Fish Audio Live 3 לעומת Grok Voice 3.0: מחיר אחד הוא עבור חבילה והשני עבור רכיב

Put the two rate cards side by side and the newer model looks less than half the price. Fish Audio Live 3 sells for $0.035 per minute on Fish Audio's Agent Platform — a promotional rate, half of a $0.07 list, good through 31 December 2026. G​rok Voice 3.0 sells for $0.08 per minute, or $4.80 an hour, plus $0.004 per text input token. Four cents against eight is a clean story until you notice that the two numbers are billing different objects: G​rok Voice 3.0 is a speech-to-speech component you rent, and Live 3's per-minute figure bundles speech recognition, the reasoning model and the voice into one meter. One is a part, the other is an assembly. Compare them per minute and you are comparing a gearbox to a car.

That distinction is the whole comparison, and it is worth being precise about why. G​rok Voice 3.0 is a versioned model string behind a realtime WebSocket with session-scoped tools and returned transcripts, priced by the minute of audio it processes and scored, independently, at 86.9 on the Artificial Analysis Speech to Speech Index. Fish Audio Live 3 is a full-duplex model launched on 10 November 2026 that keeps listening while it speaks, is English-only at launch by the company's own statement, has no published benchmark of any kind, no model identifier in Fish Audio's API documentation, and no weight release — the vLLM project's public reply to the launch was to hope it gets open-sourced one day.

לוח התוצאות שקיים רק בצד אחד

Artificial Analysis measures G​rok Voice 3.0 on the same harness it uses for every duplex model, and the numbers are unusually complete. Every figure below is the board's own, taken from its run dated 13 October 2026.

• הסקה בדיבור, Big Bench Audio — 98.5%.

• דינמיקה שיחתית, Full Duplex Bench — 97.0%, עם תגובות גומלין 92.9%, טיפול בקטיעות 96.5%, חילופי תורות 100% וטיפול בהפוגות 98.5%.

• Speech Agent Arena preference — Elo 1059, against 1074 for G​emini 3.8 Live and 990 for Eleven Realtime v1 Max.

• הצלחת משימה — 94.8% בתרחישי התעופה, הקמעונאות והתקשורת של τ-Voice.

• Time to first audio — 0.81 seconds, slower than G​rok Voice 2.0's 0.70 and roughly 40% quicker than GPT-Live-1 in its Astra medium configuration at 1.34 seconds.

• עלות לשעת אודיו קלט — $4.80, המרה ישירה של התעריף לדקה של הספק עצמו.

Live 3's column is not sparse, it is empty, and the emptiness has a specific shape. There is no row on that board for any Fish Audio duplex model as of 11 November 2026 — the board lists Fish Audio as a model family and scores none of its live work. Fish Audio's one published number is 186 milliseconds to decide to respond, which the company describes in the context of short reactions such as "mm-hmm" rather than full answers. It is a vendor floor on an acknowledgement. G​rok's 0.81 seconds is an audited time-to-first-audio on a reply. Nothing about those two figures is commensurable, and the fact that both are expressed in seconds is the trap.

למה טענת הדופלקס של כל צד בעצם מחייבת

שני המודלים הם דופלקס מלא, כך ש"מקשיב בזמן שהוא מדבר" אינו גורם מבדיל ביניהם; זהו תנאי סף. ההבדל הוא מהיכן מגיעה מדיניות התזמון.

הטיעון של Fish Audio הוא שהכרה, המתנה, מענה ועצירה נלמדו משיחות אנושיות מוקלטות ולא נכתבו כרשימת ספי שקט, והוא ממחיש זאת באמצעות מספר טלפון שנקרא בחלקים: סוכן ששומע שלושה אירועי סוף-תור במקום שבו אדם שומע היסוס אחד הוא הכשל שאותו מתקנים. החומר התומך הוא שלוש שיחות לדוגמה: סיום הזמנה, התפרצות לדברי האחר, ומתן אותות הקשבה במהלך קריאה חוזרת. מה ש-Fish Audio לא פרסמה הוא מדידה כלשהי של האם המדיניות הנלמדת עולה על מדיניות מבוססת ספים.

G​rok Voice 3.0's timing policy is not explained in behavioural terms at all. What xAI published is a rate card, a model string, an alias move — grok-voice-latest now resolves to grok-voice-3.0, and grok-voice-2.0 is flagged deprecated — and, through Artificial Analysis, a set of turn-taking scores that a buyer can read as a risk statement. A 96.5% interruption score is a claim you can test against your own call recordings. A 186-millisecond acknowledgement floor is a claim you have to take on trust until you run it.

