Fish Audio Live 3 habla un solo idioma. Gemini 3.8 Live habla 97 y aplica una marca de agua cada segundo.

Fish Audio Live 3 y Gemini 3.8 Live coinciden en la idea importante y discrepan en casi todo lo demás. Ambos sitúan la toma de turnos dentro del modelo de habla en lugar de en una pipeline de partes separadas. Live 3, anunciado el 2026-11-10, defiende la idea de forma conductual: una pausa en medio de un número de teléfono no es el mismo evento que la pausa al final de una pregunta, y el modelo puede decidir responder en tan solo 186 milisegundos, una cifra que Fish Audio reporta y que nadie ha auditado. Gemini 3.8 Live, anunciado el 2026-09-15, responde al mismo problema con documentación: 97 idiomas con cambio en mitad de la conversación, una marca de agua SynthID en cada segundo del audio generado, una tarjeta de modelo publicada, dos ID de modelo de API documentados y una fila en Artificial Analysis que marca 76.0 en el Speech to Speech Index con sus cuatro componentes completados.

Esa asimetría, y no la cifra de latencia, es lo que decide esta comparación. Uno de estos modelos puede incluirse hoy en un documento de adquisición y defenderse línea por línea; el otro tiene que ser instrumentado por el equipo que lo adopte. Y hay un punto más incisivo de fondo: el comportamiento que promociona Live 3 no es la dimensión en la que Gemini 3.8 Live es más fuerte, y tampoco es una dimensión en la que se haya puntuado a Live 3 — así que, por ahora, el enfrentamiento se decide por lo que puedes verificar y no por qué modelo gestiona mejor una llamada telefónica.

La brecha de cobertura no es una nota al pie.

Empieza por lo que cada modelo hará fuera de una demo, porque para la mayoría de los compradores esta sección pone fin a la evaluación antes de que se hagan las preguntas interesantes.

• Idiomas — Gemini 3.8 Live admite 97 idiomas y cambia entre ellos automáticamente a mitad de la conversación. Fish Audio declara claramente que Live 3 solo está disponible en inglés en su lanzamiento. Una línea de reservas en Madrid, una cola de soporte en São Paulo y un escritorio de cobros en Varsovia no son despliegues de Live 3 este trimestre.

• Procedencia: cada segundo de audio que genera Gemini 3.8 Live lleva la marca de agua SynthID de Google, y ambas variantes de voz de Gemini están documentadas en una ficha de modelo publicada con el nombre gemini-3-8-audio. El anuncio de Fish Audio no menciona nada sobre marcas de agua ni metadatos de procedencia para Live 3. Si su jurisdicción está avanzando hacia la divulgación de voz sintética, esa diferencia se plantea como una cuestión legal más que de ingeniería.

• Identificadores — Google publica gemini-3.8-live y gemini-3.8-live-extended-thinking como identificadores de modelo invocables a través de la API de Gemini, la API Live y AI Studio. El anuncio de Fish Audio menciona Live 3, pero no publica ningún identificador de modelo ni documentación de endpoints por modelo para este.

• Entrada que no es de audio: Gemini 3.8 Live procesa la entrada visual casi en tiempo real, además del soporte para cámara y uso compartido de pantalla que la línea ya tenía. Live 3 es entrada de audio y salida de audio.

• Ruta empresarial — el camino de Google es una vista previa privada en Gemini Enterprise, con la edición de experiencia del cliente indicada como próximamente. El de Fish Audio es la Agent Platform, actualmente en beta pública, además de implementación en las instalaciones para clientes empresariales — lo cual es una oferta genuinamente diferente, y el único punto de esta lista donde el proveedor más pequeño tiene la respuesta más sólida para un comprador que no puede enviar audio a una nube pública.

