Fish Audio Live 3 vs. Eleven Realtime v1 Max: Die 186 ms und die 0,57 s sind nicht dieselbe Messung

Fish Audio Live 3 und Eleven Realtime v1 Max sind beide Vollduplex-Sprachmodelle, beide kamen innerhalb von vier Wochen zueinander auf den Markt, und beide werden mit der Behauptung verkauft, dass der Sprecherwechsel in das Sprachmodell gehört und nicht in eine Pipeline aus separaten Teilen. Fish Audio sagt, Live 3 könne in nur 186 Millisekunden entscheiden zu antworten. ElevenLabs’ Realtime v1 Max beginnt in 0,57 Sekunden zu sprechen. Nebeneinandergestellt wirken diese beiden Zahlen wie ein dreifacher Sieg für das neuere Modell, und diese Lesart ist auf eine Weise falsch, die es wert ist zu verstehen, bevor jemand einen Vertrag unterschreibt.

Die Zahlen messen unterschiedliche Ereignisse. Die 186 Millisekunden von Live 3 sind Fish Audios eigene Angabe für kurze Reaktionen – ein „mm-hmm“, ein „okay, 415“ zwischen den Blöcken einer Telefonnummer – nicht für eine vollständige Antwort. Die 0,57 Sekunden von Max sind eine gemessene Zeit bis zum ersten Audio für die Antwort selbst, ermittelt mit dem Speech-to-Speech-Harness von Artificial Analysis. Das eine ist ein vom Anbieter gemeldeter Mindestwert für eine Bestätigung; das andere ist eine geprüfte Latenz für eine Antwort. Zieht man sie voneinander ab, erhält man eine Zahl, die nichts bedeutet – und genau das ist der nützliche Ausgangspunkt für diesen Vergleich.

Was jeder Anbieter tatsächlich veröffentlicht hat

Eleven Realtime v1 Max kam am 20.10.2026 mit einer vollständigen Scorecard auf den Markt. Artificial Analysis bewertet es auf Big Bench Audio (98,8 %), Zeit bis zum ersten Audio (0,57 s), Aufgaben-Erfolgsquote (87,1 %), konversationeller Dynamik bei Full-Duplex-Bench (94,1 %) und Arena-Präferenz (997 Elo). Es hat keinen Speech-to-Speech-Index, weil der agentische τ-Voice-Test hinter diesem Index noch nicht damit ausgeführt wurde, und es erhält auch von ElevenLabs keinen Stundensatz – die 4,80 US-Dollar pro Stunde auf der Übersicht sind eine Umrechnung der minutenbezogenen Agenten- und API-Tarife von ElevenLabs, kein veröffentlichter Listenpreis für das Modell allein.

Fish Audio Live 3 erschien am 2026-11-10 mit einem Verhaltensargument und fast keinen Zahlen. Die veröffentlichte Oberfläche ist klein genug, um sie vollständig anzugeben.

• Reaktionsgeschwindigkeit — 186 Millisekunden, vom Hersteller angegeben, beschrieben im Kontext kurzer Reaktionen statt vollständiger Antworten.

• Unabhängige Bewertungen — keine. Artificial Analysis führt Stand 2026-11-11 keine Live-3-Zeile in seinem Speech-to-Speech-Board; Fish Audio erscheint dort als Modellfamilie, nicht als bewerteter Duplex-Eintrag.

• 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 Speech-to-Text-Modelle und voice-design-1. Live 3 fehlt darin.

• Sprachen — laut Ankündigung zum Start nur Englisch.

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

• Architektur — Vollduplex, trainiert auf aufgezeichneten menschlichen Gesprächen, sodass Bestätigen, Warten, Antworten und Stoppen erlernte Verhaltensweisen sind.

Die von ElevenLabs veröffentlichte Oberfläche ist das Spiegelbild: eine vollständige Scorecard und ein undurchsichtiger Stückpreis. Max hat jede Zeile außer dem Index und dem τ-Voice test, und ElevenLabs bietet dies nicht als eigenständigen Minutenpreis an – in ElevenAgents zahlen Sie die Standard-Agent-Gebühr plus Tokens zum Realtime-Tarif, und über die Realtime API zahlen Sie pro Minute verbundenen Audios plus Tokens.

Das Verhaltensargument, das die eigentliche Konkurrenz ist

Beide Anbieter beschreiben denselben Fehlermodus und schlagen dieselbe strukturelle Lösung vor, was den Vergleich auf der Ebene der Ideen ungewöhnlich sauber macht. ElevenLabs sagt, dass Erkennung, Turn-Taking, Reasoning und Sprachgenerierung in Realtime als ein System abgestimmt werden, statt über Teile hinweg koordiniert zu werden, und das dokumentierte Beispiel für den Nutzen ist der Backchannel: Mini soll erkennen, ob ein Sprecher fertig ist oder nur mit einem „mm-hmm“ dazwischenruft. Fish Audios Version derselben Aussage ist eine Telefonnummer, die in Stücken vorgelesen wird – „415… 555… 0132“ –, wobei Live 3 dazwischen mit „mm-hmm“ oder „okay, 415“ antworten und auf den Rest warten könnte.

Worin sie sich unterscheiden, ist, was sie dir überlassen. Eleven Realtime wird auf zwei Arten angeboten: innerhalb von ElevenAgents und über eine Realtime-API, die wire-kompatibel mit OpenAIs Ereignisprotokoll unter wss://api.elevenlabs.io/v1/convai/realtime ist. Wenn man innerhalb von ElevenAgents ein Realtime-Modell wählt, bedeutet das, dass ElevenLabs das LLM, den Reasoning-Aufwand, das Denkbudget, parallele Tool-Aufrufe, das TTS-Modell und den ASR-Anbieter verwaltet. Fish Audios Agent Platform, derzeit in öffentlicher Beta, nimmt bei der Reasoning-Schicht die entgegengesetzte Haltung ein: Das benutzerdefinierte LLM eines Agenten kann auf einen OpenAI-kompatiblen Endpoint verweisen, sodass du das Modell, das die Denkarbeit leistet, selbst auswählst.

