Fish Audio Live 3 est prêt pour la production et fermé : ce que l'offre de vLLM-Omni demande réellement

La phrase la plus révélatrice à propos de Fish Audio Live 3 n’a pas été écrite par Fish Audio. Lorsque l’entreprise a annoncé le modèle le 10 novembre 2026, la réponse qui a le plus circulé venait du compte du projet vLLM : des félicitations pour avoir livré un modèle vocal full-duplex qui écoute pendant qu’il parle, le souhait qu’il puisse un jour être publié en open source, et une proposition selon laquelle vLLM-Omni serait ravi de le servir dès qu’il le serait. Lisez cette réponse deux fois et vous avez la forme de toute l’annonce, car elle contient à la fois les deux moitiés de l’histoire — une véritable avancée de capacité, et une absence qu’un framework de service remarque immédiatement.

Fish Audio Live 3 est un modèle vocal full-duplex : il continue d'écouter pendant qu'il génère de la parole, et il est vendu comme prêt pour la production dès le premier jour, via l'Agent Platform de Fish Audio, via l'API de l'entreprise elle-même, et sous forme de déploiement sur site pour les entreprises. Ce qu'il n'est pas, c'est téléchargeable. Pas de poids, pas de licence, pas de dépôt, et — depuis le 11 novembre — aucun identifiant de modèle dans la documentation API de Fish Audio, qui liste encore s2.1-pro, s2.1-pro-free, s2-pro, s1 et trois modèles de transcription, et rien qui s'appelle Live 3. Tous les chiffres de performance ci-dessous sont ceux de Fish Audio et aucun n'a été reproduit de manière indépendante.

Qu’est-ce qui a été livré, et que vient faire « production-ready » dans cette phrase ?

L’affirmation technique de l’annonce est plus étroite et plus intéressante que la formule marketing. Fish Audio affirme que le modèle gère le timing conversationnel à l’intérieur du modèle vocal plutôt qu’au travers d’un pipeline d’étapes distinctes de reconnaissance, de raisonnement et de génération, et qu’il a appris quand accuser réception, attendre, répondre ou s’arrêter à partir de conversations humaines enregistrées plutôt que de seuils de silence définis manuellement. Une couche de raisonnement distincte contient les instructions et les outils de l’agent. Trois exemples d’appels accompagnent l’article — finaliser une commande, interrompre et émettre des signaux d’écoute pendant une relecture — et constituent ce qui ressemble le plus à des preuves dans la publication.

Ce que « production-ready » signifie en pratique, c’est que l’enveloppe commerciale existe dès le jour du lancement : une plateforme en libre-service avec un crédit de 5 $ et sans carte bancaire, un constructeur d’agents documenté, la téléphonie et une option entreprise sur site. Cela ne signifie pas que le modèle a passé ce qu’un acheteur appellerait des tests de recette. Il n’existe aucune évaluation publiée, quelle qu’elle soit — ni taux d’erreur de mots, ni taux de réussite des tâches, ni score de gestion des tours de parole, ni distribution de latence. Ce n’est pas inhabituel pour un modèle vocal le jour de son lancement, mais il vaut la peine de le dire clairement, car un article de lancement qui commence par des millisecondes invite les lecteurs à prendre une borne inférieure pour une mesure.

Trois numéros, et seulement deux d'entre eux proviennent de Fish Audio

• Vitesse de réaction — 186 millisecondes, chiffre fourni par Fish Audio, décrit dans le contexte de réactions courtes telles qu’un « mm-hmm » ou une confirmation rapide pendant que la réponse complète est préparée. Il s’agit d’un minimum pour un accusé de réception, et non d’un délai avant le premier audio pour une réponse.

• Prix — 0,035 $ par minute sur l’Agent Platform, présenté comme une remise de 50 % sur un tarif catalogue de 0,07 $, l’offre étant annoncée comme se terminant le 31 décembre 2026. Ce tarif à la minute regroupe la reconnaissance vocale, le modèle de raisonnement et la voix ; les jetons de LLM premium sont facturés à leur propre tarif par jeton, les appels téléphoniques ajoutent 0,01 $ par minute et les numéros de téléphone coûtent 1,20 $ par mois.

• Scores indépendants — zéro. Artificial Analysis tient un classement parole-à-parole qui classe Grok Voice 3.0, GPT-Live-1, Gemini 3.8 Live, Qwen Audio 3.0 Realtime et une douzaine d’autres sur le raisonnement, la dynamique conversationnelle, la réussite des tâches et le délai avant le premier audio. Vérifié le 11 novembre 2026, ce classement ne comporte aucune ligne duplex Fish Audio.

Les deux premiers chiffres sont ceux sur lesquels un acheteur peut agir. Le troisième est celui dont un acheteur aura finalement besoin, et c’est la raison pour laquelle le prix mérite un second regard plutôt qu’un premier : un tarif promotionnel assorti d’une date de fin publiée n’est pas un modèle de coût, c’est une estimation de coût avec une date d’expiration imprimée dessus.

