Fish Audio Live 3 vs GPT-Live-1 : les deux sont à moitié un produit, et le compteur indique laquelle des moitiés.

Fish Audio Live 3 et GPT-Live-1 sont tous deux des modèles vocaux full-duplex, tous deux soutiennent que la gestion des tours de parole doit être intégrée au modèle vocal lui-même, et tous deux sont, pris isolément, incomplets. GPT-Live-1 écoute et parle, puis confie la réflexion à un modèle backend distinct — c’est là son architecture, pas une limite — et il facture 0,05 $ par minute vocale pour la première moitié, tandis que le raisonnement arrive sur un second compteur. Fish Audio Live 3 fait structurellement la même chose : la couche vocale tourne sur l’Agent Platform de Fish Audio, tandis que le raisonnement de l’agent peut pointer vers n’importe quel endpoint compatible OpenAI via le hook custom-LLM. La différence, c’est qu’OpenAI a publié le prix de la première moitié et Artificial Analysis a publié le score du système complet, alors que Fish Audio n’a publié ni l’un ni l’autre, et qualifie de déclaré par le fournisseur le seul chiffre qu’il donne — 186 millisecondes, le plus court intervalle dans lequel Live 3 peut décider de réagir.

Cela fait moins de cette situation un concours entre deux modèles qu’un concours entre deux façons de découper un agent vocal en deux, et la découpe compte plus que le modèle. GPT-Live-1 a obtenu 81,5 sur l’Artificial Analysis Speech to Speech Index lorsqu’il était associé à GPT-6 Astra en effort moyen, et 80,1 avec GPT-5.6 Sol en effort faible, ce qui signifie que le choix du backend a fait varier le résultat de sept fois l’écart entre la première et la deuxième place. Le chiffre équivalent pour Live 3 n’existe pas encore. Acheter l’un ou l’autre, c’est acheter la moitié d’un système et s’engager à choisir soi-même l’autre moitié.

Ce que chaque fournisseur a réellement publié

GPT-Live-1 est le produit le mieux documenté, et la documentation est précise sur la jonction. Il a été intégré à ChatGPT le 8 juillet 2026 en remplacement d’Advanced Voice Mode et est arrivé dans l’API développeur le 10 septembre 2026. Le classement d’Artificial Analysis comporte deux lignes pour lui, car l’indice évalue un système dans son ensemble : 81,5 avec GPT-6 Astra à effort moyen, première place, et 80,1 avec GPT-5.6 Sol à effort faible, troisième. Les chiffres des composants sous la ligne Astra sont un score agentique de 67,9 % sur τ-Voice, 90 % sur Big Bench Audio, 87,4 % de réussite des tâches, un Elo d’arène de 1 048 et 1,34 seconde jusqu’au premier audio — mesurés par rapport aux 0,798 seconde d’OpenAI sur Full-Duplex-Bench, qui mesure un événement différent.

La surface publiée de Live 3 se limite à un paragraphe et à une série d’exemples concrets. Fish Audio l’a annoncé le 2026-11-10, le décrit comme full duplex et entraîné sur des conversations humaines enregistrées, indique qu’il peut décider de répondre en à peine 186 millisecondes pour de courtes réactions, précise qu’il est uniquement disponible en anglais au lancement, et le propose via la Fish Agent Platform, l’API propre à Fish Audio et un déploiement sur site. Il n’existe ni benchmark, ni chiffre τ-Voice, ni Elo d’arène, et aucune ligne le concernant sur la grille tarifaire de Fish Audio — qui liste drama-3, s2.1-pro, s2.1-pro-free, s2-pro et s1, ainsi que trois modèles de transcription et voice-design-1.

• Première partie — GPT-Live-1 : 0,05 $ par minute vocale, facturé à la seconde, avec 15 secondes facturées au démarrage de la session et créditées sur l'utilisation ultérieure. Live 3 : prix non publié.

