Fish Audio Live 3 responde en 186 milisegundos y luego se pasa toda la llamada decidiendo si hablar

Fish Audio Live 3 es un modelo de voz dúplex completo que Fish Audio anunció el 2026-11-10, y toda su propuesta se basa en una distinción que la mayoría de los agentes de voz todavía malinterpreta: una pausa en medio de un número de teléfono no es el mismo evento que la pausa al final de una pregunta. El modelo sigue escuchando mientras habla, puede decidir responder en tan solo 186 milisegundos según Fish Audio, y se entrenó con conversaciones humanas grabadas para aprender cuándo reconocer, cuándo esperar, cuándo responder y cuándo parar — en lugar de recibir una tabla de umbrales de silencio.

Esa última cláusula es la interesante, y también es la razón por la que este artículo no puede darte un benchmark. Fish Audio no ha publicado ninguna evaluación de Live 3, ningún precio por byte para él en su propia tarjeta de tarifas, ni ningún identificador de modelo o documentación de endpoint que lo nombre. Artificial Analysis, que puntúa modelos de voz dúplex en un mismo conjunto de pruebas, no incluye ninguna fila de Live 3 a fecha de 2026-11-11: el tablero enumera a Fish Audio como familia de modelos y no puntúa ninguno de sus trabajos dúplex. La cifra de 186 milisegundos está reportada por el proveedor y no ha sido auditada. Lo que sigue separa lo que Fish Audio ha documentado de lo que ha afirmado, porque un día después del lanzamiento esas son dos cosas distintas.

La pausa que arruina un número de teléfono

El ejemplo práctico de Fish Audio es el mejor argumento del anuncio. Lee un número por partes —«415… 555… 0132»— y un agente convencional oye tres eventos separados de fin de turno, o una larga vacilación que confunde con que quien llama está pensando. Está documentado que Live 3 dice «mm-hmm» o «vale, 415» entre las partes y luego espera el resto. El acuse de recibo hace dos cosas a la vez: confirma que los dígitos se recibieron y deja el turno abierto para que quien llama respire, compruebe los siguientes dígitos y continúe.

La mitad más difícil del mismo problema es el error opuesto. Si el agente está leyendo en voz alta el horario de atención y quien llama dice «sí» o «mm-hmm» para mostrar que sigue la conversación, está documentado que Live 3 sigue adelante en lugar de detenerse. Luego, quien llama dice «Espera, en realidad solo necesito el jueves», y se detiene y deja espacio. El planteamiento de Fish Audio es que no todo sonido es una interrupción, y se supone que el modelo distingue una señal de seguimiento de una toma de la palabra sin que un desarrollador tenga que enumerar cada sonido que una persona podría emitir.

El tercer caso son las correcciones a mitad del enunciado: "Quisiera dos pizzas… no, tres. Tres grandes. Y… en realidad, que una de ellas sea margarita". Un pipeline que se dispara con la primera orden completa plausible cursa el pedido equivocado dos veces. Está documentado que Live 3 espera a través de cada revisión. Las llamadas de soporte, las reservas y los pedidos están llenos exactamente de esto, y es la razón por la que el director ejecutivo de Fish Audio recurrió a una analogía lingüística en lugar de a una cifra de latencia.

«La solución hasta ahora ha consistido en más reglas y más umbrales», afirmó Rissa Cao, cofundadora y CEO de Fish Audio. «Creemos que un modelo debería aprender esto a partir de conversaciones reales, del mismo modo que los modelos de lenguaje aprenden la gramática».

Lo que Fish Audio realmente ha puesto por escrito

Despojado del marketing, la superficie publicada de Live 3 es lo bastante breve como para enumerarla por completo. Todo lo que sigue proviene del anuncio de Fish Audio o de su documentación; nada de esto se ha medido de forma independiente.

• Tiempo de reacción — Fish Audio afirma que el modelo puede decidir responder en tan solo 186 milisegundos, en el contexto de reacciones cortas como «mm-hmm», «okay» y confirmaciones rápidas en lugar de respuestas completas.

• Arquitectura — dúplex completo. Escucha mientras habla, que es lo que hace posible que exista un reconocimiento en mitad de un número.

• Señal de entrenamiento — conversaciones humanas reales, con el comportamiento de alternancia de turnos aprendido en lugar de configurado. No se divulga el tamaño del conjunto de datos, ni las horas, ni el conjunto de evaluación.

• Idiomas — solo inglés en el lanzamiento, indicado claramente en el anuncio.

