Fish Audio Live 3 vs. Grok Voice 3.0: Der eine Preis ist ein Gesamtpaket, der andere nur eine Einzelkomponente

Put the two rate cards side by side and the newer model looks less than half the price. Fish Audio Live 3 sells for $0.035 per minute on Fish Audio's Agent Platform — a promotional rate, half of a $0.07 list, good through 31 December 2026. G​rok Voice 3.0 sells for $0.08 per minute, or $4.80 an hour, plus $0.004 per text input token. Four cents against eight is a clean story until you notice that the two numbers are billing different objects: G​rok Voice 3.0 is a speech-to-speech component you rent, and Live 3's per-minute figure bundles speech recognition, the reasoning model and the voice into one meter. One is a part, the other is an assembly. Compare them per minute and you are comparing a gearbox to a car.

That distinction is the whole comparison, and it is worth being precise about why. G​rok Voice 3.0 is a versioned model string behind a realtime WebSocket with session-scoped tools and returned transcripts, priced by the minute of audio it processes and scored, independently, at 86.9 on the Artificial Analysis Speech to Speech Index. Fish Audio Live 3 is a full-duplex model launched on 10 November 2026 that keeps listening while it speaks, is English-only at launch by the company's own statement, has no published benchmark of any kind, no model identifier in Fish Audio's API documentation, and no weight release — the vLLM project's public reply to the launch was to hope it gets open-sourced one day.

Die Anzeigetafel, die nur auf einer Seite existiert

Artificial Analysis measures G​rok Voice 3.0 on the same harness it uses for every duplex model, and the numbers are unusually complete. Every figure below is the board's own, taken from its run dated 13 October 2026.

Sprachliches Schlussfolgern, Big Bench Audio — 98,5 %.

• Dialogdynamik, Full Duplex Bench — 97,0 %, mit Backchannelling 92,9 %, Unterbrechungsbehandlung 96,5 %, Sprecherwechsel 100 % und Pausenbehandlung 98,5 %.

• Speech Agent Arena preference — Elo 1059, against 1074 for G​emini 3.8 Live and 990 for Eleven Realtime v1 Max.

• Aufgabenerfolg — 94,8 % über die τ-Voice-Szenarien für Airline, Einzelhandel und Telekommunikation hinweg.

• Time to first audio — 0.81 seconds, slower than G​rok Voice 2.0's 0.70 and roughly 40% quicker than GPT-Live-1 in its Astra medium configuration at 1.34 seconds.

• Kosten pro Stunde Eingangsaudio — 4,80 $, eine direkte Umrechnung des Minutenpreises des Anbieters.

Live 3's column is not sparse, it is empty, and the emptiness has a specific shape. There is no row on that board for any Fish Audio duplex model as of 11 November 2026 — the board lists Fish Audio as a model family and scores none of its live work. Fish Audio's one published number is 186 milliseconds to decide to respond, which the company describes in the context of short reactions such as "mm-hmm" rather than full answers. It is a vendor floor on an acknowledgement. G​rok's 0.81 seconds is an audited time-to-first-audio on a reply. Nothing about those two figures is commensurable, and the fact that both are expressed in seconds is the trap.

Worauf die Duplex-Behauptung jeder Seite tatsächlich hinausläuft

Beide Modelle sind Vollduplex, daher ist „hört zu, während es spricht“ kein Unterscheidungsmerkmal zwischen ihnen; es ist die Eintrittskarte. Der Unterschied liegt darin, woher die Timing-Strategie kommt.

Fish Audios Argument ist, dass Bestätigung, Warten, Antworten und Anhalten aus aufgezeichneten menschlichen Gesprächen gelernt und nicht als Liste von Stille-Schwellenwerten geschrieben wurden, und es veranschaulicht das anhand einer Telefonnummer, die in Abschnitten vorgelesen wird: Ein Agent, der drei Turn-Ende-Ereignisse hört, wo ein Mensch eine Zögerung hört, ist der Fehler, der behoben werden soll. Das Begleitmaterial sind drei Beispielanrufe: eine Bestellung abschließen, dazwischenreden und Rückmeldungen während einer Rücklesung. Was Fish Audio nicht veröffentlicht hat, ist eine Messung dazu, ob die erlernte Strategie eine schwellenwertbasierte schlägt.

G​rok Voice 3.0's timing policy is not explained in behavioural terms at all. What xAI published is a rate card, a model string, an alias move — grok-voice-latest now resolves to grok-voice-3.0, and grok-voice-2.0 is flagged deprecated — and, through Artificial Analysis, a set of turn-taking scores that a buyer can read as a risk statement. A 96.5% interruption score is a claim you can test against your own call recordings. A 186-millisecond acknowledgement floor is a claim you have to take on trust until you run it.

