Fish Audio Live 3 לעומת GPT-Live-1: שניהם חצי מוצר, והמדיד אומר איזה חצי

Fish Audio Live 3 ו-GPT-Live-1 הם שניהם מודלי קול דופלקס מלאים, שניהם טוענים שחילוף התורים שייך בתוך מודל הדיבור, ושניהם, כשלעצמם, אינם שלמים. GPT-Live-1 מקשיב ומדבר ואז מעביר את החשיבה למודל backend נפרד — זה העיצוב שלו, לא מגבלה — והוא מחייב $0.05 לדקת קול עבור החצי הקדמי, בעוד שההסקה מגיעה על מונה שני. Fish Audio Live 3 עושה את אותו הדבר מבחינה מבנית: שכבת הדיבור פועלת על Agent Platform של Fish Audio, בעוד שההסקה של הסוכן יכולה להצביע על כל endpoint תואם OpenAI דרך ה-hook custom-LLM. ההבדל הוא ש-OpenAI פרסמה את מחיר החצי הראשון ו-Artificial Analysis פרסמה את הציון של המערכת כולה, בעוד ש-Fish Audio לא פרסמה לא זה ולא זה, ומתייגת את המספר היחיד שהיא כן נותנת — 186 אלפיות השנייה, המרווח הקצר ביותר שבו Live 3 יכולה להחליט להגיב — כמדווח על ידי הספק.

זה הופך את זה לפחות לתחרות בין שני מודלים ויותר לתחרות בין שתי דרכים לפצל סוכן קולי לשניים, והפיצול חשוב יותר מהמודל. GPT-Live-1 קיבל 81.5 במדד Artificial Analysis Speech to Speech Index כשהוא משודך ל-GPT-6 Astra במאמץ בינוני ו-80.1 עם GPT-5.6 Sol במאמץ נמוך, מה שאומר שהבחירה ב-backend הזיזה את התוצאה פי שבעה מהמרווח בין המקום הראשון לשני. המספר המקביל של Live 3 עדיין לא קיים. לקנות אחד מהם זה לקנות חצי מערכת ולהתחייב לבחור את החצי השני בעצמך.

מה כל ספק פרסם בפועל

GPT-Live-1 הוא המוצר המתועד יותר, והתיעוד מפורש לגבי נקודת החיבור. הוא הושק בתוך ChatGPT ב-8 ביולי 2026 כתחליף ל-Advanced Voice Mode והגיע ל-API למפתחים ב-10 בספטמבר 2026. לוח Artificial Analysis מציג עבורו שתי שורות משום שהמדד נותן ציון למערכת שלמה: 81.5 עם GPT-6 Astra במאמץ בינוני, מקום ראשון, ו-80.1 עם GPT-5.6 Sol במאמץ נמוך, מקום שלישי. נתוני הרכיבים שמתחת לשורת Astra הם ציון סוכני של 67.9% ב-τ-Voice, 90% ב-Big Bench Audio, 87.4% הצלחת משימות, Elo של 1,048 בזירה, ו-1.34 שניות עד לאודיו הראשון — לעומת 0.798 שניות של OpenAI עצמה ב-Full-Duplex-Bench, שמודד אירוע אחר.

החשיפה הפומבית של Live 3 היא פסקה אחת וקבוצה של דוגמאות מעובדות. Fish Audio הכריזה עליו ב-2026-11-10, מתארת אותו כדופלקס מלא ומאומן על שיחות אנושיות מוקלטות, מציינת שהוא יכול להחליט להגיב בתוך 186 אלפיות שנייה בלבד לתגובות קצרות, אומרת שהוא אנגלית בלבד בהשקה, ומציעה אותו דרך Fish Agent Platform, ה-API של Fish Audio ופריסה מקומית. אין בנצ'מרק, אין נתון τ-Voice, אין אלואו בזירה, ואין שורה עבורו במחירון של Fish Audio — שמפרט את drama-3, s2.1-pro, s2.1-pro-free, s2-pro ו-s1, ובנוסף שלושה מודלים לתמלול ו-voice-design-1.

• החצי הקדמי — GPT-Live-1: ‏$0.05 לדקת קול, בחיוב לפי שנייה, כאשר 15 שניות נגבות בתחילת הסשן ומזוכות כנגד שימוש מאוחר יותר. Live 3: המחיר לא פורסם.