• Distribución — la Fish Agent Platform, la propia API de Fish Audio y la implementación local para clientes empresariales.

• Precio: no publicado. La tarifa de Fish Audio incluye drama-3, s2.1-pro, s2.1-pro-free, s2-pro y s1, además de tres modelos ASR y voice-design-1. Live 3 no aparece en ella.

Vale la pena leer el anuncio completo, porque es inusualmente concreto en cuanto al comportamiento e inusualmente parco en cuanto a cifras.

Lo acompañan tres fragmentos de audio —una persona que llama que añade detalles con pausas, otra que interrumpe una lista de menú y otra que dice «mm-hmm» mientras el agente lee un pedido en voz alta para confirmarlo—, y cada uno presenta la misma afirmación sobre el comportamiento desde un ángulo distinto. Ninguno de ellos viene con una puntuación a nivel de transcripción, y el anuncio no afirma que la haya.

De qué está hecho un agente de Live 3

Live 3 es la capa de voz de un producto más amplio, y el resto de ese producto es donde reside el trabajo de integración. Fish Audio opera una Agent Platform alojada, actualmente en beta pública, que expone una superficie REST en /v1/agent/* además de SDKs de cliente para JavaScript y React. Los agentes se pueden conectar a un widget web, a un número de teléfono o a un cliente personalizado, y las sesiones se autentican con tokens de sesión en lugar de con una clave de larga duración en el navegador. La plataforma gestiona la ruta de audio; tú aportas las instrucciones, las herramientas y los flujos de trabajo.

La parte que importa para cualquiera que construya sobre esto es el hook de LLM personalizado. Fish Audio permite que la capa de razonamiento de un agente apunte a un endpoint compatible con OpenAI, lo que significa que el modelo que hace el razonamiento no tiene que ser el del proveedor. Esa es una costura deliberada, y es la costura donde encaja una capa de enrutamiento. OrcaRouter se sitúa detrás de ese endpoint con 216 modelos con la misma clave, al precio de lista del proveedor sin ningún margen y con conmutación por error automática cuando un proveedor da error, de modo que el planificador dentro de un agente de Live 3 se puede cambiar, someter a pruebas A/B con transcripciones reales de llamadas y redirigir sin tocar la capa de voz ni el número de teléfono. Un DSL de enrutamiento decide qué modelo recibe cada llamada, y la fusión de modelos permite que un modelo barato haga un borrador mientras uno más potente revisa la llamada a la herramienta antes de que se ejecute. Para ser explícitos sobre el límite: OrcaRouter no aloja Fish Audio Live 3. No existe un endpoint de terceros para ello, y la capa de voz aquí es la del propio proveedor.

La plataforma es donde un agente obtiene su número de teléfono, sus herramientas y el ciclo de vida de su sesión.

¿Qué lo zanjaría?

Tres cifras convertirían esto de una afirmación en un dato, y ninguna de ellas existe todavía.

• Un precio por byte o por minuto para Live 3, de modo que el costo de una llamada de diez minutos pueda compararse con la cascada a la que reemplaza. Hasta que eso se concrete, cualquier estimación de costo total para un despliegue de Live 3 es una conjetura con un punto decimal.

• Una distribución de latencia en lugar de un valor mínimo. «Hasta tan solo 186 milisegundos» describe la cola rápida de las reacciones breves. El tiempo hasta el primer audio de una respuesta completa es la cifra que decide si quien llama interrumpe al agente, y Fish Audio no la ha publicado.

• Una puntuación independiente de toma de turnos. Artificial Analysis ejecuta Full-Duplex-Bench y una prueba agéntica τ-Voice en modelos dúplex, y ambas serían directamente comparables con las filas publicadas para los otros modelos dúplex de este mercado. Una fila de Live 3 en cualquiera de las dos tablas respondería en una sola tabla lo que el anuncio responde en prosa.

Mientras tanto, la lectura honesta es esta: el problema que eligió Fish Audio es real y está desatendido, los ejemplos prácticos son los correctos, y el modelo se está lanzando a usuarios reales a través de una plataforma que aún está en beta. Si el modo de fallo de tu agente hoy es que se interrumpe a quienes llaman, o que tienen que repetir una secuencia de dígitos dos veces, Live 3 apunta exactamente a eso — y lo primero que hay que instrumentar después de desplegarlo no es la latencia, sino la frecuencia con la que quien llama tiene que empezar de nuevo.