Fish Audio Live 3 parle une seule langue. Gemini 3.8 Live en parle 97 et ajoute un filigrane chaque seconde.

Fish Audio Live 3 et Gemini 3.8 Live s'accordent sur l'idée importante et sont en désaccord sur presque tout le reste. Tous deux placent la gestion des tours de parole à l'intérieur du modèle vocal plutôt que dans un pipeline de composants séparés. Live 3, annoncé le 10 novembre 2026, défend ce point de manière comportementale : une pause au milieu d'un numéro de téléphone n'est pas le même événement que la pause à la fin d'une question, et le modèle peut décider de répondre en aussi peu que 186 millisecondes, un chiffre rapporté par Fish Audio et que personne n'a vérifié. Gemini 3.8 Live, annoncé le 15 septembre 2026, répond au même problème avec des documents : 97 langues avec changement en cours de conversation, un filigrane SynthID sur chaque seconde d'audio généré, une fiche modèle publiée, deux identifiants de modèle API documentés, et une ligne Artificial Analysis qui affiche 76,0 sur le Speech to Speech Index avec ses quatre composantes toutes renseignées.

Cette asymétrie, et non le chiffre de latence, est ce qui tranche cette comparaison. L’un de ces modèles peut dès aujourd’hui être inscrit dans un document d’achat et défendu ligne par ligne ; l’autre doit être instrumenté par l’équipe qui l’adopte. Et il y a un point plus tranchant en dessous : le comportement que vend Live 3 n’est pas le domaine où Gemini 3.8 Live est le plus fort, et ce n’est pas non plus un critère sur lequel Live 3 a été évalué — donc, pour l’instant, la comparaison se tranche par ce que l’on peut vérifier plutôt que par le modèle qui gère le mieux un appel téléphonique.

L’écart de couverture n’est pas une note de bas de page.

Commencez par ce que chaque modèle fera en dehors d’une démo, car pour la plupart des acheteurs, cette section met fin à l’évaluation avant même que les questions intéressantes ne soient posées.

• Langues — Gemini 3.8 Live prend en charge 97 langues et bascule automatiquement de l'une à l'autre en cours de conversation. Fish Audio indique clairement que Live 3 n'est disponible qu'en anglais lors de son lancement. Une ligne de réservation à Madrid, une file d'attente de support à São Paulo et un service de recouvrement à Varsovie ne sont pas des déploiements de Live 3 ce trimestre.

• Provenance — chaque seconde d’audio générée par Gemini 3.8 Live porte le filigrane SynthID de Google, et les deux variantes vocales de Gemini sont documentées dans une fiche modèle publiée sous le nom gemini-3-8-audio. L’annonce de Fish Audio ne mentionne ni filigrane ni métadonnées de provenance pour Live 3. Si votre juridiction s’achemine vers une obligation de divulgation des voix de synthèse, cette différence relève d’une question juridique plutôt que d’ingénierie.

• Identifiants — Google publie gemini-3.8-live et gemini-3.8-live-extended-thinking comme identifiants de modèles appelables via l'API Gemini, l'API Live et AI Studio. L'annonce de Fish Audio mentionne Live 3, mais ne publie aucun identifiant de modèle ni aucune documentation de point de terminaison propre au modèle pour celui-ci.

• Entrée non audio — Gemini 3.8 Live traite l'entrée visuelle en quasi-temps réel, en plus de la prise en charge de la caméra et du partage d'écran que la gamme proposait déjà. Live 3, c'est de l'audio en entrée, de l'audio en sortie.

• Voie entreprise — Celle de Google est en préversion privée dans Gemini Enterprise, l’édition dédiée à l’expérience client étant annoncée comme prochainement disponible. Celle de Fish Audio est l’Agent Platform, actuellement en bêta publique, ainsi qu’un déploiement sur site pour les clients entreprises — ce qui constitue une offre véritablement différente, et le seul cas de cette liste où le plus petit fournisseur apporte la meilleure réponse à un acheteur qui ne peut pas envoyer d’audio vers un cloud public.