• המחצית האחורית — GPT-Live-1: מודל backend אסינכרוני לבחירתך, מחויב לפי התעריפים של אותו מודל, עם GPT-5.6 Terra בדוגמת ה-WebRTC שפרסמה OpenAI. Live 3: הוק custom-LLM שמצביע אל כל נקודת קצה תואמת OpenAI, ובאופן דומה מחויב על ידי מי שמספק אותה.

• ציון עצמאי — GPT-Live-1: 81.5 ו-80.1 במדד המשולב, שתי תצורות נוקדו בנפרד. Live 3: אין, נכון ל-2026-11-11.

• תעבורה ומגבלות — GPT-Live-1: WebRTC בלבד, ללא קלט תמונה או וידאו, ללא פלטים מובנים, ללא שכבה חינמית, ומגבלות מקביליות של 25, 50, 200, 300 ו-500 סשנים בו-זמניים בשכבות 1 עד 5. Live 3: REST תחת /v1/agent/* עם ערכות SDK של JavaScript ו-React, אימות באמצעות אסימון סשן, ערוצים עבור מספר טלפון, ווידג'ט אינטרנט או לקוח מותאם אישית.

למה המבנה של שני המטרים הוא ההחלטה האמיתית

לחשבון של סוכן קולי יש שני חצאים ורק אחד מהם צפוי מראש. החצי הקדמי נמדד לפי זמן: בתעריף של $0.05 לדקה, שיחה בת חמש דקות עולה רבע דולר, ושעה של קו פתוח עולה שלושה דולרים, וזו אריתמטיקה פשוטה מספיק כדי לחזות. החצי האחורי נמדד לפי טוקנים, משתנה בהתאם לכמה קשה המתקשר חושב, והוא החצי שמייצר את ההפתעות הלא נעימות — ולכן Artificial Analysis מדווחת על עלות כוללת לשעה ולא על תעריף קולי לדקה. הנתון שלה הוא $5.83 לשעה עבור הצימוד עם Astra ו-$4.47 עבור זה עם Sol, שניהם כוללים עבודת backend, לעומת $3.00 לשעה שהמדד הקולי לבדו היה מרמז עליו.

ל-Live 3 יש אותו מבנה של שני מונים, כשמונה אחד מוסתר. Fish Audio לא פרסמה תעריף עבור שכבת הדיבור, ולכן החצי הקדמי אינו ידוע, והחצי האחורי הוא כל מה שנקודת הקצה שמאחורי ה-hook של ה-LLM המותאם אישית גובה. לכן לשיחת Live 3 בת עשר דקות יש עלות ניתנת לחישוב רק אם יודעים את שני המספרים, והיום אינך יודע אף אחד משניהם מהספק.

האסימטריה הזו היא הסיבה לכך ששכבת ניתוב מופיעה בכלל בהשוואה הזו, והיא שייכת רק למחצית האחורית. OrcaRouter אינו מארח את Fish Audio Live 3 או GPT-Live-1 — לשניהם אין נקודת קצה קולית של צד שלישי, ושכבת הדיבור בכל אחת מהערימות נשארת אצל הספק שלה. מה ש-OrcaRouter כן מארח הוא המחצית ששתי המערכות מאצילות לה: 216 מודלים מאחורי מפתח אחד במחיר המחירון של הספק ללא תוספת רווח, מעבר אוטומטי לגיבוי כאשר ה-backend מחזיר שגיאה או מפסיק להגיב, DSL לניתוב שקובע איזה מודל מטפל באיזה סוג של תור, ומיזוג מודלים כך שמודל זול יכול לנסח קריאת כלי בזמן שמודל חזק יותר בודק אותה לפני שהיא יוצאת לדרך. בפריסה של GPT-Live-1 ההשפעה המעשית היא שהפער של 1.4 נקודות בין שתי התצורות שדורגו הופך למשהו שאפשר למדוד על התעבורה שלך במקום לקרוא מטבלת דירוג. בפריסה של Live 3 זה אומר ששכבת ההסקה נבחרת לפני שמחיר שכבת הדיבור בכלל ידוע — וזה הסדר הנכון, כי זה המחצית שאפשר לשנות אחר כך.

מספר ההשהיה שממשיכים להשוות לדבר הלא נכון

שלושה נתוני השהיה עולים בהשוואה הזו, ואין שניים מהם שמודדים את אותו אירוע. הנתון של GPT-Live-1, {{1}}0.798 שניות{{/1}}, מגיע מ-Full-Duplex-Bench, חבילת בדיקות לדינמיקת שיחה שמודדת את הזמן של מודל בתוך תרחיש של חילופי תורות. הנתון שלו, 1.34 שניות, הוא זמן עד לאודיו הראשון, כפי שנמדד ב-API. הנתון של Live 3, 186 מילישניות, הוא הנתון של Fish Audio עצמה עבור המרווח הקטן ביותר שבו המודל יכול לבחור לפלוט תגובה קצרה כגון "ממ-הם" או "אוקיי, 415" בין המקטעים של מספר טלפון.

