Fish Audio Live 3 vs Eleven Realtime v1 Max: los 186 ms y los 0,57 s no son la misma medición

Fish Audio Live 3 y Eleven Realtime v1 Max son ambos modelos de voz full-duplex, ambos lanzados con apenas cuatro semanas de diferencia, y ambos se venden con la afirmación de que la toma de turnos pertenece al propio modelo de habla en lugar de a una pipeline de piezas separadas. Fish Audio afirma que Live 3 puede decidir responder en tan solo 186 milisegundos. El Realtime v1 Max de ElevenLabs empieza a hablar en 0,57 segundos. Puestas una al lado de la otra, esas dos cifras parecen una victoria por tres a uno para el modelo más reciente, y esa lectura es errónea de una manera que conviene entender antes de que alguien firme un contrato.

Las cifras miden eventos distintos. Los 186 milisegundos de Live 3 son la propia cifra de Fish Audio para reacciones cortas —un «mm-hmm», un «okay, 415» entre los fragmentos de un número de teléfono—, no para una respuesta completa. Los 0,57 segundos de Max son un tiempo hasta el primer audio medido para la respuesta en sí, tomado en el arnés Speech to Speech de Artificial Analysis. Una es un límite inferior declarado por el proveedor para un acuse de recibo; la otra es una latencia auditada de una respuesta. Réstalas y obtendrás una cifra que no significa nada, que es el punto de partida útil para esta comparación.

Lo que cada proveedor ha publicado realmente

Eleven Realtime v1 Max llegó el 20/10/2026 con una ficha de puntuaciones completa. Artificial Analysis lo evalúa en Big Bench Audio (98,8 %), tiempo hasta el primer audio (0,57 s), tasa de éxito en tareas (87,1 %), dinámica conversacional de Full-Duplex-Bench (94,1 %) y preferencia en Arena (997 Elo). No cuenta con un índice Speech to Speech porque la prueba agéntica τ-Voice que respalda ese índice no se ha ejecutado con él, y tampoco obtiene de ElevenLabs una cifra de coste por hora: los 4,80 $ por hora que figuran en la tabla son una conversión de las tarifas por minuto de agente y API de ElevenLabs, no un precio de lista publicado para el modelo por sí solo.

Fish Audio Live 3 llegó el 2026-11-10 con un argumento de comportamiento y casi ningún número. La superficie publicada es lo bastante pequeña como para enunciarla por completo.

• Velocidad de reacción — 186 milisegundos, según el proveedor, descrita en el contexto de reacciones breves en lugar de respuestas completas.

• Puntuaciones independientes: ninguna. Artificial Analysis no incluye ninguna fila de Live 3 en su panel Speech to Speech a fecha de 2026-11-11; Fish Audio aparece allí como una familia de modelos, no como una entrada dúplex puntuada.

• Precio — no publicado. La lista de tarifas de Fish Audio incluye drama-3, s2.1-pro, s2.1-pro-free, s2-pro y s1, además de tres modelos de voz a texto y voice-design-1. Live 3 no aparece en ella.

• Idiomas — solo inglés en el lanzamiento, según el anuncio.

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

• Arquitectura — dúplex completo, entrenada con conversaciones humanas grabadas para que reconocer, esperar, responder y detenerse sean comportamientos aprendidos.

La superficie publicada de ElevenLabs es la imagen especular: una tabla de puntuación completa y un precio unitario opaco. Max tiene todas las filas excepto el índice y la prueba τ-Voice, y ElevenLabs no la vende como una tarifa independiente por minuto — en ElevenAgents pagas el cargo estándar del agente más tokens a la tarifa de Realtime, y a través de Realtime API pagas por minuto de audio conectado más tokens.

El argumento del comportamiento, que es la verdadera competencia

Ambos proveedores describen el mismo modo de fallo y proponen la misma solución estructural, lo que hace que la comparación sea inusualmente clara en el plano de las ideas. ElevenLabs afirma que el reconocimiento, la toma de turnos, el razonamiento y la generación de voz en Realtime se ajustan como un solo sistema en lugar de coordinarse entre partes, y su ejemplo documentado del beneficio es el backchannel: se describe a Mini detectando si un hablante ha terminado o simplemente está intercalando un «mm-hmm». La versión de Fish Audio de la misma afirmación es un número de teléfono leído por fragmentos —«415… 555… 0132»—, donde Live 3 podría responder «mm-hmm» o «vale, 415» entre ellos y esperar el resto.

