Fish Audio Live 3 vs GPT-Live-1: ambos son medio producto, y el medidor dice qué mitad

Fish Audio Live 3 y GPT-Live-1 son ambos modelos de voz full-duplex, ambos sostienen que la toma de turnos pertenece al modelo de voz y ambos son, por sí solos, incompletos. GPT-Live-1 escucha y habla y luego entrega el pensamiento a un modelo backend independiente —ese es su diseño, no una limitación— y cobra $0.05 por minuto de voz por la primera mitad, mientras que el razonamiento llega por un segundo medidor. Fish Audio Live 3 hace lo mismo estructuralmente: la capa de voz se ejecuta en Agent Platform de Fish Audio, mientras que el razonamiento del agente puede apuntar a cualquier endpoint compatible con OpenAI mediante el hook de LLM personalizado. La diferencia es que OpenAI ha publicado el precio de la primera mitad y Artificial Analysis ha publicado la puntuación del sistema completo, mientras que Fish Audio no ha publicado ninguno de los dos, y etiqueta el único número que sí da —186 milisegundos, el intervalo más corto en el que Live 3 puede decidir reaccionar— como reportado por el proveedor.

Eso hace que esto sea menos un concurso entre dos modelos que un concurso entre dos formas de dividir por la mitad un agente de voz, y la división importa más que el modelo. GPT-Live-1 obtuvo 81,5 en el Artificial Analysis Speech to Speech Index cuando se combinó con GPT-6 Astra en esfuerzo medio y 80,1 con GPT-5.6 Sol en esfuerzo bajo, lo que significa que la elección del backend movió el resultado en siete veces el margen entre el primer y el segundo puesto. La cifra equivalente de Live 3 aún no existe. Comprar cualquiera de los dos es comprar medio sistema y comprometerse a elegir tú mismo la otra mitad.

Lo que cada proveedor publicó realmente

GPT-Live-1 es el producto mejor documentado, y la documentación es precisa sobre esa frontera. Se lanzó dentro de ChatGPT el 8 de julio de 2026 como reemplazo de Advanced Voice Mode y llegó a la API para desarrolladores el 10 de septiembre de 2026. La tabla de Artificial Analysis tiene dos filas para él porque el índice puntúa un sistema completo: 81,5 con GPT-6 Astra en esfuerzo medio, primer puesto, y 80,1 con GPT-5.6 Sol en esfuerzo bajo, tercer puesto. Las cifras de los componentes bajo la fila de Astra son una puntuación agéntica del 67,9 % en τ-Voice, un 90 % en Big Bench Audio, un 87,4 % de éxito en tareas, un Elo de arena de 1.048 y 1,34 segundos hasta el primer audio —medidos frente a los 0,798 segundos de la propia OpenAI en Full-Duplex-Bench, que mide un evento distinto.

La información publicada sobre Live 3 se reduce a un párrafo y un conjunto de ejemplos prácticos. Fish Audio lo anunció el 10/11/2026, lo describe como dúplex completo y entrenado con conversaciones humanas grabadas, afirma que puede decidir responder en tan solo 186 milisegundos para reacciones breves, indica que en su lanzamiento solo está disponible en inglés y lo ofrece a través de Fish Agent Platform, la propia API de Fish Audio y el despliegue en las instalaciones. No hay benchmark, ni cifra de τ-Voice, ni Elo de arena, ni una línea para él en la lista de precios de Fish Audio, que incluye drama-3, s2.1-pro, s2.1-pro-free, s2-pro y s1, además de tres modelos de transcripción y voice-design-1.

• Primera mitad — GPT-Live-1: $0.05 por minuto de voz, facturado por segundo, con 15 segundos cobrados al inicio de la sesión y acreditados contra el uso posterior. Live 3: precio no publicado.

• Segunda mitad — GPT-Live-1: un modelo backend asíncrono de tu elección, facturado según las tarifas de ese modelo, con GPT-5.6 Terra en el ejemplo WebRTC publicado por OpenAI. Live 3: un hook de LLM personalizado que apunta a cualquier endpoint compatible con OpenAI, igualmente facturado por quien lo sirva.

• Puntuación independiente — GPT-Live-1: 81.5 y 80.1 en el índice compuesto, dos configuraciones puntuadas por separado. Live 3: ninguno, a fecha de 2026-11-11.

• Transporte y límites — GPT-Live-1: solo WebRTC, sin entrada de imagen ni vídeo, sin salidas estructuradas, sin plan gratuito y límites de concurrencia de 25, 50, 200, 300 y 500 sesiones simultáneas en los niveles 1 a 5. Live 3: REST bajo /v1/agent/* con SDK de JavaScript y React, autenticación por token de sesión, canales para un número de teléfono, un widget web o un cliente personalizado.

Por qué la estructura de dos metros es la decisión real

La factura de un agente de voz tiene dos mitades y solo una de ellas es predecible. La primera mitad se mide por tiempo: a $0,05 por minuto, una llamada de cinco minutos cuesta un cuarto de dólar y una hora de línea abierta cuesta tres dólares, una aritmética lo bastante sencilla como para pronosticarla. La segunda mitad se mide por tokens, varía según cuánto piense quien llama y es la mitad que produce las sorpresas desagradables —por eso Artificial Analysis informa un costo total por hora en lugar de una tarifa de voz por minuto. Su cifra es de $5,83 por hora para el emparejamiento con Astra y de $4,47 para el de Sol, ambas incluyendo el trabajo de backend, frente a los $3,00 por hora que sugeriría solo el medidor de voz.

