Fish Audio Live 3 antwortet in 186 Millisekunden und verbringt den Rest des Anrufs mit der Entscheidung, ob es sprechen soll

Fish Audio Live 3 ist ein Vollduplex-Sprachmodell, das Fish Audio am 10.11.2026 angekündigt hat, und seine gesamte Verkaufsbotschaft ruht auf einem Unterschied, den die meisten Sprachagenten immer noch falsch machen: Eine Pause mitten in einer Telefonnummer ist nicht dasselbe Ereignis wie die Pause am Ende einer Frage. Das Modell hört weiter zu, während es spricht, kann laut Fish Audio in nur 186 Millisekunden entscheiden zu antworten und wurde auf aufgezeichneten menschlichen Gesprächen trainiert, um zu lernen, wann es bestätigen, wann es warten, wann es antworten und wann es aufhören soll – statt eine Tabelle mit Stille-Schwellenwerten vorgelegt zu bekommen.

Die letzte Klausel ist die interessante, und sie ist auch der Grund, warum dieser Beitrag Ihnen keinen Benchmark liefern kann. Fish Audio hat keine Evaluierung für Live 3 veröffentlicht, keinen Preis pro Byte dafür auf seiner eigenen Preisliste und keine Modellkennung oder Endpunktdokumentation, die es benennt. Artificial Analysis, das Duplex-Sprachmodelle in einer einzigen Testumgebung bewertet, führt mit Stand 2026-11-11 keine Live-3-Zeile — das Board listet Fish Audio als Modellfamilie und bewertet keine seiner Duplex-Arbeiten. Die 186-Millisekunden-Zahl ist vom Anbieter berichtet und nicht auditiert. Im Folgenden wird getrennt, was Fish Audio dokumentiert hat, von dem, was es behauptet hat, denn einen Tag nach dem Launch sind das zwei verschiedene Stapel.

Die Pause, die eine Telefonnummer ruiniert

Fish Audios eigenes ausgearbeitetes Beispiel ist das beste Argument in der Ankündigung. Liest man eine Nummer in Abschnitten vor – „415… 555… 0132“ –, hört ein herkömmlicher Agent drei separate End-of-Turn-Ereignisse oder eine lange Zögerung, die er für das Nachdenken des Anrufers hält. Für Live 3 ist dokumentiert, dass es zwischen den Abschnitten „mm-hmm“ oder „okay, 415“ sagt und dann auf den Rest wartet. Die Bestätigung erfüllt zwei Aufgaben gleichzeitig: Sie bestätigt, dass die Ziffern angekommen sind, und sie lässt das Rederecht offen, sodass der Anrufer Luft holen, die nächsten paar Ziffern prüfen und weitermachen kann.

Die schwierigere Hälfte desselben Problems ist der entgegengesetzte Fehler. Wenn der Agent Öffnungszeiten vorliest und der Anrufer „ja“ oder „mm-hmm“ sagt, um zu zeigen, dass er folgt, ist dokumentiert, dass Live 3 weiterläuft, anstatt zu stoppen. Dann sagt der Anrufer: „Warten Sie, eigentlich brauche ich nur Donnerstag“, und es stoppt und macht Platz. Fish Audios Darstellung ist, dass nicht jedes Geräusch eine Unterbrechung ist, und das Modell soll einen Backchannel von einer Übernahme unterscheiden können, ohne dass ein Entwickler jedes Geräusch auflisten muss, das ein Mensch machen könnte.

Der dritte Fall sind Korrekturen mitten in der Äußerung: „Ich hätte gern zwei Pizzen … nein, drei. Drei große. Und … machen Sie eigentlich eine davon zu einer Margherita.“ Eine Pipeline, die bei der ersten plausiblen vollständigen Bestellung auslöst, gibt zweimal die falsche Bestellung auf. Bei Live 3 ist dokumentiert, dass es jede Überarbeitung abwartet. Support-Anrufe, Buchungen und Bestellungen sind voll von genau diesem Muster, und das ist der Grund, warum der CEO von Fish Audio zu einer sprachlichen Analogie griff statt zu einer Latenzzahl.

„Die bisherige Lösung waren mehr Regeln und mehr Schwellenwerte“, sagte Rissa Cao, Mitgründerin und CEO von Fish Audio. „Wir finden, ein Modell sollte das aus echten Gesprächen lernen, so wie Sprachmodelle Grammatik lernen.“

Was Fish Audio tatsächlich zu Papier gebracht hat

Ohne das Marketing ist die veröffentlichte Oberfläche von Live 3 kurz genug, um sie vollständig aufzulisten. Alles im Folgenden stammt aus Fish Audios Ankündigung oder der zugehörigen Dokumentation; nichts davon wurde unabhängig gemessen.

• Reaktionszeit — Fish Audio gibt an, dass das Modell in Kontexten kurzer Reaktionen wie „mm-hmm“, „okay“ und schneller Bestätigungen statt vollständiger Antworten bereits nach nur 186 Millisekunden mit einer Antwort beginnen kann.

• Architektur – Vollduplex. Sie hört zu, während sie spricht, und genau das macht eine Bestätigung mitten in einer Nummer überhaupt erst möglich.

• Trainingssignal — echte menschliche Gespräche, bei denen das Verhalten bei der Gesprächsübergabe erlernt statt konfiguriert wird. Weder Datensatzgröße noch Stundenzahl noch Evaluationsset werden offengelegt.

• Sprachen — zum Start nur Englisch, klar in der Ankündigung angegeben.