• Seconde moitié — GPT-Live-1 : un modèle backend asynchrone de votre choix, facturé aux tarifs de ce modèle, avec GPT-5.6 Terra dans l’exemple WebRTC publié par OpenAI. Live 3 : un hook de LLM personnalisé pointant vers n’importe quel endpoint compatible OpenAI, également facturé par celui qui le fournit.

• Score indépendant — GPT-Live-1 : 81,5 et 80,1 sur l’indice composite, deux configurations évaluées séparément. Live 3 : aucun, au 11/11/2026.

• Transport et limites — GPT-Live-1 : WebRTC uniquement, aucune entrée d’image ou de vidéo, aucune sortie structurée, aucune offre gratuite, et des limites de concurrence de 25, 50, 200, 300 et 500 sessions simultanées pour les paliers 1 à 5. Live 3 : REST sous /v1/agent/* avec les SDK JavaScript et React, authentification par jeton de session, canaux pour un numéro de téléphone, un widget web ou un client personnalisé.

Pourquoi la structure de deux mètres constitue la véritable décision

La facture d’un agent vocal comporte deux moitiés, et une seule est prévisible. La première moitié est facturée au temps : à 0,05 $ la minute, un appel de cinq minutes coûte 25 cents et une heure de ligne ouverte coûte trois dollars, une arithmétique assez simple à prévoir. La seconde moitié est facturée au token, varie selon l’effort de réflexion de l’appelant, et c’est celle qui réserve les mauvaises surprises — c’est pourquoi Artificial Analysis indique un coût global horaire plutôt qu’un tarif vocal à la minute. Son chiffre est de 5,83 $ l’heure pour l’association Astra et de 4,47 $ pour celle avec Sol, tous deux incluant le travail backend, contre les 3,00 $ l’heure que le compteur vocal seul laisserait supposer.

Live 3 présente la même structure à deux compteurs, avec un compteur masqué. Fish Audio n’a publié aucun tarif pour la couche vocale ; la première moitié est donc inconnue, et la seconde correspond à ce que facture le point de terminaison derrière le hook LLM personnalisé. Un appel Live 3 de dix minutes n’a donc un coût calculable que si vous connaissez les deux chiffres, et aujourd’hui vous ne connaissez ni l’un ni l’autre auprès du fournisseur.

Cette asymétrie est la raison pour laquelle une couche de routage apparaît tout court dans cette comparaison, et elle ne concerne que la seconde moitié. OrcaRouter n'héberge ni Fish Audio Live 3 ni GPT-Live-1 — aucun des deux ne dispose d'un point de terminaison vocal tiers, et la couche vocale de l'une comme de l'autre pile reste chez son fournisseur. Ce qu'OrcaRouter héberge, c'est la moitié à laquelle les deux systèmes délèguent : 216 modèles derrière une seule clé, au prix catalogue du fournisseur, sans aucune marge, un basculement automatique lorsqu'un backend renvoie une erreur ou expire, un DSL de routage qui détermine quel modèle traite quel type de tour, et la fusion de modèles, afin qu'un modèle bon marché puisse ébaucher un appel d'outil pendant qu'un modèle plus puissant le vérifie avant son déclenchement. Pour un déploiement GPT-Live-1, l'effet concret est que l'écart de 1,4 point entre les deux configurations évaluées devient quelque chose que vous pouvez mesurer sur votre propre trafic plutôt que de le lire sur un classement. Pour un déploiement Live 3, cela signifie que la couche de raisonnement est choisie avant même que le prix de la couche vocale ne soit connu — ce qui est le bon ordre, car c'est la moitié que vous pouvez modifier plus tard.

Le chiffre de latence qui ne cesse d’être comparé à la mauvaise chose

Trois chiffres de latence circulent dans cette confrontation, et il n’y en a pas deux qui mesurent le même événement. Les 0,798 seconde de GPT-Live-1 proviennent de Full-Duplex-Bench, une suite de dynamique conversationnelle qui chronomètre un modèle dans un scénario d’alternance des tours de parole. Ses 1,34 seconde correspondent au délai jusqu’au premier audio, mesuré sur l’API. Les 186 millisecondes de Live 3 sont le chiffre de Fish Audio lui-même pour le plus petit intervalle dans lequel le modèle peut choisir d’émettre une courte réaction telle que « mm-hmm » ou « okay, 415 » entre les segments d’un numéro de téléphone.

