Fish Audio Live 3 עונה תוך 186 אלפיות השנייה, ואז מבלה את השיחה בהחלטה אם לדבר

Fish Audio Live 3 הוא מודל קולי בדופלקס מלא ש-Fish Audio הכריזה עליו ב-2026-11-10, וכל הטיעון שלו נשען על הבחנה אחת שרוב סוכני הקול עדיין טועים בה: הפסקה באמצע מספר טלפון אינה אותו אירוע כמו ההפסקה בסוף שאלה. המודל ממשיך להקשיב בזמן שהוא מדבר, יכול להחליט להגיב בתוך 186 אלפיות שנייה בלבד לפי Fish Audio, ואומן על שיחות אנושיות מוקלטות כדי ללמוד מתי לתת סימן הכרה, מתי להמתין, מתי לענות ומתי לעצור — במקום לקבל טבלת ספים של שקט.

הסעיף האחרון הזה הוא המעניין, והוא גם הסיבה לכך שהטקסט הזה אינו יכול לספק לך מדד השוואה. Fish Audio לא פרסמה הערכה עבור Live 3, לא מחיר לפי בייט עבורו בכרטיס התעריפים שלה, ולא מזהה מודל או תיעוד נקודת קצה שמזכירים אותו. Artificial Analysis, שמדרגת מודלי דיבור דו-כיווניים על גבי מערך בדיקה אחד, אינה כוללת שורת Live 3 נכון ל-2026-11-11 — הלוח מפרט את Fish Audio כמשפחת מודלים ואינו נותן ציון לאף אחד מעבודות הדיבור הדו-כיווניות שלה. המספר של 186 מילישניות הוא דיווח של הספק ואינו מבוקר. מה שלפנינו מפריד בין מה ש-Fish Audio תיעדה לבין מה שהיא הצהירה, משום שיום לאחר ההשקה אלה שתי ערמות שונות.

ההפסקה שמקלקלת מספר טלפון

הדוגמה המעשית של Fish Audio עצמה היא הטיעון הטוב ביותר בהודעה. הקריאו מספר בחלקים — "415… 555… 0132" — וסוכן קונבנציונלי ישמע שלושה אירועי סיום-תור נפרדים, או השהיה ארוכה אחת שאותה הוא מפרש בטעות כחשיבה של המתקשר. ל-Live 3 מתועדת אמירה של "ממ-המ" או "אוקיי, 415" בין החלקים, ואז המתנה לשאר. ההכרה ממלאת שני תפקידים בעת ובעונה אחת: היא מאשרת שהספרות נקלטו, והיא משאירה את רשות הדיבור פתוחה כדי שהמתקשר יוכל לנשום, לבדוק את הספרות הבאות ולהמשיך.

החצי הקשה יותר של אותה בעיה הוא השגיאה ההפוכה. אם הסוכן מקריא שעות פתיחה והמתקשר אומר "כן" או "ממ-הם" כדי להראות שהוא עוקב, Live 3 מתועד כממשיך ולא עוצר. ואז המתקשר אומר "רגע, בעצם אני רק צריך יום חמישי," והוא עוצר ומפנה מקום. התפיסה של Fish Audio היא שלא כל צליל הוא הפרעה, והמודל אמור להבחין בין תגובת מאזין לבין השתלטות על השיחה בלי שמפתח ימנה כל צליל שאדם עשוי להשמיע.

המקרה השלישי הוא תיקונים באמצע האמירה: "אני רוצה שתי פיצות… לא, שלוש. שלוש גדולות. ו… למעשה, תעשה אחת מהן מרגריטה." פייפליין שמופעל בהזמנה השלמה הסבירה הראשונה מבצע את ההזמנה השגויה פעמיים. תועד ש-Live 3 ממתין לאורך כל תיקון. שיחות תמיכה, הזמנות מקום והזמנות מלאות בדיוק בזה, וזו הסיבה שמנכ"ל Fish Audio פנה לאנלוגיה לשונית ולא לנתון השהיה.

"הפתרון עד כה היה עוד חוקים ועוד ספים," אמרה ריסה קאו, מייסדת-שותפה ומנכ״לית Fish Audio. "אנחנו חושבים שמודל צריך ללמוד את זה משיחות אמיתיות, באותו אופן שמודלי שפה לומדים דקדוק."

מה ש-Fish Audio למעשה העלתה על הכתב

ללא השיווק, פני השטח המפורסמים של Live 3 קצרים מספיק כדי לפרטם במלואם. כל מה שלהלן מגיע מההכרזה של Fish Audio או מהתיעוד שלה; שום דבר כאן לא נמדד באופן עצמאי.

• זמן תגובה — Fish Audio מציין שהמודל יכול להחליט להגיב בתוך 186 מילישניות בלבד, בהקשר של תגובות קצרות כגון "ממ-הם", "אוקיי" ואישורים מהירים ולא תשובות מלאות.

• ארכיטקטורה — דופלקס מלא. היא מקשיבה בזמן שהיא מדברת, וזה מה שמאפשר בכלל אישור באמצע המספר.

• אות אימון — שיחות אנושיות אמיתיות, כאשר התנהגות חילופי התורות נלמדת ולא מוגדרת מראש. גודל מערך הנתונים, מספר השעות ומערך ההערכה אינם נחשפים.

• שפות — אנגלית בלבד בהשקה, יצוין בבירור בהודעה.

• הפצה — פלטפורמת Fish Agent, ה-API של Fish Audio, ופריסה באתר הלקוח (on-premises) עבור לקוחות ארגוניים.