Ce que l’index peut voir, et ce qu’il ne peut pas

Artificial Analysis construit son indice parole-à-parole sous la forme d’un composite à pondération égale de raisonnement vocal, de performance agentique, de préférence d’arène et de réussite des tâches, et évalue un système complet plutôt qu’un modèle unique. La ligne de Gemini 3.8 Live est complète : indice 76,0, Big Bench Audio 92 %, délai avant le premier audio 1,18 seconde, réussite des tâches 93,2 %, dynamique conversationnelle 96,1 %, Elo d’arène 1 083 et 30,1 % au benchmark τ-Voice de tâches de service client. Live 3 n’a aucune ligne du tout au 11 novembre 2026 ; le classement répertorie Fish Audio comme famille de modèles et n’évalue aucun de ses travaux duplex.

Examinez de près deux de ces composants, car ils disent quelque chose que le titre principal ne dit pas. Les 96,1 % de Gemini 3.8 Live sur la dynamique conversationnelle constituent le chiffre le plus élevé de sa ligne et l’indicateur publié le plus proche de ce que vend Live 3 — un modèle à tours de parole qui obtient un score proche du sommet d’une mesure de prise de tour. Ses 30,1 % sur τ-Voice sont le chiffre le plus bas de la ligne et la raison pour laquelle le modèle se classe cinquième plutôt que premier : il converse bien et termine rarement les tâches. La correction apportée par Google a été une seconde variante, Gemini 3.8 Live Extended Thinking, qui atteint 68,6 % au même test et prend la première place de l’indice à 82,6 — pour environ quatre fois le coût horaire de l’audio.

La leçon de cette comparaison est inconfortable pour les deux fournisseurs. La dynamique conversationnelle et l’alternance naturelle des tours de parole ne relèvent pas de la même mesure, ce qui explique précisément pourquoi un 96,1 % sur l’une et une affirmation non évaluée sur l’autre ne peuvent être mis en regard. L’argument de Live 3 est que son comportement est meilleur que celui d’un modèle à tours de parole dans une situation précise — un appelant qui marque une pause au milieu d’un numéro, ou qui murmure son accord pendant que l’agent relit une commande. Tant que personne ne le teste sur un banc d’essai d’alternance des tours de parole, la position honnête est que Live 3 avance une affirmation à propos d’un scénario que les classements publiés n’isolent pas.

Provenance, et la question qu'un relecteur posera

La voix est la seule modalité où une équipe de conformité s’interroge sur le résultat avant de s’interroger sur le prix. Gemini 3.8 Live a une réponse prête : le filigrane SynthID sur l’audio généré, une fiche de modèle nommée, et un fournisseur qui adosse les deux à une posture publiée en matière d’usage responsable. Live 3 fait l’objet d’une annonce d’une précision inhabituelle sur le comportement conversationnel et totalement muette sur la façon dont un auditeur ou un détecteur pourrait distinguer sa sortie d’un enregistrement.

Ce n'est pas une raison d'éviter Live 3, et c'est une raison de poser une question directe à Fish Audio avant de le déployer sur une ligne qui enregistre des appels. L'audio est-il filigrané, les sessions produisent-elles une transcription ou un enregistrement d'audit, et quelle est la politique de conservation des deux : voilà les trois éléments qu'un évaluateur voudra voir par écrit. Fish Audio a documenté l'authentification par jeton de session de la plateforme et sa surface REST /v1/agent/*, donc l'infrastructure existe pour répondre aux trois — l'entreprise n'a simplement pas publié les réponses, et un jour après le lancement, c'est l'état normal des choses plutôt qu'un signal d'alarme.

Le prix qui existe et celui qui n’existe pas

Gemini 3.8 Live est proposé à 0,005 $ par minute d'entrée audio et à 0,018 $ par minute de sortie audio via l'API Live. Un appel de cinq minutes avec une sortie continue représente donc un peu plus de onze cents de voix, avant tout coût lié au modèle backend. Artificial Analysis convertit les tarifs de Google en un montant horaire sur un sous-ensemble fixe de quarante questions, et cette colonne dérivée a évolué d'un relevé à l'autre — 0,84 $ de l'heure pour le modèle standard dans le tableau du 16 septembre, 1,50 $ dans un relevé ultérieur. Les deux sont des conversions, pas des tarifs annoncés ; les tarifs à la minute sont la référence à retenir pour établir un budget.