Lus ensemble, ces chiffres incitent à conclure que Live 3 répond en un septième de ce temps. Cette conclusion n’est étayée par rien de ce que l’un ou l’autre fournisseur a publié. La seule comparaison que ces chiffres permettent est directionnelle : les deux entreprises affirment que le premier événement audible d’une conversation peut survenir en moins d’un quart de seconde dans certaines conditions, et aucune n’a publié de distribution. Ce que GPT-Live-1 a et que Live 3 n’a pas, c’est un banc d’essai tiers qui applique la même mesure à lui-même et à ses concurrents, ce qui fait de 1,34 seconde un chiffre qu’un évaluateur peut vérifier et de 186 millisecondes un chiffre qu’un pilote doit vérifier.

Ce à quoi l’architecture vous engage

Les deux moitiés ne sont pas également transposables, et c’est le point à considérer avant le démarrage de l’un ou l’autre des pilotes.

Côté GPT-Live-1, la couche vocale est en pratique figée. Les sessions passent par WebRTC plutôt que par le transport WebSocket qu’utilisent la plupart des intégrations Realtime existantes, le point de terminaison Live Sessions est propre à OpenAI, et tester l’ancien chemin avec un ID de modèle GPT-Live renvoie une erreur indiquant que les sessions nécessitent WebRTC. Y passer revient à réécrire le transport. En sortir aussi.

Côté Live 3, la couche vocale est fixée d'une autre manière : c'est une plateforme bêta d'un fournisseur plus petit, uniquement en anglais, sans prix publié ni score indépendant. Ce qui y est portable, c'est le hook de raisonnement, et ce qui ne l'est pas, c'est tout ce qui se trouve en dessous — le chemin audio, le numéro de téléphone, le cycle de vie de la session.

Dans les deux cas, la partie mobile est le modèle de raisonnement, et c’est là qu’un basculement consiste à changer d’identifiant de modèle plutôt qu’à mener un projet d’intégration. La leçon de conception est la même des deux côtés de cette comparaison : placez l’intelligence dans la couche que vous pouvez remplacer, et gardez la couche que vous ne pouvez pas remplacer aussi fine que le produit le permet.

Quelle moitié acheter en premier

Achetez d'abord la moitié GPT-Live-1 si vous devez justifier la décision dès maintenant. Elle dispose d'un tarif publié, de deux configurations évaluées, d'une ventilation des composants, d'un transport documenté et d'une échelle de concurrence sur laquelle dimensionner un centre d'appels. Ce qu'elle n'a pas, c'est un parcours vidéo, des sorties d'outils structurées, un niveau gratuit, ou une quelconque reproduction indépendante de la propre affirmation d'OpenAI d'une interactivité de 80,1 %.

Pilotez d’abord la moitié Live 3 si vos appels sont en anglais, que votre journal de plaintes est rempli d’appelants à qui l’on coupe la parole et que le déploiement sur site est une exigence plutôt qu’une préférence. Sachez en vous lançant que vous êtes l’évaluation : aucune ligne de grille tarifaire, aucun chiffre τ-Voice, aucun score d’arène, et une affirmation de 186 millisecondes qui décrit des réactions courtes plutôt que des réponses.

N'achetez aucune des deux moitiés en espérant que le fournisseur termine le produit.GPT-Live-1 sans backend est un très bon auditeur qui n'a rien à dire ; Live 3 sans point de terminaison de raisonnement derrière son hook est une couche vocale bêta avec une facture non publiée. Le score qui décide de cette confrontation — 81,5 contre rien — est en réalité un constat sur la documentation, et le nombre qui tranchera est la première exécution indépendante de gestion des tours de parole sur Live 3.