Lo que el índice puede ver, y lo que no puede

Artificial Analysis elabora su Speech to Speech Index como un compuesto de igual ponderación de razonamiento del habla, rendimiento agéntico, preferencia en la arena y éxito en tareas, y puntúa un sistema completo en lugar de un único modelo. La fila de Gemini 3.8 Live está completa: índice 76,0, Big Bench Audio 92%, tiempo hasta el primer audio 1,18 segundos, éxito en tareas 93,2%, dinámica conversacional 96,1%, Elo en la arena 1.083 y 30,1% en el benchmark de tareas de atención al cliente τ-Voice. Live 3 no tiene fila alguna a fecha de 2026-11-11; la tabla enumera Fish Audio como familia de modelos y no puntúa ninguno de sus trabajos dúplex.

Mira con atención dos de esos componentes, porque dicen algo que el titular no dice. El 96,1 % de Gemini 3.8 Live en dinámica conversacional es la cifra más alta de su fila y el indicador publicado más cercano a lo que vende Live 3: un modelo por turnos que puntúa cerca de lo más alto en una medida de toma de turnos. Su 30,1 % en τ-Voice es la cifra más baja de la fila y la razón por la que el modelo queda quinto en lugar de primero: conversa bien y rara vez completa tareas. La propia solución de Google para eso fue una segunda variante, Gemini 3.8 Live Extended Thinking, que alcanza el 68,6 % en la misma prueba y ocupa el primer puesto del índice con 82,6, por un coste por hora de audio aproximadamente cuatro veces mayor.

La lección de esta comparación resulta incómoda para ambos proveedores. La dinámica conversacional y la toma natural de turnos no son la misma medición, y por eso mismo un 96,1 % en una y una afirmación no puntuada en la otra no pueden equipararse. El argumento de Live 3 es que su comportamiento es mejor que el de un modelo basado en turnos en una situación concreta: una persona que llama que hace una pausa a mitad de un número, o que murmura su aprobación mientras el agente repite un pedido. Hasta que alguien lo pruebe con un arnés de toma de turnos, la postura honesta es que Live 3 está haciendo una afirmación sobre un escenario que las tablas publicadas no aíslan.

Procedencia, y la pregunta que hará un revisor

La voz es la única modalidad en la que un equipo de cumplimiento pregunta por el resultado antes de preguntar por el precio. Gemini 3.8 Live tiene una respuesta lista: marca de agua SynthID en el audio generado, una ficha de modelo con nombre propio y un proveedor con una postura publicada sobre uso responsable que respalda ambas cosas. Live 3 tiene un anuncio inusualmente preciso sobre el comportamiento conversacional y que guarda un silencio absoluto sobre cómo un oyente o un detector podría distinguir su salida de una grabación.

Eso no es una razón para evitar Live 3, y sí es una razón para hacerle una pregunta directa a Fish Audio antes de implementarlo en una línea que graba llamadas. Si el audio lleva marca de agua, si las sesiones generan una transcripción o un registro de auditoría, y cuál es la política de retención de ambos son los tres puntos que un revisor querrá por escrito. Fish Audio ha documentado la autenticación mediante token de sesión de la plataforma y su superficie REST /v1/agent/*, así que la infraestructura existe para responder a los tres — la empresa simplemente no ha publicado las respuestas, y un día después del lanzamiento eso es el estado normal de las cosas, no una señal de alarma.

El precio que existe y el que no.

Gemini 3.8 Live se publica a $0.005 por minuto de entrada de audio y $0.018 por minuto de salida de audio a través de la Live API. Por lo tanto, una llamada de cinco minutos con salida continua representa un poco más de once centavos en voz, antes de cualquier coste del modelo de backend. Artificial Analysis convierte las tarifas de Google en una cifra por hora frente a un subconjunto fijo de cuarenta preguntas, y esa columna derivada ha variado entre capturas: $0.84 por hora para el modelo estándar en la tabla del 16 de septiembre, $1.50 en una posterior. Ambas son conversiones, no cotizaciones; las tarifas por minuto son la cifra sobre la que hay que presupuestar.