Pourquoi un framework de serving se soucie d’un modèle fermé

L’intérêt de vLLM-Omni ne relève pas du sentiment. Les frameworks de serving existent pour exécuter des poids que vous pouvez charger, sur du matériel que vous contrôlez, à un coût marginal qui est votre facture d’électricité plutôt que le compteur à la minute de quelqu’un d’autre. Un modèle fermé n’est pas un client pour cela. L’offre dans cette réponse se lit donc mieux comme une demande adressée à une future version : publiez le checkpoint et un chemin d’inférence l’attend.

Ce qui rend cette absence d’autant plus révélatrice plutôt qu’inévitable, c’est le propre historique de Fish Audio. L’entreprise a déjà publié des poids ouverts — Fish Audio Drama 3, son modèle de synthèse vocale expressive, est disponible sous forme de checkpoint téléchargeable et a été évalué sur des arènes de parole à poids ouverts. La distribution fermée ici apparaît donc comme une décision produit concernant l’activité d’agents en direct, et non comme une politique maison en matière d’ouverture. L’option sur site brouille encore davantage la question : les entreprises peuvent exécuter Live 3 dans leur propre périmètre, ce qui n’est pas équivalent à pouvoir le lire, le fine-tuner ou le réhéberger, et Fish Audio n’a pas précisé laquelle de ces possibilités l’offre sur site inclut.

La mention « anglais uniquement » côtoie une promesse de « plus de 30 langues »

Deux phrases figurant sur les propres propriétés de Fish Audio tirent dans des directions opposées. L'annonce dit, en toutes lettres, que Live 3 parle anglais aujourd'hui. La page Agent Platform, sur le même site, vante plus de 2 000 000 de voix dans plus de 30 langues et un appelant « pris en charge en quelques secondes, de jour comme de nuit, dans la langue de l'appelant ». Les deux peuvent être vrais en même temps — une vaste bibliothèque de voix multilingues et une couche de reconnaissance vocale peuvent couvrir trente langues tandis que le modèle duplex sous-jacent n'en parle qu'une — mais une seule de ces phrases décrit ce que vous achetez lorsque vous achetez Live 3. Si vos appelants ne parlent pas anglais, la question intéressante n'est pas ce que la plateforme sait prononcer, mais quand le modèle duplex comblera son retard.

Ce que vous pouvez appeler aujourd’hui, et par quel moyen

L’accès passe par l’API propre à Fish Audio et par l’Agent Platform, la voie on-premises étant réservée aux contrats entreprise. Aucun service tiers ne sert le modèle, ce qui découle directement de l’absence de checkpoint : vous ne pouvez pas louer Live 3 auprès d’un fournisseur d’infrastructure, faute d’artefact à déployer. Quiconque décrit le modèle comme « disponible via des plateformes partenaires » décrit la bibliothèque de voix de la plateforme, pas le modèle duplex.

La moitié d'une pile d'agent qui est portable est la moitié du raisonnement, et sur l'Agent Platform, cette moitié constitue une ligne distincte sur la facture. C'est là qu'un routeur justifie sa présence, plutôt que comme un moyen d'atteindre le modèle vocal : OrcaRouter propose plus de 200 modèles derrière une seule clé, au prix catalogue du fournisseur et sans marge, de sorte que le modèle texte qui effectue le raisonnement peut être remplacé, épinglé ou basculé sans toucher au contrat vocal, et le basculement automatique maintient un appel actif lorsque le backend de raisonnement renvoie une erreur ou expire. Fish Audio Live 3 ne figure pas sur cette liste — il n'y a rien à héberger — et aucune partie de ce texte ne doit être interprétée comme affirmant le contraire.

Qu'est-ce qui changerait cette pièce ?

Quatre événements, dans l’ordre approximatif de leur impact sur la situation. Un point de contrôle, ce que demande la réponse de vLLM-Omni et ce qui placerait Live 3 sur le même rayon que Drama 3. Une ligne dans un classement indépendant de parole-à-parole, ce qui ferait passer 186 millisecondes d’une affirmation à un point de données contextualisé. Une chaîne de modèle et un tarif publiés dans la documentation API propre à Fish Audio, ce qui rendrait la chose citable dans un document d’approvisionnement. Et le 1er janvier 2027, date à laquelle le tarif promotionnel de $0.035 survivra ou non.

D’ici là, le résumé honnête est que Live 3 est le modèle vocal le plus intéressant sorti cette semaine et le moins documenté : un véritable argument architectural sur l’endroit où doit résider la gestion des tours de parole, enveloppé dans un produit commercial qui a publié son prix et rien d’autre. C’est une chose raisonnable à livrer. Ce n’est pas encore une chose que l’on peut évaluer, et la différence entre ces deux phrases est exactement ce qu’attendent respectivement un framework de serving, un benchmark indépendant et une équipe achats.