En lo que divergen es en qué te permitirán conservar. Eleven Realtime se comercializa de dos formas: dentro de ElevenAgents y mediante una API Realtime que es compatible a nivel de conexión con el protocolo de eventos de OpenAI en wss://api.elevenlabs.io/v1/convai/realtime, y elegir un modelo Realtime dentro de ElevenAgents significa que ElevenLabs gestiona el LLM, el esfuerzo de razonamiento, el presupuesto de pensamiento, las llamadas a herramientas en paralelo, el modelo TTS y el proveedor de ASR. La Agent Platform de Fish Audio, actualmente en beta pública, adopta la postura opuesta en la capa de razonamiento: el LLM personalizado de un agente puede apuntar a un endpoint compatible con OpenAI, así que el modelo que se encarga de pensar lo eliges tú.

Esa diferencia decide más despliegues que las cifras de latencia. Si quieres que el proveedor se encargue de toda la pila y estás dispuesto a descartar las rutas de LLM personalizado y Bedrock, ElevenAgents es el camino más corto. Si la capa de razonamiento es donde tu producto se diferencia —recuperación, verificaciones de políticas, orquestación de herramientas—, el hook de LLM personalizado del lado de Fish es la característica que sobrevive al proceso de compras.

Costo, y por qué está vacía la columna Live 3

Max cuesta 4,80 USD por hora de audio de entrada en la conversión de Artificial Analysis, frente a una cifra de 0,84 USD para el competidor dúplex sólido más barato de esa tabla. Eso convierte al precio en el eje en el que un nuevo participante puede cerrar un acuerdo rápidamente, y es exactamente el eje en el que actualmente no se puede evaluar Live 3. No se puede calcular un costo por llamada para un despliegue de Live 3 a partir de nada de lo que Fish Audio haya publicado, porque la unidad de facturación no está publicada.

Lo que Fish Audio sí publica es una tarifa para sus otros modelos, y conviene conocer su estructura porque revela cómo fija precios la empresa para la voz. El texto a voz se factura por byte UTF-8 del texto de entrada, y la propia documentación de Fish Audio indica que un millón de bytes UTF-8 equivale aproximadamente a 180.000 palabras en inglés o a unas doce horas de habla. Con la tarifa de lista de drama-3 de 50 $ por millón de bytes, eso sale a unos 4,17 $ por hora de voz generada, o aproximadamente 0,83 $ durante la promoción de lanzamiento que estará vigente hasta el 2026-11-30. Son cifras derivadas de otro producto, no los precios de Live 3, y los minutos de agente dúplex no son la misma unidad que la voz sintetizada; pero sitúan la escala de precios de Fish Audio en el mismo rango de 1 a 5 $ por hora que el resto de este mercado, en lugar de un orden de magnitud por debajo.

Esta es la sección en la que una capa de enrutamiento demuestra su valor en ambos lados. OrcaRouter no aloja Fish Audio Live 3 ni Eleven Realtime v1 Max: ninguno de los dos tiene un endpoint de terceros, y la capa de voz de cualquiera de las dos pilas permanece con su proveedor. Lo que OrcaRouter sí aloja es la capa de razonamiento a la que se puede apuntar cada una de ellas: 216 modelos tras una sola clave al precio de lista del proveedor, sin ningún margen, conmutación automática en caso de error de un proveedor y un DSL de enrutamiento que decide qué modelo atiende cada llamada. La consecuencia práctica es que la lista de precios por token de ninguno de los dos proveedores se convierte en una atadura. Si ElevenLabs cambia el precio de Realtime, o Fish Audio publica Live 3 con una tarifa por byte, la factura de voz cambia y la de razonamiento no, porque la factura de razonamiento nunca estuvo ligada a ninguno de los dos proveedores desde el principio.

¿Sobre cuál construir ahora?

Desarrolla sobre Eleven Realtime v1 Max hoy si necesitas defender una elección técnica ante alguien que te pedirá un benchmark. Tiene una scorecard auditada, un protocolo de eventos documentado y una latencia medida que un revisor puede verificar. Lo desconocido en Max es el precio por hora a volumen, no la calidad.

Pilot Fish Audio Live 3 si el registro de quejas de su agente está lleno de personas que llaman y son interrumpidas, y si está dispuesto a medir la mejora usted mismo. La cifra de 186 milisegundos no puede compararse con los 0,57 segundos de Max, el modelo no tiene una puntuación independiente de toma de turnos y su precio de lista aún no existe; por lo tanto, un piloto debe estructurarse como una prueba A/B instrumentada frente a su agente actual, no como una decisión de adquisición basada en una hoja de especificaciones.

No tomes los 186 milisegundos como una afirmación de latencia que puedas exigirle a nadie. Es una declaración de un proveedor sobre con qué rapidez puede elegir el modelo emitir un ruido breve. La cifra que realmente te importa —cuánto tarda la persona que llama en oír la primera sílaba de la respuesta— no la ha publicado nadie para Live 3. Cuando se publique, la comparación con Max será real y, hasta entonces, la respuesta honesta a «cuál es más rápido» es que uno está medido y el otro, descrito.