Gewichte, keine Lizenz, kein Repository und – Stand 11. November – keine Modellkennung in Fish Audios API-Dokumentation, die weiterhin s2.1-pro, s2.1-pro-free, s2-pro, s1 sowie drei Transkriptionsmodelle auflistet und nichts, das Live 3 heißt. Jede unten aufgeführte Leistungszahl stammt von Fish Audio selbst, und keine wurde unabhängig reproduziert.

Was ausgeliefert wurde und was „production-ready“ in diesem Satz tut

Die technische Behauptung in der Ankündigung ist enger und interessanter als die Marketingzeile. Fish Audio sagt, das Modell handhabe das Timing von Gesprächen innerhalb des Sprachmodells statt über eine Pipeline aus getrennten Erkennungs-, Reasoning- und Generierungsstufen, und es habe aus aufgezeichneten menschlichen Gesprächen gelernt, wann es bestätigen, warten, antworten oder aufhören solle, statt aus handgeschriebenen Stille-Schwellenwerten. Eine separate Reasoning-Schicht enthält die Anweisungen und Tools des Agenten. Drei Beispielanrufe liegen dem Beitrag bei – eine Bestellung abschließen, unterbrechen und Backchannelling während einer Rücklesung – und sie sind das, was in der Veröffentlichung am ehesten als Beleg durchgeht.

Was „production-ready“ in der Praxis bedeutet, ist, dass am Launch-Tag die kommerzielle Hülle existiert: eine Self-Serve-Plattform mit einem Guthaben von 5 US-Dollar und ohne Kreditkarte, ein dokumentierter Agent-Builder, Telefonie und eine On-Premises-Option für Unternehmen. Es bedeutet nicht, dass das Modell irgendetwas durchlaufen hat, das ein Käufer als Abnahmetest bezeichnen würde. Es gibt keinerlei veröffentlichte Evaluierung – keine Wortfehlerrate, keinen Aufgabenerfolg, keinen Turn-Taking-Score, keine Latenzverteilung. Das ist für ein Sprachmodell an seinem ersten Tag nicht ungewöhnlich, aber es lohnt sich, es klar zu sagen, denn ein Launch-Beitrag, der mit Millisekunden beginnt, lädt Leser dazu ein, eine Untergrenze als Messwert zu behandeln.

Drei Zahlen, und nur zwei davon stammen von Fish Audio

• Reaktionsgeschwindigkeit — 186 Millisekunden, Fish Audios eigene Angabe, beschrieben im Kontext kurzer Reaktionen wie einem „mm-hmm“ oder einer schnellen Bestätigung, während die vollständige Antwort vorbereitet wird. Es ist eine Untergrenze für eine Bestätigung, keine Zeit bis zum ersten Audio für eine Antwort.

• Preis — $0.035 pro Minute auf der Agent Platform, beworben als 50 % Rabatt auf einen Listenpreis von $0.07, wobei das Angebot laut Angaben am 31. Dezember 2026 enden soll. Dieser Minutenpreis bündelt Spracherkennung, das Reasoning-Modell und die Stimme; Premium-LLM-Tokens werden zu ihrem eigenen Token-Tarif abgerechnet, Telefonanrufe kosten zusätzlich $0.01 pro Minute und Telefonnummern kosten $1.20 pro Monat.

• Unabhängige Bewertungen — null. Artificial Analysis betreibt ein Speech-to-Speech-Board, das Grok Voice 3.0, GPT-Live-1, Gemini 3.8 Live, Qwen Audio 3.0 Realtime und ein Dutzend weitere hinsichtlich Reasoning, Gesprächsdynamik, Aufgabenerfolg und Zeit bis zum ersten Audio rankt. Bei einer Prüfung am 11. November 2026 enthält dieses Board überhaupt keine Fish-Audio-Duplex-Zeile.

Die ersten beiden Zahlen sind die, auf deren Grundlage ein Käufer handeln kann. Die dritte ist die, die ein Käufer irgendwann brauchen wird, und sie ist der Grund, warum der Preis einen zweiten Blick statt eines ersten verdient: Ein Aktionspreis mit veröffentlichtem Enddatum ist kein Kostenmodell, sondern eine Kostenschätzung mit aufgedrucktem Ablaufdatum.

Warum ein Serving-Framework sich um ein geschlossenes Modell kümmert

Das Interesse von vLLM-Omni ist keine Sentimentalität. Serving-Frameworks existieren, um Gewichte auszuführen, die man laden kann, auf Hardware, die man kontrolliert, zu Grenzkosten, die die eigene Stromrechnung sind statt eines fremden Minutenmeters. Ein geschlossenes Modell ist dafür kein Kunde. Das Angebot in dieser Antwort ist daher am besten als eine an ein künftiges Release gerichtete Bitte zu lesen: Veröffentliche den Checkpoint, und es wartet bereits ein Inferenzpfad darauf.