לקרוא את אלה יחד וקל להתפתות להסיק ש-Live 3 מגיב בשביעית מהזמן. המסקנה הזו אינה נתמכת בשום דבר שפרסם מי מהספקים. ההשוואה היחידה שהנתונים מאפשרים היא כיוונית: שתי החברות טוענות שהאירוע הנשמע הראשון בשיחה יכול להגיע בתוך רבע שנייה בתנאים מסוימים, ואף אחת מהן לא פרסמה התפלגות. מה שיש ל-GPT-Live-1 ולמה שאין ל-Live 3 הוא מערכת בדיקה של צד שלישי שמחילה את אותה מדידה עליו ועל מתחריו, וזה מה שהופך את 1.34 השניות למספר שמבקר יכול לבדוק ואת 186 המילישניות למספר שטייס צריך לאמת.

למה הארכיטקטורה מחייבת אותך

שני החצאים אינם ניידים באותה מידה, וזה החלק שכדאי לחשוב עליו לפני שכל אחד מהפיילוטים מתחיל.

בצד של GPT-Live-1 שכבת הקול קבועה למעשה. הסשנים פועלים מעל WebRTC ולא عبر תעבורת WebSocket שבה משתמשות רוב אינטגרציות ה-Realtime הקיימות, נקודת הקצה Live Sessions היא של OpenAI בלבד, ובדיקה של המסלול הוותיק יותר עם מזהה מודל GPT-Live מחזירה שגיאה שאומרת שהסשנים דורשים WebRTC. מעבר אליו הוא שכתוב של שכבת התעבורה. מעבר ממנו הוא שכתוב נוסף.

בצד של Live 3, שכבת הדיבור מקובעת בדרך אחרת: זוהי פלטפורמת בטא מספק קטן יותר, באנגלית בלבד, בלי מחיר מפורסם ובלי ציון עצמאי. מה שנייד שם הוא וו ההנמקה, ומה שלא נייד הוא כל מה שמתחתיו — נתיב האודיו, מספר הטלפון, מחזור החיים של הסשן.

בשני המקרים, החצי הנייד הוא מודל ההיסק, ושם החלפה היא שינוי של מזהה מודל ולא פרויקט אינטגרציה. הלקח התכנוני זהה בשני צדי ההשוואה: שמו את הבינה בשכבה שאפשר להחליף, והשאירו את השכבה שאי אפשר להחליף דקה ככל שהמוצר מאפשר.

איזה חצי לקנות קודם

קנה קודם את חצי ה-GPT-Live-1 אם אתה צריך להצדיק את ההחלטה עכשיו. יש לו תעריף מפורסם, שתי קונפיגורציות מדורגות, פירוט רכיבים, תעבורה מתועדת וסולם מקביליות שאפשר לתכנן לפיו מוקד שירות. מה שאין לו הוא נתיב וידאו, פלטי כלים מובנים, מסלול חינמי, או שחזור עצמאי כלשהו של טענת האינטראקטיביות של OpenAI עצמה בדבר 80.1%.

בצע פיילוט קודם על חצי ה-Live 3 אם השיחות שלך באנגלית, יומן התלונות שלך מלא במקרים של מתקשרים שנקטעים, ופריסה מקומית היא דרישה ולא העדפה. היכנס לזה בידיעה שאתה הוא ההערכה: אין שורת כרטיס תעריפים, אין נתון τ-Voice, אין ציון ארנה, והצהרה של 186 אלפיות השנייה שמתארת תגובות קצרות ולא תשובות.

אל תקנו אף אחד משני החצאים בציפייה שהספק ישלים את המוצר. GPT-Live-1 ללא צד שרת הוא מאזין טוב מאוד שאין לו מה לומר; Live 3 ללא נקודת קצה של reasoning מאחורי ההוק שלו הוא שכבת דיבור בבטא עם חשבון שלא פורסם. הציון שמכריע בהתמודדות הזו — 81.5 מול כלום — הוא למעשה הצהרה על תיעוד, והמספר שיכריע אותה הוא הרצת חילופי התורות העצמאית הראשונה על Live 3.