Live 3 n’a pas de prix. La grille tarifaire de Fish Audio indique drama-3 à 50 $ par million d’octets UTF-8, s2.1-pro et s2-pro à 15 $, s2.1-pro-free à zéro, et s1 à 15 $ avec une date de retrait au 2026-12-31, plus trois modèles de reconnaissance vocale et voice-design-1 à un centime par requête. Live 3 n’y figure pas. Un appel d’agent duplex n’a pas non plus de nombre d’octets naturel — l’audio entrant correspond à ce que dit l’appelant — de sorte que même la forme du compteur n’est pas publiée. Tout modèle de coût pour Live 3 rédigé aujourd’hui est une supposition, et cette supposition doit être identifiée comme telle dans tout document où elle figure.

Qu’est-ce qui se cache derrière la voix

Aucun des deux modèles ne constitue le système entier, et la jointure est identique des deux côtés. Gemini 3.8 Live exécute en arrière-plan des outils et des appels d’API, accuse réception d’une demande et continue de parler pendant que l’appel se termine — et ce travail se résout en appels de modèle ordinaires avec des coûts de tokens ordinaires. L’Agent Platform de Live 3 expose un hook LLM personnalisé qui oriente le raisonnement d’un agent vers n’importe quel point de terminaison compatible OpenAI. Dans les deux cas, le modèle vocal est une interface et un modèle textuel effectue le raisonnement.

Cette couche est celle où un routeur justifie sa place, et c'est la seule couche de l'une ou l'autre pile où le changement est peu coûteux. OrcaRouter porte 216 modèles derrière une seule clé, au prix catalogue du fournisseur et sans marge, de sorte qu'une baisse de prix en amont est répercutée le jour même plutôt qu'à la prochaine renégociation de contrat ; le basculement automatique maintient un appel actif lorsqu'un backend renvoie une erreur ou expire ; un DSL de routage décide quel modèle traite quel type de tour ; et la fusion de modèles permet à un modèle bon marché de rédiger un appel d'outil tandis qu'un modèle plus puissant le vérifie avant son déclenchement. Pour être précis sur la frontière : OrcaRouter n'héberge pas Fish Audio Live 3 ni le point de terminaison vocal Gemini 3.8 Live. Ni l'un ni l'autre ne dispose d'un point de terminaison vocal tiers, et la couche vocale de l'une ou l'autre pile reste chez son fournisseur. La couche de raisonnement est la partie portable, et pour une pile construite sur un modèle facturé au tarif de préversion d'un fournisseur et une plateforme bêta d'un autre, la portabilité est la propriété qui survit à la prochaine version.

À quoi chacun sert réellement

Choisissez Gemini 3.8 Live si votre produit est destiné à l’international, si l’audio quitte votre infrastructure et que quelqu’un vous demandera de prouver d’où il vient, ou si vous avez besoin que l’agent voie un écran ou une caméra. Il dispose du tableau de scores, du filigrane, des langues, du tarif publié et de l’ID du modèle. Sa faiblesse est le taux d’achèvement des tâches, à 30,1 % sur τ-Voice, et la solution que Google vend pour cela est la variante Extended Thinking, à quatre fois le coût horaire.

Pilot Fish Audio Live 3 si vos appels sont en anglais, que vos contraintes d’infrastructure excluent un cloud public et que votre journal de plaintes regorge d’appelants à qui l’on coupe la parole ou qui répètent des séquences de chiffres. Le déploiement sur site constitue ici un réel avantage, et un avantage que Google ne propose pas. Prévoyez de construire vous-même l’évaluation : il n’y a aucun score auquel vous comparer, aucun prix publié à prévoir et aucun filigrane à montrer du doigt.

Ne considérez pas 76,0 comme un verdict sur la gestion des tours de parole. Il s'agit d'un score composite qui pondère fortement l'achèvement de tâches agentiques, et Gemini 3.8 Live est justement faible sur ce point. Le chiffre qui permettrait de trancher ce duel est un score de gestion des tours de parole pour Live 3 sur le même banc d'essai que celui utilisé pour tous les autres — et tant qu'il n'existe pas, les deux modèles sont comparés sur la documentation plutôt que sur leur comportement.