Fish Audio Live 3 vs. GPT-Live-1: Beide sind nur ein halbes Produkt – und der Meter verrät, welche Hälfte.

Fish Audio Live 3 und GPT-Live-1 sind beide Vollduplex-Sprachmodelle, beide vertreten die Auffassung, dass Turn-Taking in das Sprachmodell gehört, und beide sind für sich genommen unvollständig. GPT-Live-1 hört und spricht und übergibt das Denken dann an ein separates Backend-Modell – das ist sein Design, keine Einschränkung – und es berechnet 0,05 US-Dollar pro Sprachminute für die erste Hälfte, während das Reasoning über einen zweiten Zähler abgerechnet wird. Fish Audio Live 3 macht strukturell dasselbe: Die Sprachschicht läuft auf Fish Audios Agent Platform, während das Reasoning des Agenten über den Custom-LLM-Hook auf jeden OpenAI-kompatiblen Endpoint verweisen kann. Der Unterschied besteht darin, dass OpenAI den Preis der ersten Hälfte veröffentlicht hat und Artificial Analysis die Bewertung des Gesamtsystems veröffentlicht hat, während Fish Audio weder das eine noch das andere veröffentlicht hat und die eine Zahl, die es tatsächlich nennt – 186 Millisekunden, das kürzeste Intervall, in dem Live 3 entscheiden kann zu reagieren –, als vom Anbieter angegeben kennzeichnet.

Damit ist das weniger ein Wettbewerb zwischen zwei Modellen als vielmehr ein Wettbewerb zwischen zwei Arten, einen Sprachagenten zu halbieren, und die Art der Aufteilung zählt mehr als das Modell. GPT-Live-1 erzielte 81,5 auf dem Artificial Analysis Speech to Speech Index, wenn es mit GPT-6 Astra bei mittlerem Aufwand kombiniert wurde, und 80,1 mit GPT-5.6 Sol bei niedrigem Aufwand, was bedeutet, dass die Wahl des Backends das Ergebnis um das Siebenfache des Abstands zwischen erstem und zweitem Platz verschob. Eine entsprechende Zahl für Live 3 gibt es noch nicht. Wer eines der beiden kauft, kauft ein halbes System und verpflichtet sich damit, die andere Hälfte selbst auszuwählen.

Was jeder Anbieter tatsächlich veröffentlicht hat

GPT-Live-1 ist das besser dokumentierte Produkt, und die Dokumentation äußert sich konkret zur Nahtstelle. Es wurde am 8. Juli 2026 in ChatGPT als Ersatz für den Advanced Voice Mode ausgeliefert und erreichte die Entwickler-API am 10. September 2026. Das Artificial-Analysis-Board führt zwei Zeilen dafür, weil der Index ein Gesamtsystem bewertet: 81,5 mit GPT-6 Astra bei mittlerem Aufwand, erster Platz, und 80,1 mit GPT-5.6 Sol bei niedrigem Aufwand, dritter Platz. Die Komponentenwerte unter der Astra-Zeile sind ein Agentic-Score von 67,9 % auf τ-Voice, 90 % auf Big Bench Audio, 87,4 % Aufgaben-Erfolg, ein Arena-Elo von 1.048 und 1,34 Sekunden bis zum ersten Ton — gemessen gegen OpenAIs eigene 0,798 Sekunden auf Full-Duplex-Bench, was ein anderes Ereignis zählt.

Die veröffentlichte Darstellung von Live 3 besteht aus einem Absatz und einer Reihe ausgearbeiteter Beispiele. Fish Audio kündigte es am 10.11.2026 an, beschreibt es als Vollduplex und als auf aufgezeichneten menschlichen Gesprächen trainiert, gibt an, dass es sich bei kurzen Reaktionen in nur 186 Millisekunden für eine Antwort entscheiden kann, sagt, dass es zum Start nur Englisch unterstützt, und bietet es über die Fish Agent Platform, Fish Audios eigene API und On-Premises-Bereitstellung an. Es gibt keinen Benchmark, keine τ-Voice-Zahl, kein Arena-Elo und keine Zeile dafür auf Fish Audios Preisliste – die drama-3, s2.1-pro, s2.1-pro-free, s2-pro und s1 sowie drei Transkriptionsmodelle und voice-design-1 auflistet.

• Vordere Hälfte — GPT-Live-1: 0,05 $ pro Sprachminute, sekundengenau abgerechnet, wobei zu Beginn der Sitzung 15 Sekunden berechnet und auf die spätere Nutzung angerechnet werden. Live 3: Preis nicht veröffentlicht.

