Fish Audio Live 3 vs Grok Voice 3.0 : un prix est un forfait, l'autre un composant

Placez les deux grilles tarifaires côte à côte et le modèle le plus récent semble coûter moins de la moitié du prix. Fish Audio Live 3 est vendu à 0,035 $ par minute sur l'Agent Platform de Fish Audio — un tarif promotionnel, soit la moitié d'un tarif catalogue de 0,07 $, valable jusqu'au 31 décembre 2026. Grok Voice 3.0 est vendu à 0,08 $ par minute, soit 4,80 $ de l'heure, plus 0,004 $ par token d'entrée texte. Quatre cents contre huit, l'histoire est simple jusqu'à ce qu'on remarque que les deux nombres facturent des objets différents : Grok Voice 3.0 est un composant parole-à-parole que vous louez, tandis que le chiffre par minute de Live 3 regroupe la reconnaissance vocale, le modèle de raisonnement et la voix dans un seul compteur. L'un est une pièce, l'autre un assemblage. Les comparer à la minute, c'est comparer une boîte de vitesses à une voiture.

Cette distinction constitue toute la comparaison, et il vaut la peine de préciser pourquoi. Grok Voice 3.0 est une chaîne de modèle versionnée derrière un WebSocket en temps réel, avec des outils à portée de session et des transcriptions renvoyées, facturée à la minute d’audio traitée et notée, indépendamment, à 86,9 sur l’Artificial Analysis Speech to Speech Index. Fish Audio Live 3 est un modèle full-duplex lancé le 10 novembre 2026 qui continue d’écouter pendant qu’il parle, est uniquement en anglais au lancement selon la déclaration de l’entreprise elle-même, ne dispose d’aucun benchmark publié, de quelque nature que ce soit, d’aucun identifiant de modèle dans la documentation API de Fish Audio et d’aucune publication de poids — la réponse publique du projet vLLM au lancement a été d’espérer qu’il soit un jour rendu open source.

Le tableau d’affichage qui n’existe que d’un seul côté

Artificial Analysis mesure Grok Voice 3.0 sur le même banc d’essai utilisé pour chaque modèle duplex, et les chiffres sont inhabituellement complets. Tous les chiffres ci-dessous sont ceux du classement, tirés de son exécution du 13 octobre 2026.

• Raisonnement vocal, Big Bench Audio — 98,5 %.

• Dynamique conversationnelle, Full Duplex Bench — 97,0 %, avec rétroaction 92,9 %, gestion des interruptions 96,5 %, alternance des tours de parole 100 % et gestion des pauses 98,5 %.

• Préférence Speech Agent Arena — Elo 1059, contre 1074 pour Gemini 3.8 Live et 990 pour Eleven Realtime v1 Max.

• Réussite des tâches — 94,8 % dans les scénarios τ-Voice de compagnie aérienne, de commerce de détail et de télécommunications.

• Délai jusqu’au premier audio — 0,81 seconde, plus lent que les 0,70 de Grok Voice 2.0 et environ 40 % plus rapide que GPT-Live-1 dans sa configuration Astra medium à 1,34 seconde.

• Coût par heure d’audio en entrée — 4,80 $, conversion directe du tarif par minute du fournisseur.

La colonne de Live 3 n’est pas clairsemée, elle est vide, et ce vide a une forme précise. Au 11 novembre 2026, il n’existe sur ce tableau aucune ligne pour un quelconque modèle duplex de Fish Audio — le tableau liste Fish Audio comme famille de modèles et ne note aucun de ses travaux en production. Le seul chiffre publié par Fish Audio est de 186 millisecondes pour décider de répondre, que l’entreprise décrit dans le contexte de réactions courtes comme « mm-hmm » plutôt que de réponses complètes. Il s’agit d’une valeur plancher fournisseur sur un accusé de réception. Les 0,81 seconde de Grok correspondent à un délai jusqu’au premier son audité sur une réponse. Rien dans ces deux chiffres n’est commensurable, et le fait que tous deux soient exprimés en secondes est le piège.

Ce à quoi la revendication de duplex de chaque partie engage réellement

Les deux modèles sont full-duplex ; donc « écouter pendant qu’il parle » n’est pas un facteur de différenciation entre eux, c’est une condition d’entrée. La différence tient à l’origine de la politique de timing.

L’argument de Fish Audio est que l’accusé de réception, l’attente, la réponse et l’arrêt ont été appris à partir de conversations humaines enregistrées plutôt qu’écrits sous forme d’une liste de seuils de silence, et il l’illustre avec un numéro de téléphone lu par morceaux : un agent qui perçoit trois événements de fin de tour là où un humain n’entend qu’une hésitation est le défaut que l’on corrige. Les éléments à l’appui sont trois appels d’exemple : finaliser une commande, couper la parole et émettre des signaux d’écoute au fil d’une relecture. Ce que Fish Audio n’a pas publié, c’est une mesure permettant de savoir si la politique apprise surpasse une politique à seuils.

La politique de timing de Grok Voice 3.0 n'est pas du tout expliquée en termes comportementaux. Ce que xAI a publié, c'est une grille tarifaire, une chaîne de modèle, un changement d'alias — grok-voice-latest résout désormais vers grok-voice-3.0, et grok-voice-2.0 est signalé comme obsolète — et, via Artificial Analysis, un ensemble de scores d'alternance de parole qu'un acheteur peut lire comme une déclaration de risque. Un score d'interruption de 96,5 % est une affirmation que vous pouvez tester sur vos propres enregistrements d'appels. Un seuil d'accusé de réception de 186 millisecondes est une affirmation que vous devez croire sur parole jusqu'à ce que vous le testiez.