• Vertrieb — die Fish Agent Platform, die eigene API von Fish Audio und On-Premises-Bereitstellung für Unternehmenskunden.

• Preis — nicht veröffentlicht. Die Preisliste von Fish Audio führt drama-3, s2.1-pro, s2.1-pro-free, s2-pro und s1 auf, dazu drei ASR-Modelle und voice-design-1. Live 3 ist dort nicht aufgeführt.

Die Ankündigung selbst ist es wert, vollständig gelesen zu werden, denn sie ist ungewöhnlich konkret in Bezug auf das Verhalten und ungewöhnlich zurückhaltend bei Zahlen.

Dazu gehören drei Audioausschnitte — ein Anrufer, der mit Pausen Details ergänzt, ein Anrufer, der eine Menüliste unterbricht, und ein Anrufer, der „mm-hmm“ sagt, während der Agent eine Bestellung zurückliest — und jeder davon ist dieselbe Verhaltensbehauptung aus einem anderen Blickwinkel. Keiner davon enthält eine Bewertung auf Transkriptebene, und die Ankündigung erhebt keinen solchen Anspruch.

Woraus ein Live-3-Agent besteht

Live 3 ist die Sprachschicht eines größeren Produkts, und der Rest dieses Produkts ist der Bereich, in dem die Integrationsarbeit liegt. Fish Audio betreibt eine gehostete Agent Platform, derzeit in öffentlicher Beta, die eine REST-Oberfläche unter /v1/agent/* sowie Client-SDKs für JavaScript und React bereitstellt. Agents lassen sich an ein Web-Widget, eine Telefonnummer oder einen benutzerdefinierten Client anbinden, und Sitzungen werden mit Sitzungstokens statt mit einem langlebigen Schlüssel im Browser authentifiziert. Die Plattform übernimmt den Audiopfad; Sie liefern die Anweisungen, Tools und Workflows.

Der Teil, der für alle relevant ist, die darauf aufbauen, ist der Custom-LLM-Hook. Fish Audio erlaubt es, dass die Reasoning-Schicht eines Agenten auf einen OpenAI-kompatiblen Endpoint zeigt, was bedeutet, dass das Modell, das die Denkarbeit übernimmt, nicht das des Anbieters sein muss. Das ist eine bewusste Nahtstelle, und genau an dieser Nahtstelle gehört eine Routing-Schicht hin. OrcaRouter sitzt hinter diesem Endpoint mit 216 Modellen aus demselben Schlüssel, zum Listenpreis des Anbieters ohne Aufschlag und automatischem Failover, wenn ein Anbieter einen Fehler zurückgibt — sodass der Planner in einem Live-3-Agenten ausgetauscht, anhand echter Gesprächstranskripte A/B-getestet und neu ausgerichtet werden kann, ohne die Sprachschicht oder die Telefonnummer anzufassen. Eine Routing-DSL entscheidet, welches Modell welchen Anruf bekommt, und Modell-Fusion ermöglicht es, dass ein günstiges Modell einen Entwurf erstellt, während ein stärkeres den Tool-Call überprüft, bevor er ausgeführt wird. Um die Grenze ausdrücklich zu benennen: OrcaRouter hostet Fish Audio Live 3 nicht. Es gibt keinen Endpoint eines Drittanbieters dafür, und die Sprachschicht ist hier die des Anbieters selbst.

Die Plattform ist der Ort, an dem ein Agent seine Telefonnummer, seine Tools und seinen Sitzungslebenszyklus erhält.

Was würde es klären

Drei Zahlen würden daraus statt einer Behauptung einen Datenpunkt machen, und keine davon existiert bisher.

• Ein Preis pro Byte oder pro Minute für Live 3, damit die Kosten eines zehnminütigen Gesprächs mit der Kaskade verglichen werden können, die es ersetzt. Bis das verfügbar ist, bleibt jede Schätzung der Gesamtkosten für eine Live-3-Bereitstellung eine Vermutung mit einer Nachkommastelle.

• Eine Latenzverteilung statt einer Untergrenze. „Schon 186 Millisekunden“ beschreibt das schnelle Ende kurzer Reaktionen. Die Zeit bis zum ersten Audio für eine vollständige Antwort ist die Kennzahl, die entscheidet, ob ein Anrufer dem Agenten ins Wort fällt, und Fish Audio hat sie nicht veröffentlicht.

• Eine unabhängige Turn-Taking-Bewertung. Artificial Analysis führt Full-Duplex-Bench und einen agentischen τ-Voice-Test an Duplex-Modellen durch, und beide wären direkt mit den veröffentlichten Zeilen für die anderen Duplex-Modelle in diesem Markt vergleichbar. Eine Live-3-Zeile auf einem der beiden Boards würde in einer Tabelle beantworten, was die Ankündigung in Prosa beantwortet.

In der Zwischenzeit lautet die ehrliche Einschätzung: Das Problem, das Fish Audio ausgewählt hat, ist real und unterversorgt, die ausgearbeiteten Beispiele sind die richtigen, und das Modell wird über eine Plattform, die selbst noch in der Beta ist, an echte Nutzer ausgeliefert. Wenn der Fehlermodus Ihres Agenten heute darin besteht, dass man Anrufern ins Wort fällt oder dass sie eine Ziffernfolge zweimal wiederholen müssen, dann zielt Live 3 genau darauf ab – und das Erste, was Sie nach dem Deployment instrumentieren sollten, ist nicht die Latenz, sondern wie oft der Anrufer von vorn beginnen muss.