• Hintere Hälfte — GPT-Live-1: ein asynchrones Backend-Modell Ihrer Wahl, abgerechnet zu den Tarifen dieses Modells, mit GPT-5.6 Terra in OpenAIs veröffentlichtem WebRTC-Beispiel. Live 3: ein Custom-LLM-Hook, der auf einen beliebigen OpenAI-kompatiblen Endpoint verweist, ebenfalls abgerechnet von demjenigen, der ihn bereitstellt.

Unabhängige Bewertung — GPT-Live-1: 81,5 und 80,1 auf dem Gesamtindex, zwei Konfigurationen separat bewertet. Live 3: keine, Stand 2026-11-11.

• Transport und Limits — GPT-Live-1: nur WebRTC, keine Bild- oder Videoeingabe, keine strukturierten Ausgaben, kein kostenloser Tarif und Parallelitätslimits von 25, 50, 200, 300 und 500 gleichzeitigen Sitzungen in den Tiers 1 bis 5. Live 3: REST unter /v1/agent/* mit JavaScript- und React-SDKs, Session-Token-Authentifizierung, Kanälen für eine Telefonnummer, ein Web-Widget oder einen benutzerdefinierten Client.

Warum die Zwei-Meter-Struktur die eigentliche Entscheidung ist

Die Rechnung eines Sprachagenten hat zwei Hälften, und nur eine davon ist vorhersehbar. Die vordere Hälfte wird nach Zeit abgerechnet: Bei $0.05 pro Minute kostet ein fünfminütiges Gespräch einen Vierteldollar, und eine Stunde offener Leitung kostet drei Dollar – eine Rechnung, die einfach genug zum Prognostizieren ist. Die hintere Hälfte wird nach Tokens abgerechnet, variiert je nachdem, wie stark der Anrufer nachdenkt, und ist die Hälfte, die die unangenehmen Überraschungen erzeugt – weshalb Artificial Analysis Gesamtkosten pro Stunde statt eines Minutenpreises für Sprache angibt. Der Wert liegt bei $5.83 pro Stunde für die Astra-Kombination und bei $4.47 für die Sol-Kombination, beide einschließlich Backend-Arbeit, gegenüber den $3.00 pro Stunde, die der reine Sprachzähler vermuten ließe.

Live 3 hat dieselbe Zwei-Zähler-Struktur, wobei ein Zähler verborgen ist. Fish Audio hat keinen Tarif für die Sprachschicht veröffentlicht, daher ist die vordere Hälfte unbekannt, und die hintere Hälfte ist das, was der Endpunkt hinter dem Custom-LLM-Hook berechnet. Ein zehnminütiger Live-3-Anruf hat daher nur dann berechenbare Kosten, wenn man beide Zahlen kennt, und heute kennt man keine von beiden vom Anbieter.

Diese Asymmetrie ist der Grund, warum eine Routing-Schicht in diesem Vergleich überhaupt erst auftaucht, und sie gehört nur in die hintere Hälfte. OrcaRouter hostet weder Fish Audio Live 3 noch GPT-Live-1 – keines der beiden hat einen Voice-Endpunkt von Drittanbietern, und die Sprachschicht bleibt in beiden Stacks beim jeweiligen Anbieter. Was OrcaRouter hostet, ist die Hälfte, an die beide Systeme delegieren: 216 Modelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover, wenn ein Backend einen Fehler meldet oder ein Timeout hat, eine Routing-DSL, die entscheidet, welches Modell welche Art von Turn übernimmt, und Modellfusion, damit ein günstiges Modell einen Tool-Aufruf entwerfen kann, während ein stärkeres Modell ihn prüft, bevor er abgesetzt wird. Für ein GPT-Live-1-Deployment bedeutet das praktisch, dass die 1,4-Punkte-Differenz zwischen den beiden bewerteten Konfigurationen zu etwas wird, das man am eigenen Traffic messen kann, statt sie von einem Leaderboard abzulesen. Für ein Live-3-Deployment bedeutet es, dass die Reasoning-Schicht gewählt wird, bevor der Preis der Sprachschicht überhaupt bekannt ist – und das ist die richtige Reihenfolge, denn sie ist die Hälfte, die man später ändern kann.

Der Latenzwert, der immer wieder mit der falschen Sache verglichen wird

In diesem Vergleich kursieren drei Latenzwerte, und keine zwei davon messen dasselbe Ereignis. Die 0,798 Sekunden von GPT-Live-1 stammen aus Full-Duplex-Bench, einer Suite für Konversationsdynamik, die ein Modell innerhalb eines Turn-Taking-Szenarios misst. Die 1,34 Sekunden sind die Zeit bis zum ersten Audio, gemessen über die API. Die 186 Millisekunden von Live 3 sind Fish Audios eigener Wert für das kleinste Intervall, in dem das Modell wählen kann, eine kurze Reaktion wie „mm-hmm“ oder „okay, 415“ zwischen den Blöcken einer Telefonnummer auszugeben.