The alias move matters more than it sounds in a phone system. G​rok Voice 2.0 became the alias target on 5 August 2026 and was superseded by 3.0 ten weeks later, which means a team that deployed against the alias has already been through two silent model swaps in a quarter. Whether you pin grok-voice-3.0 explicitly is a deployment decision the vendor has effectively forced.

Wo das Geld tatsächlich landet

Die Aufteilung in gebündelte versus komponentenbasierte Varianten ergibt vier Kostenprofile, und nur eines davon spricht in einer Weise für Live 3, die den Praxistest eines echten Anrufs besteht.

• Live 3 auf der Agent Platform — 0,035 $ pro Minute alles inklusive während der Aktion, einschließlich Erkennung, Reasoning und Stimme; dazu 0,01 $ pro Minute für Telefonanrufe, 1,20 $ pro Monat pro Telefonnummer und der Token-Tarif des Premium-LLM, wenn Sie vom inkludierten Modell upgraden. Ein zehnminütiger Anruf kostet 35 Cent plus Telefonie.

• Live 3 after 31 December 2026 — the list rate is $0.07 per minute, at which point the all-in figure is within a cent of G​rok's $0.08 and the bundle argument has to carry the comparison on its own. Fish Audio has not said what happens to the discount.

• G​rok Voice 3.0 — $0.08 per minute of audio plus $0.004 per text input token, with the reasoning model, the telephony and the orchestration all bought separately. The per-minute rate is a floor, not a total.

• Entweder mit einem eigenen Reasoning-Modell – die einzige Variante, bei der beide zusammenlaufen, weil beide Anbieter es zulassen, dass du das Gehirn selbst lieferst und nur die Sprachschicht abgerechnet wird.

Dieser letzte Punkt ist die praktische Schlussfolgerung, die in der Preistabelle steckt. Wenn sich Ihr Produkt auf der Reasoning-Ebene differenziert, ist das Bundle ein Rabatt auf etwas, das Sie ohnehin ersetzen wollten. Wenn nicht, ist das Bundle wirklich günstiger und einfacher, und die 50%-Aktion ist in diesem Monat das beste Angebot im Voice-Bereich.

Beschaffung – und die Frage, die keine Preisliste beantwortet

Preis und Scores sind die leichte Hälfte. Die schwierige Hälfte ist, was passiert, wenn das Modell unter Ihnen ausgetauscht wird, und hier haben die beiden Anbieter gegensätzliche Wetten abgeschlossen.

G​rok Voice 3.0 has a stable interface and an unstable model: same endpoint, same event names, same bearer-token handshake, same voice set, with the model swapped behind an alias. Fish Audio Live 3 has an unstable interface and, for now, a stable model: the platform is in public beta, the duplex model is new, its API documentation does not yet name it, and the launch post is the only document that describes its behaviour. One arrangement asks you to test continuously. The other asks you to read release notes.

Keines von beiden ist unvernünftig. Aber ein Engineering-Team, das zwischen ihnen wählt, sollte beachten, welches Risiko es besser aufzufangen vermag, denn diese Antwort sagt meist besser voraus, ob eine Bereitstellung erfolgreich sein wird, als vier Cent pro Minute.

Die portable Schicht und die ehrliche Grenze

Both stacks are two-part systems, and in both the speech half is unportable — G​rok Voice 3.0 runs only on xAI's realtime endpoint, Live 3 only on Fish Audio's platform and on enterprise hardware. The reasoning half is where a router belongs, and on both it is a separate purchase: on the G​rok side it is a model you call from inside the session's tools, on the Fish side it is an OpenAI-compatible endpoint the agent points at. OrcaRouter carries more than 200 models behind one key at provider list price with zero markup, so the text model in either stack can be swapped or pinned without renegotiating the speech contract, and automatic failover keeps a session alive when the reasoning backend errors mid-call. Neither speech model is routable here — there is no third-party endpoint for either — and this piece would be misleading if it implied otherwise.

Für ein Team, das noch entscheidet, ist das günstigste Experiment das, das die Preisgestaltung möglich macht: dieselben zwanzig Anrufe durch beide laufen lassen, die Unterbrechungen selbst bewerten und sehen, ob 94,8 % Aufgabenerfolg in den Einzelhandelsszenarien von jemand anderem irgendetwas über Ihre eigenen vorhersagt. Die 186 Millisekunden von Live 3 werden sich entweder wie der Kern des Modells anfühlen oder wie eine Zahl zu einem Geräusch, das der Agent beim Denken macht. Das ist keine Frage, die eine Preisliste klären kann, und es ist die einzige Frage, die nach Eingang der Rechnung zählt.