Fish Audio Live 3 vs Eleven Realtime v1 Max : les 186 ms et les 0,57 s ne correspondent pas à la même mesure

Fish Audio Live 3 et Eleven Realtime v1 Max sont tous deux des modèles vocaux full-duplex, tous deux commercialisés à quatre semaines d'intervalle, et tous deux vendus sur l'argument que la prise de tour doit être intégrée au modèle vocal plutôt que répartie dans un pipeline de composants séparés. Fish Audio affirme que Live 3 peut décider de répondre en à peine 186 millisecondes. Le Realtime v1 Max d'ElevenLabs commence à parler en 0,57 seconde. Côte à côte, ces deux chiffres donnent l'impression d'une victoire par trois du modèle le plus récent, et cette lecture est erronée d'une manière qu'il vaut la peine de comprendre avant de signer un contrat.

Les chiffres mesurent des événements différents. Les 186 millisecondes de Live 3 sont le chiffre propre à Fish Audio pour les réactions courtes — un « mm-hmm », un « okay, 415 » entre les segments d’un numéro de téléphone — et non pour une réponse complète. Le chiffre de 0,57 seconde de Max est un temps jusqu’au premier audio mesuré pour la réponse elle-même, relevé sur le banc d’essai Speech to Speech d’Artificial Analysis. L’un est un plancher déclaré par le fournisseur pour un accusé de réception ; l’autre est une latence auditée sur une réponse. Soustrayez-les et vous obtenez un nombre qui ne veut rien dire, ce qui est le point de départ utile pour cette comparaison.

Ce que chaque fournisseur a réellement publié

Eleven Realtime v1 Max est arrivé le 20 octobre 2026 avec une fiche de scores complète. Artificial Analysis l'évalue sur Big Bench Audio (98,8 %), le temps jusqu'au premier audio (0,57 s), le taux de réussite des tâches (87,1 %), la dynamique conversationnelle de Full-Duplex-Bench (94,1 %) et la préférence Arena (997 Elo). Il n'a pas d'indice Speech to Speech, car le test agentique τ-Voice qui sous-tend cet indice n'a pas été exécuté sur lui, et il n'obtient pas non plus de chiffre de coût horaire de la part d'ElevenLabs — les 4,80 $ de l'heure affichés au tableau sont une conversion des tarifs par minute d'ElevenLabs pour l'agent et l'API, et non un prix catalogue publié pour le modèle seul.

Fish Audio Live 3 est arrivé le 2026-11-10 avec un argumentaire comportemental et presque aucun chiffre. La surface publiée est assez petite pour être énoncée complètement.

• Vitesse de réaction — 186 millisecondes, selon le fournisseur, décrite dans le contexte de réactions courtes plutôt que de réponses complètes.

• Scores indépendants — aucun. Artificial Analysis ne présente aucune ligne Live 3 dans son tableau Speech to Speech en date du 2026-11-11 ; Fish Audio y apparaît comme une famille de modèles, et non comme une entrée duplex notée.

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

• Langues — uniquement l’anglais au lancement, selon l’annonce.

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

• Architecture — full duplex, entraînée sur des conversations humaines enregistrées, de sorte que l'accusé de réception, l'attente, la réponse et l'arrêt soient des comportements appris.

La surface publiée d’ElevenLabs est l’image miroir : une grille d’évaluation complète et un prix unitaire opaque. Max possède toutes les lignes sauf l’indice et le test τ-Voice, et ElevenLabs ne le vend pas sous forme de tarif autonome à la minute — dans ElevenAgents, vous payez les frais standard d’agent plus des tokens au tarif Realtime, et via l’API Realtime, vous payez à la minute d’audio connecté plus des tokens.

L'argument comportemental, qui est la véritable concurrence

Les deux fournisseurs décrivent le même mode de défaillance et proposent le même correctif structurel, ce qui rend la comparaison inhabituellement limpide au niveau des idées. ElevenLabs affirme que la reconnaissance, la gestion des tours de parole, le raisonnement et la génération vocale dans Realtime sont réglés comme un seul système plutôt que coordonnés entre les différents composants, et son exemple documenté de ce bénéfice est le retour de canal : Mini est décrit comme détectant si un locuteur a terminé ou s'il ne fait que s'intercaler avec un « mm-hmm ». La version de Fish Audio de la même affirmation est un numéro de téléphone lu par segments — « 415… 555… 0132 » — où Live 3 pourrait répondre « mm-hmm » ou « okay, 415 » entre ceux-ci et attendre la suite.

Là où ils divergent, c’est dans ce qu’ils vous laissent conserver. Eleven Realtime est commercialisé de deux façons : au sein d’ElevenAgents et via une API Realtime compatible au niveau du protocole avec le protocole d’événements d’OpenAI à wss://api.elevenlabs.io/v1/convai/realtime ; et choisir un modèle Realtime au sein d’ElevenAgents signifie qu’ElevenLabs gère le LLM, l’effort de raisonnement, le budget de réflexion, les appels d’outils parallèles, le modèle TTS et le fournisseur ASR. La plateforme Agent de Fish Audio, actuellement en bêta publique, adopte la position inverse sur la couche de raisonnement : le LLM personnalisé d’un agent peut pointer vers un point de terminaison compatible OpenAI, de sorte que c’est à vous de choisir le modèle qui effectue le raisonnement.