Live 3 tiene la misma forma de dos medidores con uno oculto. Fish Audio no ha publicado ninguna tarifa para la capa de voz, así que la primera mitad es desconocida, y la segunda mitad es lo que cobre el endpoint que está detrás del hook de LLM personalizado. Por lo tanto, una llamada de diez minutos a Live 3 tiene un coste calculable solo si se conocen ambos números, y hoy no se conoce ninguno de los dos por parte del proveedor.

Esa asimetría es la razón por la que una capa de enrutamiento aparece en esta comparación, y pertenece solo a la segunda mitad. OrcaRouter no aloja Fish Audio Live 3 ni GPT-Live-1 —ninguno tiene un endpoint de voz de terceros, y la capa de voz en cualquiera de las dos pilas permanece con su proveedor. Lo que OrcaRouter aloja es la mitad a la que ambos sistemas delegan: 216 modelos tras una sola clave al precio de lista del proveedor sin margen, conmutación automática por error cuando un backend falla o se agota el tiempo de espera, un DSL de enrutamiento que decide qué modelo gestiona cada tipo de turno, y fusión de modelos para que un modelo económico pueda redactar una llamada a herramienta mientras otro más potente la revisa antes de que se ejecute. Para una implementación de GPT-Live-1, el efecto práctico es que la diferencia de 1,4 puntos entre las dos configuraciones evaluadas se convierte en algo que se puede medir en su propio tráfico en lugar de leer en una tabla de clasificación. Para una implementación de Live 3, significa que la capa de razonamiento se elige antes de que siquiera se conozca el precio de la capa de voz —lo cual es el orden correcto, porque es la mitad que puede cambiar más adelante.

El número de latencia que se sigue comparando con la cosa equivocada

En este enfrentamiento circulan tres cifras de latencia y no hay dos que midan el mismo evento. Los 0,798 segundos de GPT-Live-1 provienen de Full-Duplex-Bench, una suite de dinámica conversacional que cronometra a un modelo dentro de un escenario de toma de turnos. Sus 1,34 segundos son el tiempo hasta el primer audio, medido en la API. Los 186 milisegundos de Live 3 son la cifra propia de Fish Audio para el intervalo más pequeño en el que el modelo puede optar por emitir una reacción breve como «mm-hmm» o «vale, 415» entre los fragmentos de un número de teléfono.

Si se leen juntos, es tentador concluir que Live 3 responde en una séptima parte del tiempo. Esa conclusión no está respaldada por nada de lo que publicó ninguno de los dos proveedores. La única comparación que permiten las cifras es direccional: ambas empresas afirman que el primer evento audible de una conversación puede llegar en menos de un cuarto de segundo en algunas condiciones, y ninguna ha publicado una distribución. Lo que GPT-Live-1 tiene y Live 3 no es un arnés de pruebas de terceros que aplica la misma medición a él y a sus competidores, y eso es lo que hace que 1,34 segundos sea una cifra que un revisor puede verificar y 186 milisegundos una cifra que un piloto tiene que verificar.

A qué te compromete la arquitectura

Las dos mitades no son igualmente portables, y esa es la parte que vale la pena considerar antes de que cualquiera de los dos pilotos comience.

Del lado de GPT-Live-1, la capa de voz está efectivamente fija. Las sesiones funcionan sobre WebRTC en lugar del transporte WebSocket que utilizan la mayoría de las integraciones de Realtime existentes, el endpoint Live Sessions es exclusivo de OpenAI, y sondear la ruta anterior con un ID de modelo GPT-Live devuelve un error que indica que las sesiones requieren WebRTC. Cambiarse a ella supone reescribir el transporte. Cambiarse de ella supone otra reescritura.

En el lado de Live 3, la capa de voz está resuelta de una forma distinta: es una plataforma beta de un proveedor más pequeño, solo en inglés, sin precio publicado y sin puntuación independiente. Lo que sí es portable allí es el hook de razonamiento, y lo que no lo es es todo lo que queda por debajo: la ruta de audio, el número de teléfono y el ciclo de vida de la sesión.

En ambos casos, la mitad móvil es el modelo de razonamiento, y ahí un cambio es un cambio de ID de modelo, no un proyecto de integración. La lección de diseño es la misma en ambos lados de esta comparación: pon la inteligencia en la capa que puedes intercambiar y mantén la capa que no puedes intercambiar tan fina como el producto lo permita.

¿Qué mitad comprar primero?

Compre primero la mitad de GPT-Live-1 si necesita justificar la decisión ahora. Tiene una tarifa publicada, dos configuraciones puntuadas, un desglose de componentes, un transporte documentado y una escalera de concurrencia con la que puede dimensionar un centro de llamadas. Lo que no tiene es una ruta de vídeo, salidas estructuradas de herramientas, un nivel gratuito ni ninguna reproducción independiente de la propia afirmación de OpenAI de un 80,1 % de interactividad.

Haz primero la prueba piloto de la mitad de Live 3 si tus llamadas son en inglés, tu registro de reclamaciones está lleno de personas que llaman a las que se interrumpe cuando hablan, y el despliegue on-premises es un requisito y no una preferencia. Entra sabiendo que tú eres la evaluación: ninguna línea de tarifa, ninguna cifra de τ-Voice, ninguna puntuación de arena y una afirmación de 186 milisegundos que describe reacciones breves en lugar de respuestas.

No compres ninguna de las dos mitades esperando que el proveedor termine el producto. GPT-Live-1 sin un backend es un muy buen oyente sin nada que decir; Live 3 sin un endpoint de razonamiento detrás de su hook es una capa de voz beta con una factura no publicada. La puntuación que decide este enfrentamiento —81,5 contra nada— es en realidad una afirmación sobre la documentación, y el número que lo zanjará es la primera prueba independiente de alternancia de turnos en Live 3.