Fish Audio Live 3 répond en 186 millisecondes, puis passe le reste de l’appel à décider s’il doit parler

Fish Audio Live 3 est un modèle vocal full-duplex que Fish Audio a annoncé le 10 novembre 2026, et tout son argumentaire repose sur une distinction que la plupart des agents vocaux se trompent encore à faire : une pause au milieu d'un numéro de téléphone n'est pas le même événement que la pause à la fin d'une question. Le modèle continue d'écouter pendant qu'il parle, peut décider de répondre en à peine 186 millisecondes selon Fish Audio, et a été entraîné sur des conversations humaines enregistrées pour apprendre quand accuser réception, quand attendre, quand répondre et quand s'arrêter — au lieu de se voir remettre un tableau de seuils de silence.

Cette dernière clause est la plus intéressante, et c’est aussi pourquoi cet article ne peut pas vous fournir de benchmark. Fish Audio n’a publié aucune évaluation pour Live 3, aucun prix par octet pour celui-ci sur sa propre grille tarifaire, ni d’identifiant de modèle ou de documentation de point de terminaison qui le nomme. Artificial Analysis, qui évalue les modèles vocaux duplex sur un même banc d’évaluation, ne comporte aucune ligne Live 3 au 11 novembre 2026 — le tableau répertorie Fish Audio comme famille de modèles et n’évalue aucun de ses travaux duplex. Le chiffre de 186 millisecondes est rapporté par le fournisseur et non audité. Ce qui suit distingue ce que Fish Audio a documenté de ce qu’elle a affirmé, car un jour après le lancement, ce sont deux catégories bien distinctes.

La pause qui gâche un numéro de téléphone

L'exemple concret fourni par Fish Audio lui-même est le meilleur argument de l'annonce. Énoncez un numéro par blocs — « 415… 555… 0132 » — et un agent conventionnel perçoit trois événements de fin de tour distincts, ou une longue hésitation qu'il confond avec une réflexion de l'appelant. Live 3 est documenté comme disant « mm-hmm » ou « d'accord, 415 » entre les blocs, puis comme attendant la suite. L'accusé de réception remplit deux fonctions à la fois : il confirme que les chiffres ont bien été reçus et il laisse la parole ouverte, afin que l'appelant puisse reprendre son souffle, vérifier les quelques chiffres suivants et poursuivre.

La moitié la plus difficile du même problème est l’erreur inverse. Si l’agent énonce les horaires d’ouverture et que l’appelant dit « ouais » ou « mm-hmm » pour montrer qu’il suit, Live 3 est documenté comme continuant au lieu de s’arrêter. Puis l’appelant dit « Attends, en fait, j’ai juste besoin de jeudi », et il s’arrête et fait de la place. Le cadrage de Fish Audio est que tout son n’est pas une interruption, et le modèle est censé distinguer un retour d’écoute d’une prise de parole sans que le développeur énumère chaque son qu’un humain pourrait produire.

Le troisième cas concerne les corrections en cours d’énoncé : « Je voudrais deux pizzas… non, trois. Trois grandes. Et… en fait, faites-en une margherita. » Un pipeline qui se déclenche sur la première commande complète plausible passe deux fois la mauvaise commande. Il est documenté que Live 3 attend chacune des révisions. Les appels au support, les réservations et les commandes sont pleins de ce cas précis, et c’est la raison pour laquelle le PDG de Fish Audio a eu recours à une analogie linguistique plutôt qu’à un chiffre de latence.

« Jusqu’à présent, la solution a consisté à ajouter davantage de règles et de seuils », a déclaré Rissa Cao, cofondatrice et PDG de Fish Audio. « Nous pensons qu’un modèle devrait apprendre cela à partir de conversations réelles, de la même manière que les modèles de langage apprennent la grammaire. »

Ce que Fish Audio a réellement couché sur papier

Sans le marketing, la surface publiée de Live 3 est assez courte pour être listée intégralement. Tout ce qui suit provient de l’annonce ou de la documentation de Fish Audio ; rien ici n’a été mesuré indépendamment.

• Temps de réaction — Fish Audio indique que le modèle peut décider de répondre en à peine 186 millisecondes, dans le cas de réactions courtes telles que « mm-hmm », « okay » et de confirmations rapides plutôt que de réponses complètes.

• Architecture — duplex intégral. Il écoute pendant qu'il parle, ce qui est précisément ce qui rend possible un accusé de réception en plein milieu d'un numéro.

• Signal d'entraînement — de vraies conversations humaines, avec un comportement de prise de parole appris plutôt que configuré. Aucune taille d'ensemble de données, aucun nombre d'heures, aucun ensemble d'évaluation n'est divulgué.