Le changement d’alias compte plus qu’il n’y paraît dans un système téléphonique. Grok Voice 2.0 est devenu la cible de l’alias le 5 août 2026 et a été remplacé par la version 3.0 dix semaines plus tard, ce qui signifie qu’une équipe qui a déployé sur l’alias a déjà connu deux remplacements silencieux de modèle en un trimestre. Le fait d’épingler explicitement grok-voice-3.0 ou non est une décision de déploiement que le fournisseur a de facto imposée.

Où l’argent aboutit réellement

La distinction entre formule groupée et composants produit quatre profils de coûts, et une seule d’entre elles avantage Live 3 d’une manière qui résiste au contact d’un appel réel.

• Live 3 sur l'Agent Platform — 0,035 $ par minute tout compris pendant la promotion, couvrant la reconnaissance, le raisonnement et la voix ; ajoutez 0,01 $ par minute pour les appels téléphoniques, 1,20 $ par mois par numéro de téléphone, et le tarif des tokens du LLM de niveau premium si vous passez du modèle inclus à une offre supérieure. Un appel de dix minutes coûte 35 cents plus la téléphonie.

• Live 3 après le 31 décembre 2026 — le tarif catalogue est de 0,07 $ par minute, moment où le montant tout compris se situe à moins d’un cent des 0,08 $ de Grok et où l’argument de l’offre groupée doit porter la comparaison à lui seul. Fish Audio n’a pas précisé ce qu’il advient de la remise.

• Grok Voice 3.0 — 0,08 $ par minute d’audio, plus 0,004 $ par token d’entrée texte, le modèle de raisonnement, la téléphonie et l’orchestration étant tous achetés séparément. Le tarif à la minute est un plancher, pas un total.

• L'une ou l'autre, avec un modèle de raisonnement qui vous est propre — la seule configuration où les deux convergent, car les deux fournisseurs vous permettent de fournir le cerveau et facturent la couche vocale.

Ce dernier point est la conclusion pratique cachée dans le tableau des prix. Si votre produit se différencie sur la couche de raisonnement, l’offre groupée est une remise sur quelque chose que vous alliez de toute façon remplacer. Si ce n’est pas le cas, l’offre groupée est réellement moins chère et plus simple, et la promotion de 50 % est la meilleure affaire du mois dans le secteur vocal.

Les achats, et la question à laquelle aucune grille tarifaire ne répond

Le prix et les scores, c’est la moitié facile. La moitié difficile, c’est ce qui se passe quand le modèle change sous vos pieds, et ici, les deux fournisseurs ont fait des arbitrages opposés.

Grok Voice 3.0 a une interface stable et un modèle instable : même endpoint, mêmes noms d’événements, même handshake par jeton bearer, même ensemble de voix, avec le modèle remplacé derrière un alias. Fish Audio Live 3 a une interface instable et, pour l’instant, un modèle stable : la plateforme est en bêta publique, le modèle duplex est nouveau, sa documentation API ne le nomme pas encore, et l’article de lancement est le seul document qui décrit son comportement. Une configuration vous demande de tester en continu. L’autre vous demande de lire les notes de version.

Ni l’un ni l’autre n’est déraisonnable. Mais une équipe d’ingénieurs qui doit choisir entre les deux devrait remarquer quel risque elle est le mieux armée pour absorber, car cette réponse est généralement plus prédictive d’un déploiement réussi que quatre cents la minute.

La couche portable, et la frontière honnête

Les deux piles sont des systèmes en deux parties, et dans les deux, la moitié vocale n'est pas portable — Grok Voice 3.0 ne fonctionne que sur le point de terminaison temps réel de xAI, Live 3 uniquement sur la plateforme de Fish Audio et sur du matériel d'entreprise. C'est à la moitié dédiée au raisonnement qu'un routeur a sa place, et dans les deux cas il s'agit d'un achat séparé : côté Grok, c'est un modèle que l'on appelle depuis les outils de la session, côté Fish, c'est un point de terminaison compatible OpenAI vers lequel l'agent pointe. OrcaRouter embarque plus de 200 modèles derrière une seule clé, au prix catalogue du fournisseur et sans aucune marge, de sorte que le modèle de texte de l'une ou l'autre pile peut être remplacé ou épinglé sans renégocier le contrat vocal, et le basculement automatique maintient une session active lorsque le backend de raisonnement renvoie une erreur en cours d'appel. Aucun des deux modèles vocaux n'est routable ici — il n'existe de point de terminaison tiers pour aucun des deux — et cet article serait trompeur s'il laissait entendre le contraire.

Pour une équipe encore en train de décider, l’expérience la moins coûteuse est celle que la tarification rend possible : faites passer les mêmes vingt appels dans les deux, évaluez vous-même les interruptions, et voyez si 94,8 % de réussite des tâches sur les scénarios de vente au détail de quelqu’un d’autre prédit quoi que ce soit pour les vôtres. Les 186 millisecondes de Live 3 seront soit le cœur même du modèle, soit un chiffre sur un bruit que l’agent produit en réfléchissant. Ce n’est pas une question qu’une grille tarifaire peut trancher, et c’est la seule qui compte une fois la facture arrivée.