The alias move matters more than it sounds in a phone system. G​rok Voice 2.0 became the alias target on 5 August 2026 and was superseded by 3.0 ten weeks later, which means a team that deployed against the alias has already been through two silent model swaps in a quarter. Whether you pin grok-voice-3.0 explicitly is a deployment decision the vendor has effectively forced.

לאן הכסף באמת מגיע

החלוקה בין חבילה לרכיב מניבה ארבע צורות עלות, ורק אחת מהן מיטיבה עם Live 3 באופן ששורד מפגש עם שיחה אמיתית.

• Live 3 ב-Agent Platform — $0.035 לדקה כולל הכול במהלך המבצע, הכולל זיהוי, הסקה וקול; תוספת של $0.01 לדקה עבור שיחות טלפון, $1.20 לחודש לכל מספר טלפון, ותעריף הטוקנים של LLM ברמת פרימיום אם משדרגים מהמודל הכלול. שיחה של עשר דקות עולה 35 סנט בתוספת טלפוניה.

• Live 3 after 31 December 2026 — the list rate is $0.07 per minute, at which point the all-in figure is within a cent of G​rok's $0.08 and the bundle argument has to carry the comparison on its own. Fish Audio has not said what happens to the discount.

• G​rok Voice 3.0 — $0.08 per minute of audio plus $0.004 per text input token, with the reasoning model, the telephony and the orchestration all bought separately. The per-minute rate is a floor, not a total.

או עם מודל הסקה משלך — הצורה היחידה שבה השניים מתכנסים, מפני ששני הספקים מאפשרים לך לספק את המוח ולגבות על שכבת הדיבור.

הנקודה האחרונה היא המסקנה המעשית שמסתתרת בתוך טבלת המחירים. אם המוצר שלך נבדל בשכבת ההיסק, החבילה היא הנחה על משהו שממילא התכוונת להחליף. אם לא, החבילה אכן זולה ופשוטה יותר, ומבצע ה-50% הוא העסקה הטובה ביותר בתחום הקולי החודש.

רכש, והשאלה שאין לה מענה באף כרטיס תעריפים

המחיר והציונים הם החצי הקל. החצי הקשה הוא מה שקורה כשהמודל משתנה מתחתיך, וכאן שני הספקים עשו בחירות מנוגדות.

G​rok Voice 3.0 has a stable interface and an unstable model: same endpoint, same event names, same bearer-token handshake, same voice set, with the model swapped behind an alias. Fish Audio Live 3 has an unstable interface and, for now, a stable model: the platform is in public beta, the duplex model is new, its API documentation does not yet name it, and the launch post is the only document that describes its behaviour. One arrangement asks you to test continuously. The other asks you to read release notes.

אף אחד מהם אינו בלתי סביר. אבל צוות הנדסה שבוחר ביניהם צריך לשים לב לאיזה סיכון יש לו כלים טובים יותר לספוג, מפני שתשובה זו היא בדרך כלל מנבא טוב יותר של פריסה מוצלחת מאשר ארבעה סנטים לדקה.

השכבה הניידת, והגבול הכן

Both stacks are two-part systems, and in both the speech half is unportable — G​rok Voice 3.0 runs only on xAI's realtime endpoint, Live 3 only on Fish Audio's platform and on enterprise hardware. The reasoning half is where a router belongs, and on both it is a separate purchase: on the G​rok side it is a model you call from inside the session's tools, on the Fish side it is an OpenAI-compatible endpoint the agent points at. OrcaRouter carries more than 200 models behind one key at provider list price with zero markup, so the text model in either stack can be swapped or pinned without renegotiating the speech contract, and automatic failover keeps a session alive when the reasoning backend errors mid-call. Neither speech model is routable here — there is no third-party endpoint for either — and this piece would be misleading if it implied otherwise.

עבור צוות שעדיין מתלבט, הניסוי הזול ביותר הוא זה שהתמחור מאפשר: להעביר את אותן עשרים שיחות דרך שניהם, לדרג את ההפרעות בעצמך, ולראות אם הצלחת משימה של 94.8% בתרחישי קמעונאות של מישהו אחר מנבאת משהו לגבי שלך. 186 האלפיות שנייה של Live 3 ירגישו או כמו הנקודה של המודל או כמו מספר על רעש שהסוכן משמיע בזמן שהוא חושב. זו לא שאלה שמחירון יכול להכריע, וזו השאלה היחידה שחשובה אחרי שהחשבונית מגיעה.