• Langues — Anglais uniquement au lancement, indiqué clairement dans l’annonce.

• Distribution — la Fish Agent Platform, l'API propre à Fish Audio, et le déploiement sur site pour les clients entreprises.

• Prix — non publié. La grille tarifaire de Fish Audio répertorie drama-3, s2.1-pro, s2.1-pro-free, s2-pro et s1, ainsi que trois modèles ASR et voice-design-1. Live 3 n’y figure pas.

L’annonce elle-même vaut la peine d’être lue dans son intégralité, car elle est inhabituellement concrète sur le comportement et inhabituellement discrète sur les chiffres.

Trois extraits audio l'accompagnent — un appelant qui ajoute des détails avec des pauses, un appelant qui coupe une liste de menu, et un appelant qui dit « mm-hmm » pendant que l'agent relit une commande — et chacun constitue la même affirmation comportementale sous un angle différent. Aucun d'eux n'est accompagné d'un score au niveau de la transcription, et l'annonce ne prétend pas le contraire.

De quoi est fait un agent Live 3

Live 3 est la couche vocale d’un produit plus vaste, et c’est dans le reste de ce produit que réside le travail d’intégration. Fish Audio exploite une Agent Platform hébergée, actuellement en bêta publique, qui expose une surface REST sous /v1/agent/* ainsi que des SDK clients pour JavaScript et React. Les agents peuvent être associés à un widget web, à un numéro de téléphone ou à un client personnalisé, et les sessions sont authentifiées avec des jetons de session plutôt qu’avec une clé de longue durée dans le navigateur. La plateforme prend en charge le chemin audio ; vous apportez les instructions, les outils et les workflows.

Ce qui compte pour quiconque construit par-dessus, c'est le hook LLM personnalisé. Fish Audio permet à la couche de raisonnement d'un agent de pointer vers un endpoint compatible OpenAI, ce qui signifie que le modèle qui réfléchit ne doit pas forcément être celui du fournisseur. Il s'agit là d'une couture délibérée, et c'est précisément là que doit se trouver une couche de routage. OrcaRouter se place derrière cet endpoint avec 216 modèles à partir de la même clé, au prix catalogue du fournisseur sans marge et un basculement automatique en cas d'erreur d'un fournisseur — ainsi, le planificateur au sein d'un agent Live 3 peut être remplacé, testé en A/B sur de vrais transcriptions d'appels et re-pointé sans toucher à la couche vocale ni au numéro de téléphone. Un DSL de routage décide quel modèle reçoit quel appel, et la fusion de modèles permet à un modèle économique de rédiger une ébauche pendant qu'un modèle plus puissant examine l'appel d'outil avant son exécution. Pour être explicite sur la frontière : OrcaRouter n'héberge pas Fish Audio Live 3. Il n'existe pas d'endpoint tiers pour cela, et la couche vocale ici est celle du fournisseur lui-même.

La plateforme est l'endroit où un agent obtient son numéro de téléphone, ses outils et son cycle de vie de session.

Qu'est-ce qui réglerait la question ?

Trois chiffres permettraient de transformer cette affirmation en donnée concrète, et aucun d’entre eux n’existe encore.

• Un prix à l'octet ou à la minute pour Live 3, afin que le coût d'un appel de dix minutes puisse être comparé à la cascade qu'il remplace. Tant que cela n'est pas disponible, toute estimation du coût total d'un déploiement Live 3 n'est qu'une supposition avec une virgule décimale.

• Une distribution de latence plutôt qu'un plancher. « Seulement 186 millisecondes » décrit la queue rapide des réactions courtes. Le délai avant le premier son pour une réponse complète est le chiffre qui détermine si un appelant parle par-dessus l'agent, et Fish Audio ne l'a pas publié.

• Un score indépendant de gestion des tours de parole. Artificial Analysis exécute Full-Duplex-Bench et un test agentique τ-Voice sur les modèles duplex, et les deux seraient directement comparables aux lignes publiées pour les autres modèles duplex de ce marché. Une ligne Live 3 sur l’un ou l’autre tableau répondrait en un seul tableau à ce que l’annonce explique en prose.

En attendant, l’analyse honnête est la suivante : le problème que Fish Audio a choisi est réel et mal couvert, les exemples concrets sont les bons, et le modèle est déployé auprès de vrais utilisateurs via une plateforme elle-même encore en bêta. Si le mode de défaillance de votre agent aujourd’hui est que l’on coupe la parole aux appelants, ou qu’ils doivent répéter deux fois une séquence de chiffres, Live 3 vise exactement cela — et la première chose à instrumenter après son déploiement n’est pas la latence, mais la fréquence à laquelle l’appelant doit recommencer.