Live 3 no tiene precio. El tarifario de Fish Audio incluye drama-3 a $50 por millón de bytes UTF-8, s2.1-pro y s2-pro a $15, s2.1-pro-free a cero, y s1 a $15 con fecha de retirada el 2026-12-31, además de tres modelos de voz a texto y voice-design-1 a un centavo por solicitud. Live 3 no aparece en él. Una llamada de agente dúplex tampoco tiene un recuento de bytes natural —el audio de entrada es lo que diga quien llama—, así que ni siquiera se ha publicado la forma del medidor. Cualquier modelo de costos de Live 3 que se escriba hoy es una conjetura, y esa conjetura debería etiquetarse como tal en cualquier documento en el que acabe.

¿Qué hay detrás de la voz?

Ninguno de los dos modelos es todo el sistema, y la costura es la misma en ambos lados. Gemini 3.8 Live ejecuta en segundo plano herramientas y llamadas a API, acusa recibo de una solicitud y sigue hablando mientras la llamada se completa, y ese trabajo se resuelve en llamadas normales al modelo con costes de tokens normales. Agent Platform de Live 3 expone un hook de LLM personalizado que dirige el razonamiento de un agente a cualquier endpoint compatible con OpenAI. En ambos casos, el modelo de voz es un front-end y un modelo de texto se encarga del razonamiento.

Esa capa es donde un router se gana su lugar, y es la única capa en cualquiera de las dos pilas donde el cambio es barato. OrcaRouter ofrece 216 modelos detrás de una sola clave al precio de lista del proveedor y sin recargo, por lo que una bajada de precio del proveedor upstream se aplica el mismo día en lugar de en la próxima renovación del contrato, la conmutación por error automática mantiene viva una llamada cuando un backend falla o se agota el tiempo de espera, un DSL de enrutamiento decide qué modelo gestiona qué tipo de turno, y la fusión de modelos permite que un modelo económico redacte una llamada a herramienta mientras uno más potente la revisa antes de que se ejecute. Para ser precisos sobre el límite: OrcaRouter no aloja Fish Audio Live 3 ni el endpoint de voz Gemini 3.8 Live. Ninguno tiene un endpoint de voz de terceros, y la capa de voz de cualquiera de las dos pilas permanece con su proveedor. La capa de razonamiento es la parte que es portátil, y para una pila construida sobre un modelo con precio de vista previa de un proveedor y una plataforma beta de otro, la portabilidad es la propiedad que sobrevive a la próxima versión.

Para qué sirve realmente cada uno

Elija Gemini 3.8 Live si su producto es global, si el audio sale de su infraestructura y alguien le pedirá que demuestre de dónde procede, o si necesita que el agente vea una pantalla o una cámara. Tiene la tarjeta de puntuación, la marca de agua, los idiomas, la tarifa publicada y el ID del modelo. Su debilidad es la finalización de tareas con un 30,1 % en τ-Voice, y la solución que Google vende para eso es la variante Extended Thinking a cuatro veces el costo por hora.

Pilot Fish Audio Live 3 si sus llamadas son en inglés, sus restricciones de infraestructura descartan una nube pública y su registro de reclamaciones está lleno de usuarios a los que se habla encima o que repiten secuencias de dígitos. El despliegue local supone aquí una ventaja real que Google no ofrece. Entre con la expectativa de crear usted mismo la evaluación: no hay una puntuación con la que compararse, ni un precio publicado que prever, ni una marca de agua a la que señalar.

No interprete 76.0 como un veredicto sobre la toma de turnos. Es un compuesto que pondera fuertemente la finalización de tareas agénticas, y Gemini 3.8 Live es débil justo ahí. El número que resolvería este enfrentamiento es una puntuación de toma de turnos para Live 3 en el mismo harness con el que se mide a todos los demás — y hasta que eso exista, los dos modelos se están comparando según la documentación en lugar del comportamiento.