Dieser Unterschied entscheidet über mehr Deployments als die Latenzzahlen. Wenn der Anbieter den gesamten Stack besitzen soll und Sie bereit sind, Custom-LLM- und Bedrock-Routen abzuschreiben, ist ElevenAgents der kürzere Weg. Wenn die Reasoning-Ebene der Punkt ist, an dem sich Ihr Produkt differenziert – Retrieval, Policy-Prüfungen, Tool-Orchestrierung –, dann ist der Custom-LLM-Hook auf der Fish-Seite das Feature, das die Beschaffung übersteht.

Kosten, und warum die Spalte „Live 3“ leer ist

Max kostet 4,80 US-Dollar pro Stunde Eingabesaudio in der Artificial Analysis-Umrechnung, gegenüber einem Wert von 0,84 US-Dollar für den günstigsten starken Duplex-Wettbewerber in dieser Übersicht. Damit ist der Preis die Achse, auf der ein neuer Anbieter schnell einen Auftrag gewinnen kann, und genau die Achse, auf der Live 3 derzeit nicht bewertet werden kann. Die Kosten pro Aufruf für ein Deployment von Live 3 lassen sich aus nichts berechnen, was Fish Audio veröffentlicht hat, weil die Abrechnungseinheit nicht veröffentlicht ist.

Was Fish Audio veröffentlicht, ist eine Preisliste für seine anderen Modelle, und es lohnt sich, ihren Aufbau zu kennen, denn sie zeigt, wie das Unternehmen Sprache bepreist. Text-to-Speech wird pro UTF-8-Byte des eingegebenen Texts abgerechnet, und die eigene Dokumentation von Fish Audio gibt an, dass eine Million UTF-8-Bytes ungefähr 180.000 englischen Wörtern oder etwa zwölf Stunden Sprache entsprechen. Beim Listenpreis von drama-3 von 50 US-Dollar pro Million Bytes ergibt das ungefähr 4,17 US-Dollar pro Stunde generierter Sprache oder etwa 0,83 US-Dollar während der Einführungsaktion, die bis 2026-11-30 läuft. Das sind abgeleitete Zahlen für ein anderes Produkt, nicht die Preisgestaltung von Live 3, und Duplex-Agenten-Minuten sind nicht dieselbe Einheit wie synthetisierte Sprache – aber sie ordnen Fish Audios Preisskala in denselben Bereich von 1 bis 5 US-Dollar pro Stunde ein wie den Rest dieses Markts und nicht eine Größenordnung darunter.

Dies ist der Abschnitt, in dem eine Routing-Schicht auf beiden Seiten ihren Wert unter Beweis stellt. OrcaRouter hostet weder Fish Audio Live 3 noch Eleven Realtime v1 Max – keines von beiden hat einen Drittanbieter-Endpunkt, und die Sprachschicht in beiden Stacks bleibt beim jeweiligen Anbieter. Was OrcaRouter hostet, ist die Reasoning-Schicht, auf die sich beide ausrichten lassen: 216 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover, wenn ein Anbieter einen Fehler zurückgibt, und eine Routing-DSL, die entscheidet, welches Modell welchen Aufruf übernimmt. Die praktische Konsequenz: Die Token-Preisliste keines der beiden Anbieter wird zum Lock-in. Wenn ElevenLabs Realtime neu bepreist oder Fish Audio Live 3 als Pro-Byte-Tarif veröffentlicht, ändert sich die Sprachrechnung – die Reasoning-Rechnung nicht, denn sie war von Anfang an an keinen der beiden Anbieter gebunden.

Auf welchem soll jetzt aufgebaut werden?

Setzen Sie schon heute auf Eleven Realtime v1 Max, wenn Sie eine technische Entscheidung gegenüber jemandem verteidigen müssen, der nach einem Benchmark fragen wird. Es verfügt über eine geprüfte Scorecard, ein dokumentiertes Ereignisprotokoll und eine gemessene Latenz, die ein Prüfer nachvollziehen kann. Das Unbekannte bei Max ist der Preis pro Stunde bei hohem Volumen, nicht die Qualität.

Pilot Fish Audio Live 3 – wenn das Beschwerde-Log Ihres Agenten voll mit Beschwerden von Anrufern ist, denen ins Wort gefallen wurde, und wenn Sie bereit sind, die Verbesserung selbst zu messen. Der Wert von 186 Millisekunden lässt sich nicht mit Max’ 0,57 Sekunden vergleichen, das Modell hat keinen unabhängigen Turn-Taking-Score, und sein Listenpreis existiert noch nicht – daher muss ein Pilotprojekt als instrumentierter A/B-Test gegen Ihren aktuellen Agenten aufgesetzt werden, nicht als Beschaffungsentscheidung anhand eines Datenblatts.

Betrachten Sie 186 Millisekunden nicht als Latenzversprechen, auf das Sie jemanden festnageln können. Es ist eine Herstellerangabe dazu, wie schnell das Modell sich entscheiden kann, ein kurzes Geräusch zu erzeugen. Die Zahl, die Sie tatsächlich interessiert – wie lange es dauert, bis der Anrufer die erste Silbe der Antwort hört –, hat für Live 3 noch niemand veröffentlicht. Sobald sie veröffentlicht ist, wird der Vergleich mit Max ein echter, und bis dahin lautet die ehrliche Antwort auf „Welcher ist schneller?“: Der eine wird gemessen, der andere beschrieben.