Fish Audio Live 3 está listo para producción y es cerrado: qué pide realmente la oferta de vLLM-Omni

La frase más reveladora sobre Fish Audio Live 3 no la escribió Fish Audio. Cuando la empresa anunció el modelo el 10 de noviembre de 2026, la respuesta que llegó más lejos vino de la cuenta del proyecto vLLM: felicitaciones por lanzar un modelo de voz full-duplex que escucha mientras habla, el deseo de que algún día se publique como código abierto, y una oferta de que vLLM-Omni se complacería en servirlo en cuanto lo esté. Lea esa respuesta dos veces y tendrá la forma de todo el lanzamiento, porque contiene las dos mitades de la historia a la vez: un avance genuino de capacidades y una ausencia que un framework de servicio nota de inmediato.

Fish Audio Live 3 es un modelo de voz dúplex completo: sigue escuchando mientras genera habla, y se vende como listo para producción desde el primer día a través de la Agent Platform de Fish Audio, mediante la propia API de la compañía y como despliegue on-premises para empresas. Lo que no es, es descargable. Sin pesos, sin licencia, sin repositorio y —a fecha de 11 de noviembre— sin identificador de modelo en la documentación de la API de Fish Audio, que aún lista s2.1-pro, s2.1-pro-free, s2-pro, s1 y tres modelos de transcripción, y nada llamado Live 3. Todas las cifras de rendimiento que aparecen a continuación son de Fish Audio y ninguna ha sido reproducida de forma independiente.

Qué se lanzó, y qué hace "production-ready" en esa oración

La afirmación técnica del anuncio es más acotada y más interesante que la frase de marketing. Fish Audio sostiene que el modelo gestiona la sincronización conversacional dentro del propio modelo de habla, en lugar de hacerlo a través de una cadena de etapas separadas de reconocimiento, razonamiento y generación, y que aprendió cuándo reconocer, esperar, responder o detenerse a partir de conversaciones humanas grabadas, y no de umbrales de silencio escritos a mano. Una capa de razonamiento independiente contiene las instrucciones y las herramientas del agente. Con la publicación se incluyen tres llamadas de ejemplo —completar un pedido, interrumpir y emitir señales de retroalimentación durante una lectura— y son lo más parecido a una prueba en el comunicado.

Lo que "listo para producción" significa en la práctica es que el envoltorio comercial existe el día del lanzamiento: una plataforma de autoservicio con $5 de crédito y sin tarjeta, un constructor de agentes documentado, telefonía y una opción empresarial on-premises. No significa que el modelo haya pasado por lo que un comprador llamaría pruebas de aceptación. No hay ninguna evaluación publicada de ningún tipo —ni tasa de error de palabras, ni éxito en tareas, ni puntuación de toma de turnos, ni distribución de latencia—. Eso no es raro para un modelo de voz en su primer día, pero vale la pena decirlo claramente, porque una publicación de lanzamiento que encabeza con milisegundos invita a los lectores a tratar un valor mínimo como una medición.

Tres números, y solo dos de ellos provienen de Fish Audio

• Velocidad de reacción — 186 milisegundos, cifra de la propia Fish Audio, descrita en el contexto de reacciones breves como un «mm-hmm» o una confirmación rápida mientras se prepara la respuesta completa. Es un mínimo para un acuse de recibo, no un tiempo hasta el primer audio de una respuesta.

• Precio: $0.035 por minuto en Agent Platform, promocionado como un 50 % de descuento sobre una tarifa de lista de $0.07, y con la oferta indicada para finalizar el 31 de diciembre de 2026. Esa tarifa por minuto incluye el reconocimiento de voz, el modelo de razonamiento y la voz; los tokens de LLM premium se facturan a su propia tarifa por token, las llamadas telefónicas añaden $0.01 por minuto y los números de teléfono cuestan $1.20 al mes.

• Puntuaciones independientes: cero. Artificial Analysis mantiene una tabla de voz a voz que clasifica a Grok Voice 3.0, GPT-Live-1, Gemini 3.8 Live, Qwen Audio 3.0 Realtime y una docena de otros modelos según razonamiento, dinámica conversacional, éxito en tareas y tiempo hasta el primer audio. Consultada el 11 de noviembre de 2026, esa tabla no incluye ninguna fila dúplex de Fish Audio.

Los dos primeros números son aquellos sobre los que un comprador puede actuar. El tercero es el que un comprador acabará necesitando, y es la razón por la que el precio merece una segunda mirada en lugar de una primera: una tarifa promocional con una fecha de finalización publicada no es un modelo de costes, es una estimación de costes con una caducidad impresa.