Was das Fehlen bemerkenswert statt unvermeidlich macht, ist Fish Audios eigener Track Record. Das Unternehmen hat schon früher offene Gewichte veröffentlicht — Fish Audio Drama 3, sein expressives Text-to-Speech-Modell, ist als herunterladbarer Checkpoint verfügbar und wurde in Open-Weights-Speech-Arenen bewertet. Die geschlossene Verbreitung hier liest sich daher als Produktentscheidung zum Live-Agent-Geschäft, nicht als Unternehmenspolitik zur Offenheit. Die On-Premises-Option macht die Frage weiter komplizierter: Unternehmen können Live 3 innerhalb ihres eigenen Perimeters betreiben, was nicht dasselbe ist wie es lesen, feinabstimmen oder erneut hosten zu können, und Fish Audio hat nicht gesagt, was davon der On-Prem-Deal umfasst.

Die nur auf Englisch verfügbare Zeile steht direkt neben der Angabe „30+ Sprachen“.

Zwei Sätze auf Fish Audios eigenen Seiten ziehen in unterschiedliche Richtungen. Die Ankündigung sagt ausdrücklich, dass Live 3 heute Englisch spricht. Die Seite der Agent Platform auf derselben Website bewirbt über 2.000.000 Stimmen in mehr als 30 Sprachen und einen Anrufer, der „in Sekunden, zu jeder Tages- und Nachtzeit, in der Sprache des Anrufers beantwortet“ wird. Beides kann gleichzeitig zutreffen – eine große mehrsprachige Stimmbibliothek und eine Spracherkennungsschicht können dreißig Sprachen abdecken, während das darunterliegende Duplexmodell eine einzige spricht –, aber nur einer dieser Sätze beschreibt, was Sie kaufen, wenn Sie Live 3 kaufen. Wenn Ihre Anrufer kein Englisch sprechen, ist die interessante Frage nicht, was die Plattform aussprechen kann, sondern wann das Duplexmodell aufholt.

Was Sie heute anrufen können und über welchen Weg

Der Zugriff läuft über Fish Audios eigene API und die Agent Platform, wobei der On-Premises-Weg Enterprise-Verträgen vorbehalten ist. Es gibt kein Serving des Modells durch Dritte, was die direkte Folge des fehlenden Checkpoints ist: Man kann Live 3 nicht bei einem Infrastrukturanbieter mieten, weil es kein Artefakt gibt, das sich bereitstellen ließe. Wer das Modell als „über Partnerplattformen verfügbar“ beschreibt, beschreibt die Voice Library der Plattform, nicht das Duplex-Modell.

Die portable Hälfte eines Agent-Stacks ist die Reasoning-Hälfte, und auf der Agent Platform ist diese Hälfte eine separate Position auf der Rechnung. Dort verdient ein Router seinen Platz – und nicht als Weg zum Sprachmodell: OrcaRouter führt mehr als 200 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, sodass das Textmodell, das das Denken übernimmt, ausgetauscht, gepinnt oder bei Ausfall gewechselt werden kann, ohne den Sprachvertrag anzutasten, und ein automatisches Failover hält einen Call am Leben, wenn das Reasoning-Backend Fehler wirft oder in ein Timeout läuft. Fish Audio Live 3 steht nicht auf dieser Liste – es gibt nichts zu hosten – und kein Teil dieses Beitrags sollte als gegenteilige Behauptung gelesen werden.

Was würde dieses Stück verändern?

Vier Ereignisse, grob in der Reihenfolge, in der sie das Bild vermutlich bewegen würden. Ein Checkpoint – genau das, worum die vLLM-Omni-Antwort bittet und was Live 3 auf dieselbe Stufe wie Drama 3 heben würde. Ein Eintrag auf einem unabhängigen Speech-to-Speech-Board, der 186 Millisekunden von einer Behauptung in einen Datenpunkt mit Kontext verwandeln würde. Eine veröffentlichte Modellbezeichnung und ein Tarif in der eigenen API-Dokumentation von Fish Audio, was die Sache in einem Beschaffungsdokument zitierfähig machen würde. Und der 1. Januar 2027, an dem der Aktionspreis von 0,035 $ entweder Bestand hat oder nicht.

Bis dahin lautet die ehrliche Zusammenfassung, dass Live 3 das interessanteste in dieser Woche veröffentlichte Voice-Modell und zugleich das am schlechtesten dokumentierte ist: ein echtes architektonisches Argument dafür, wo der Sprecherwechsel angesiedelt sein sollte, verpackt in ein kommerzielles Produkt, das seinen Preis veröffentlicht hat und sonst nichts. Das ist eine vernünftige Sache zum Ausliefern. Es ist noch nichts, was sich bewerten lässt, und der Unterschied zwischen diesen beiden Sätzen ist genau das, worauf ein Serving-Framework, ein unabhängiger Benchmark und ein Beschaffungsteam jeweils warten.