Cette différence détermine plus de déploiements que ne le font les chiffres de latence. Si vous voulez que le fournisseur prenne en charge toute la pile et que vous êtes prêt à abandonner les voies custom-LLM et Bedrock, ElevenAgents est le chemin le plus court. Si la couche de raisonnement est ce qui différencie votre produit — récupération, contrôles de politiques, orchestration d’outils — le hook custom-LLM côté Fish est la fonctionnalité qui survit au processus d’achat.

Coût, et pourquoi la colonne Live 3 est vide

Max coûte 4,80 $ de l’heure d’audio en entrée dans le comparatif d’Artificial Analysis, contre 0,84 $ pour le concurrent duplex solide le moins cher de ce classement. Le prix devient donc l’axe sur lequel un nouvel entrant peut remporter un contrat rapidement, et c’est précisément l’axe sur lequel Live 3 ne peut actuellement pas être évalué. Le coût par appel d’un déploiement Live 3 ne peut être calculé à partir de rien de ce que Fish Audio a publié, car l’unité de facturation n’est pas publiée.

Ce que Fish Audio publie bel et bien, c’est une grille tarifaire pour ses autres modèles, et il est utile d’en connaître la structure, car elle révèle comment l’entreprise fixe le prix de la parole. La synthèse vocale est facturée à l’octet UTF-8 du texte d’entrée, et la documentation de Fish Audio indique qu’un million d’octets UTF-8 correspond environ à 180 000 mots anglais, soit environ douze heures de parole. Au tarif catalogue de drama-3 de 50 $ par million d’octets, cela équivaut à environ 4,17 $ par heure de parole générée, ou à environ 0,83 $ pendant la promotion de lancement qui se poursuit jusqu’au 2026-11-30. Ce sont des chiffres dérivés pour un autre produit, et non le tarif de Live 3, et les minutes d’agents duplex ne sont pas la même unité que la parole synthétisée — mais ils situent l’échelle tarifaire de Fish Audio dans la même fourchette de 1 à 5 $ par heure que le reste de ce marché, plutôt qu’un ordre de grandeur en dessous.

C'est la section où une couche de routage justifie son utilité des deux côtés. OrcaRouter n'héberge ni Fish Audio Live 3 ni Eleven Realtime v1 Max — aucun des deux ne dispose d'un point de terminaison tiers, et la couche vocale de l'une comme de l'autre pile reste chez son fournisseur. Ce qu'OrcaRouter héberge, c'est la couche de raisonnement vers laquelle chacun d'eux peut être pointé : 216 modèles derrière une seule clé, au prix catalogue du fournisseur, sans marge, un basculement automatique en cas d'erreur d'un fournisseur, et un DSL de routage qui décide quel modèle traite quel appel. La conséquence pratique, c'est que la liste de prix par token d'aucun des deux fournisseurs ne devient un verrou. Si ElevenLabs revoit le prix de Realtime, ou si Fish Audio publie Live 3 à un tarif à l'octet, la facture vocale change et la facture de raisonnement ne change pas, car la facture de raisonnement n'a jamais été liée à l'un ou l'autre fournisseur au départ.

Sur lequel construire maintenant ?

Adoptez Eleven Realtime v1 Max dès aujourd'hui si vous devez défendre un choix technique devant quelqu'un qui vous demandera un benchmark. Il dispose d'une scorecard auditée, d'un protocole d'événements documenté et d'une latence mesurée qu'un évaluateur peut vérifier. L'inconnue de Max, c'est le prix horaire à grande échelle, pas la qualité.

Pilot Fish Audio Live 3 si le journal des plaintes de votre agent est rempli d'appelants à qui on coupe la parole, et si vous êtes prêt à mesurer vous-même l'amélioration. Le chiffre de 186 millisecondes ne peut pas être comparé aux 0,57 seconde de Max, le modèle n'a pas de score indépendant de gestion des tours de parole, et son prix catalogue n'existe pas encore — un pilote doit donc être structuré comme un A/B instrumenté face à votre agent actuel, et non comme une décision d'achat sur fiche technique.

Ne traitez pas 186 millisecondes comme une affirmation de latence que vous pouvez opposer à qui que ce soit. Il s’agit d’une déclaration d’un fournisseur sur la rapidité avec laquelle le modèle peut choisir d’émettre un bref bruit. Le chiffre qui vous intéresse réellement — le temps avant que l’appelant entende la première syllabe de la réponse — n’a été publié par personne pour Live 3. Lorsqu’il le sera, la comparaison avec Max deviendra réelle, et d’ici là, la réponse honnête à « lequel est le plus rapide » est que l’un des deux est mesuré et l’autre est décrit.