Por qué a un framework de serving le importa un modelo cerrado

El interés de vLLM-Omni no es sentimental. Los frameworks de servicio existen para ejecutar pesos que puedas cargar, en hardware que tú controles, a un costo marginal que es tu factura de electricidad y no el taxímetro por minuto de otro. Un modelo cerrado no es un cliente para eso. La oferta de esa respuesta debe leerse, por tanto, como una petición dirigida a una versión futura: publica el checkpoint y habrá una ruta de inferencia esperándolo.

Lo que hace que la ausencia sea significativa en lugar de inevitable es el propio historial de Fish Audio. La empresa ya ha publicado pesos abiertos antes —Fish Audio Drama 3, su modelo expresivo de texto a voz, está disponible como checkpoint descargable y ha sido evaluado en arenas de voz de pesos abiertos—. Así que la distribución cerrada aquí se interpreta como una decisión de producto sobre el negocio de agentes en vivo, no como una política corporativa sobre la apertura. La opción on-premises complica aún más la cuestión: las empresas pueden ejecutar Live 3 dentro de su propio perímetro, lo que no es lo mismo que poder leerlo, ajustarlo o volver a alojarlo, y Fish Audio no ha dicho cuál de esas cosas incluye el acuerdo on-premises.

La línea exclusiva en inglés aparece junto a una afirmación de «30+ idiomas».

Dos frases en las propias propiedades de Fish Audio tiran en direcciones distintas. El anuncio dice, con todas las letras, que Live 3 hoy habla inglés. La página de Agent Platform, en el mismo sitio, anuncia más de 2.000.000 de voces en más de 30 idiomas y que a quien llama se le «responde en segundos, de día o de noche, en el idioma de quien llama». Ambas cosas pueden ser ciertas a la vez —una gran biblioteca de voces multilingüe y una capa de reconocimiento de voz pueden cubrir treinta idiomas mientras el modelo dúplex subyacente habla uno—, pero solo una de esas frases describe lo que estás comprando cuando compras Live 3. Si quienes te llaman no hablan inglés, la pregunta interesante no es qué puede pronunciar la plataforma, sino cuándo se pondrá al día el modelo dúplex.

Lo que puedes llamar hoy, y a través de qué.

El acceso se realiza a través de la propia API de Fish Audio y de Agent Platform, y la ruta on-premises queda reservada para contratos empresariales. No existe ningún servicio de terceros que sirva el modelo, lo cual es consecuencia directa de la ausencia del checkpoint: no se puede alquilar Live 3 a un proveedor de infraestructura porque no hay artefacto que desplegar. Cualquiera que describa el modelo como «disponible a través de plataformas asociadas» está describiendo la biblioteca de voces de la plataforma, no el modelo dúplex.

La mitad de una pila de agentes que es portátil es la mitad de razonamiento, y en Agent Platform esa mitad es una línea separada en la factura. Ahí es donde un enrutador justifica su existencia en lugar de ser una forma de llegar al modelo de voz: OrcaRouter tiene más de 200 modelos detrás de una sola clave al precio de lista del proveedor sin margen alguno, de modo que el modelo de texto que hace el razonamiento puede cambiarse, fijarse o conmutarse por error sin tocar el contrato de voz, y la conmutación por error automática mantiene activa una llamada cuando el backend de razonamiento falla o se agota el tiempo. Fish Audio Live 3 no está en esa lista —no hay nada que alojar— y ninguna parte de este artículo debe leerse como una afirmación en sentido contrario.

¿Qué cambiaría esta pieza?

Cuatro acontecimientos, en orden aproximado de cuánto cambiarían el panorama. Un checkpoint, que es lo que solicita la respuesta de vLLM-Omni y lo que pondría a Live 3 al mismo nivel que Drama 3. Una fila en una tabla de clasificación independiente de voz a voz, lo que convertiría los 186 milisegundos de una afirmación en un dato con contexto. Una cadena de modelo y una tarifa publicadas en la propia documentación de la API de Fish Audio, lo que haría que esto fuera citable en un documento de adquisición. Y el 1 de enero de 2027, cuando la tarifa promocional de $0.035 sobreviva o no.

Hasta entonces, el resumen honesto es que Live 3 es el modelo de voz más interesante lanzado esta semana y el menos documentado: un argumento arquitectónico real sobre dónde debería residir la alternancia de turnos, envuelto en un producto comercial que ha publicado su precio y nada más. Es razonable lanzar algo así. Todavía no es algo que se pueda evaluar, y la diferencia entre esas dos frases es exactamente lo que esperan, cada uno por su lado, un framework de servicio, un benchmark independiente y un equipo de compras.