Liest man beides zusammen, liegt die Versuchung nahe, zu folgern, dass Live 3 in einem Siebtel der Zeit reagiert. Diese Schlussfolgerung wird durch nichts gestützt, was einer der beiden Anbieter veröffentlicht hat. Der einzige Vergleich, den die Zahlen zulassen, ist richtungsweisend: Beide Unternehmen behaupten, dass das erste hörbare Ereignis in einer Unterhaltung unter bestimmten Bedingungen innerhalb einer Viertelsekunde eintreten kann, und keines hat eine Verteilung veröffentlicht. Was GPT-Live-1 hat und Live 3 nicht, ist ein Prüfaufbau eines Drittanbieters, der dieselbe Messung an ihm und an seinen Wettbewerbern anwendet; dadurch ist 1,34 Sekunden eine Zahl, die ein Prüfer nachprüfen kann, und 186 Millisekunden eine Zahl, die ein Pilot verifizieren muss.

Wozu dich die Architektur verpflichtet

Die beiden Hälften sind nicht gleichermaßen portierbar, und das ist der Punkt, über den man nachdenken sollte, bevor einer der beiden Piloten startet.

Auf der Seite von GPT-Live-1 ist die Voice-Schicht praktisch fest vorgegeben. Sitzungen laufen über WebRTC statt über den WebSocket-Transport, den die meisten bestehenden Realtime-Integrationen verwenden, der Live-Sessions-Endpunkt gehört allein OpenAI, und wenn man den älteren Pfad mit einer GPT-Live-Modell-ID testet, kommt ein Fehler zurück, der besagt, dass Sitzungen WebRTC erfordern. Der Umstieg darauf ist ein Transport-Rewrite. Der Ausstieg daraus ist ebenfalls einer.

Auf der Live-3-Seite ist die Sprachschicht anders gelöst: Es handelt sich um eine Beta-Plattform von einem kleineren Anbieter, nur auf Englisch, ohne veröffentlichten Preis und ohne unabhängige Bewertung. Übertragbar ist dort der Reasoning-Hook, und nicht übertragbar ist alles darunter – der Audiopfad, die Telefonnummer, der Sitzungslebenszyklus.

In beiden Fällen ist die mobile Hälfte das Reasoning-Modell, und dort ist ein Wechsel eine Änderung der Modell-ID und kein Integrationsprojekt. Die Design-Lektion ist auf beiden Seiten dieses Vergleichs dieselbe: Die Intelligenz in die Schicht legen, die man austauschen kann, und die Schicht, die man nicht austauschen kann, so dünn halten, wie es das Produkt zulässt.

Welche Hälfte zuerst kaufen?

Kaufen Sie zuerst die GPT-Live-1-Hälfte, wenn Sie die Entscheidung jetzt rechtfertigen müssen. Sie hat einen veröffentlichten Tarif, zwei bewertete Konfigurationen, eine Komponentenaufschlüsselung, einen dokumentierten Transport und eine Concurrency-Leiter, an der Sie ein Callcenter dimensionieren können. Was ihr fehlt, sind ein Videopfad, strukturierte Tool-Ausgaben, eine kostenlose Tarifstufe oder irgendeine unabhängige Reproduktion von OpenAIs eigener Behauptung von 80,1 % Interaktivität.

Testen Sie zuerst die Live-3-Hälfte, wenn Ihre Anrufe auf Englisch sind, Ihr Beschwerdeprotokoll voller Anrufer ist, denen ins Wort gefallen wird, und On-Premises-Bereitstellung eine Anforderung statt einer Präferenz ist. Gehen Sie mit dem Wissen hinein, dass Sie die Evaluierung sind: keine Preislistenzeile, keine τ-Voice-Kennzahl, kein Arena-Score und eine 186-Millisekunden-Angabe, die kurze Reaktionen statt Antworten beschreibt.

Kaufen Sie keine der beiden Hälften in der Erwartung, dass der Anbieter das Produkt fertigstellt. GPT-Live-1 ohne Backend ist ein sehr guter Zuhörer, der nichts zu sagen hat; Live 3 ohne einen Reasoning-Endpunkt hinter seinem Hook ist eine Beta-Sprachschicht mit einer unveröffentlichten Rechnung. Die Punktzahl, die über dieses Duell entscheidet – 81,5 gegen nichts –, ist eigentlich eine Aussage über die Dokumentation, und die Zahl, die die Entscheidung bringen wird, ist der erste unabhängige Turn-Taking-Lauf auf Live 3.