• {{1}}מחיר{{/1}} — לא פורסם. מחירון של Fish Audio מפרט את {{2}}drama-3{{/2}}, {{3}}s2.1-pro{{/3}}, {{4}}s2.1-pro-free{{/4}}, {{5}}s2-pro{{/5}} ו{{6}}s1{{/6}}, וכן שלושה דגמי ASR ו{{7}}voice-design-1{{/7}}. Live 3 לא מופיע בו.

כדאי לקרוא את ההודעה עצמה במלואה, משום שהיא מפורטת באופן יוצא דופן בכל הנוגע להתנהגות, ושקטה באופן יוצא דופן בכל הנוגע למספרים.

שלושה קטעי אודיו מלווים אותו — מתקשר שמוסיף פרטים בהפסקות, מתקשר שנכנס לתוך רשימת תפריט, ומתקשר שאומר "ממ-המ" בזמן שהנציג מקריא הזמנה חזרה — וכל אחד מהם הוא אותה טענת התנהגות מזווית אחרת. אף אחד מהם אינו מגיע עם ציון ברמת תמלול, וההודעה אינה טוענת לקיומו של כזה.

ממה מורכב סוכן Live 3

Live 3 הוא שכבת הדיבור של מוצר גדול יותר, ושאר המוצר הזה הוא המקום שבו נמצאת עבודת האינטגרציה. Fish Audio מפעילה פלטפורמת Agent Platform מתארחת, שנמצאת כעת בבטא ציבורית, אשר חושפת ממשק REST תחת /v1/agent/* וכן SDKs לקוח עבור JavaScript ו-React. ניתן לחבר סוכנים לווידג'ט אינטרנט, למספר טלפון או ללקוח מותאם אישית, והסשנים מאומתים באמצעות אסימוני סשן ולא באמצעות מפתח ארוך טווח בדפדפן. הפלטפורמה מטפלת בנתיב האודיו; אתם מביאים את ההוראות, הכלים ותזרימות העבודה.

החלק שחשוב למי שבונה על גבי זה הוא ה-hook ל-LLM מותאם אישית. Fish Audio מאפשרת לשכבת החשיבה של סוכן להצביע על endpoint תואם OpenAI, כלומר המודל שעושה את החשיבה לא חייב להיות של הספק. זהו תפר מכוון, וזה התפר שבו שכבת ניתוב אמורה לשבת. OrcaRouter יושבת מאחורי ה-endpoint הזה עם 216 מודלים מאותו מפתח, במחיר המחירון של הספק ללא תוספת ומעבר אוטומטי לגיבוי כאשר ספק מחזיר שגיאה — כך שניתן להחליף את המתכנן בתוך סוכן Live 3, לבצע עליו בדיקות A/B על תמלולי שיחות אמיתיים ולכוון אותו מחדש בלי לגעת בשכבת הדיבור או במספר הטלפון. DSL לניתוב מחליט איזה מודל מקבל איזו שיחה, ומיזוג מודלים מאפשר למודל זול לנסח טיוטה בעוד מודל חזק יותר בוחן את קריאת הכלי לפני שהיא מבוצעת. כדי להבהיר את הגבול: OrcaRouter לא מארחת את Fish Audio Live 3. אין עבורו endpoint של צד שלישי, ושכבת הדיבור כאן היא של הספק עצמו.

הפלטפורמה היא המקום שבו סוכן מקבל את מספר הטלפון שלו, את הכלים שלו ואת מחזור החיים של הסשן שלו.

מה יפתור את זה

שלושה מספרים היו הופכים את זה מטענה לנקודת נתונים, ואף אחד מהם עדיין לא קיים.

• מחיר לפי בייט או לפי דקה עבור Live 3, כך שניתן להשוות את העלות של שיחה בת עשר דקות ל-cascade שהיא מחליפה. עד שזה ייכנס לתוקף, כל אומדן עלות כוללת לפריסת Live 3 הוא ניחוש עם נקודה עשרונית.

• התפלגות השהיה ולא רצפה. "כ-186 מילישניות בלבד" מתאר את הזנב המהיר של תגובות קצרות. הזמן עד לאודיו הראשון עבור תשובה מלאה הוא המספר שקובע אם המתקשר ידבר מעל הסוכן, ו-Fish Audio לא פרסמה אותו.

• ציון עצמאי לחילופי תורות. Artificial Analysis מריצה את Full-Duplex-Bench ואת מבחן סוכני τ-Voice על מודלים דופלקסיים, ושניהם יהיו ברי-השוואה ישירה לשורות שפורסמו עבור שאר המודלים הדופלקסיים בשוק הזה. שורה של Live 3 באחד משני הלוחות תענה בטבלה אחת על מה שההכרזה עונה בפרוזה.

בינתיים, הקריאה הישרה היא זו: הבעיה ש-Fish Audio בחרה בה אמיתית ואינה זוכה למענה מספק, הדוגמאות המעובדות הן הנכונות, והמודל משוחרר למשתמשים אמיתיים דרך פלטפורמה שעדיין נמצאת בעצמה בבטא. אם מצב הכשל של הסוכן שלך היום הוא שהמתקשרים נדרסים בדיבור, או שהם צריכים לחזור על רצף ספרות פעמיים, Live 3 מכוון בדיוק לזה — והדבר הראשון שכדאי למדוד אחרי שתפרוס אותו הוא לא השהיה, אלא באיזו תדירות המתקשר נאלץ להתחיל מחדש.