Fish Audio Live 3 Siap Produksi dan Tertutup: Apa yang Sebenarnya Diminta oleh Tawaran vLLM-Omni

Kalimat yang paling banyak mengungkap tentang Fish Audio Live 3 tidak ditulis oleh Fish Audio. Ketika perusahaan mengumumkan model tersebut pada 10 November 2026, balasan yang menjangkau paling jauh datang dari akun proyek vLLM: ucapan selamat atas perilisan model suara dupleks penuh yang mendengarkan saat berbicara, harapan agar model itu suatu hari dapat open-source, dan tawaran bahwa vLLM-Omni akan dengan senang hati melayaninya begitu model itu open-source. Baca balasan itu dua kali dan Anda akan memahami bentuk keseluruhan rilisnya, karena balasan itu memuat kedua bagian cerita sekaligus — kemajuan kemampuan yang nyata, dan sebuah ketiadaan yang langsung disadari oleh serving framework.

Fish Audio Live 3 adalah model ucapan dupleks penuh: ia terus mendengarkan sementara ia menghasilkan ucapan, dan ia dijual sebagai siap produksi sejak hari pertama melalui Agent Platform milik Fish Audio, melalui API perusahaan itu sendiri, dan sebagai penerapan on-premises untuk perusahaan. Yang tidak dimilikinya adalah dapat diunduh. Tidak ada bobot, tidak ada lisensi, tidak ada repositori, dan — per 11 November — tidak ada pengenal model dalam dokumentasi API Fish Audio, yang masih mencantumkan s2.1-pro, s2.1-pro-free, s2-pro, s1 dan tiga model transkripsi dan tidak ada yang bernama Live 3. Setiap angka performa di bawah ini adalah milik Fish Audio sendiri dan tidak ada yang direproduksi secara independen.

Apa yang sudah dirilis, dan apa fungsi "production-ready" dalam kalimat itu

Klaim teknis dalam pengumuman itu lebih sempit dan lebih menarik daripada kalimat pemasaran. Fish Audio mengatakan model tersebut menangani timing percakapan di dalam model ucapan, bukan di sepanjang alur proses yang terdiri atas tahap pengenalan, penalaran, dan pembangkitan yang terpisah, dan bahwa model itu mempelajari kapan harus menanggapi, menunggu, menjawab, atau berhenti dari percakapan manusia yang direkam, bukan dari ambang batas keheningan yang ditulis secara manual. Lapisan penalaran terpisah menyimpan instruksi dan alat agen. Tiga contoh panggilan disertakan bersama postingan — menyelesaikan pesanan, menyela, dan memberi respons backchannel saat pembacaan ulang — dan itu adalah hal yang paling mendekati bukti dalam rilis tersebut.

Makna "production-ready" dalam praktik adalah bahwa pembungkus komersialnya sudah ada pada hari peluncuran: platform swalayan dengan kredit $5 dan tanpa kartu, pembangun agen yang terdokumentasi, teleponi, serta opsi on-premises untuk perusahaan. Itu tidak berarti modelnya telah melalui apa pun yang oleh pembeli disebut sebagai pengujian penerimaan. Tidak ada evaluasi terbit dalam bentuk apa pun — tidak ada tingkat kesalahan kata, tidak ada keberhasilan tugas, tidak ada skor giliran bicara, tidak ada distribusi latensi. Itu bukan hal yang luar biasa bagi model ucapan pada hari pertamanya, tetapi patut dikatakan secara terus terang, karena posting peluncuran yang diawali dengan milidetik mengundang pembaca untuk menganggap batas bawah sebagai pengukuran.

Tiga angka, dan hanya dua di antaranya berasal dari Fish Audio

• Kecepatan reaksi — 186 milidetik, angka Fish Audio sendiri, dijelaskan dalam konteks reaksi singkat seperti "mm-hmm" atau konfirmasi cepat saat jawaban lengkap sedang disiapkan. Ini adalah batas bawah untuk sebuah pengakuan, bukan waktu-ke-audio-pertama untuk sebuah jawaban.

Harga — $0.035 per menit di Agent Platform, dipromosikan sebagai diskon 50% dari tarif daftar $0.07, dengan penawaran yang dinyatakan berakhir pada 31 Desember 2026. Tarif per menit tersebut mencakup pengenalan suara, model penalaran, dan suara; token LLM premium ditagih sesuai tarif tokennya masing-masing, panggilan telepon dikenakan tambahan $0.01 per menit, dan nomor telepon berbiaya $1.20 per bulan.

Skor independen — nol. Artificial Analysis menjalankan papan speech-to-speech yang memeringkat Grok Voice 3.0, GPT-Live-1, Gemini 3.8 Live, Qwen Audio 3.0 Realtime, dan selusin lainnya berdasarkan penalaran, dinamika percakapan, keberhasilan tugas, serta waktu hingga audio pertama. Saat diperiksa pada 11 November 2026, papan tersebut sama sekali tidak memuat baris duplex Fish Audio.

Dua angka pertama adalah angka yang bisa langsung ditindaklanjuti oleh pembeli. Angka ketiga adalah angka yang pada akhirnya akan dibutuhkan pembeli, dan itulah alasan harga tersebut perlu ditinjau untuk kedua kalinya, bukan sekadar dilihat sekali: tarif promosi dengan tanggal berakhir yang dipublikasikan bukanlah model biaya, melainkan estimasi biaya yang tercetak tanggal kedaluwarsanya.

Mengapa kerangka kerja penyajian memedulikan model tertutup

Ketertarikan vLLM-Omni bukanlah soal sentimen. Kerangka kerja serving ada untuk menjalankan bobot yang dapat Anda muat, pada perangkat keras yang Anda kendalikan, dengan biaya marginal berupa tagihan listrik Anda alih-alih {{1}}meteran per menit{{/1}} milik orang lain. Model tertutup bukanlah pelanggan untuk itu. Tawaran dalam balasan itu karena itu paling tepat dibaca sebagai permintaan yang ditujukan kepada rilis mendatang: terbitkan checkpoint dan ada {{2}}jalur inferensi yang menunggu{{/2}} untuknya.

Yang membuat ketiadaan itu terasa mencolok, bukan tak terhindarkan, adalah rekam jejak Fish Audio sendiri. Perusahaan ini pernah merilis bobot terbuka — Fish Audio Drama 3, model text-to-speech ekspresifnya, tersedia sebagai checkpoint yang dapat diunduh dan telah dinilai di arena speech open-weights. Jadi distribusi tertutup di sini terbaca sebagai keputusan produk tentang bisnis agen live, bukan kebijakan internal tentang keterbukaan. Opsi on-premises semakin mengaburkan pertanyaan: perusahaan dapat menjalankan Live 3 di perimeter mereka sendiri, yang tidak sama dengan kemampuan membaca, melakukan fine-tuning, atau menghosting ulang model itu, dan Fish Audio belum mengatakan mana dari hal-hal tersebut yang termasuk dalam kesepakatan on-prem.

Baris khusus bahasa Inggris berada di samping klaim "30+ bahasa"

Dua kalimat tentang properti milik Fish Audio sendiri menarik ke arah yang berlawanan. Pengumuman itu menyatakan, secara eksplisit, bahwa Live 3 berbicara bahasa Inggris saat ini. Halaman Agent Platform, di situs yang sama, mengiklankan 2.000.000+ suara dalam 30+ bahasa dan penelepon yang "dijawab dalam hitungan detik, siang atau malam, dalam bahasa penelepon." Keduanya bisa benar secara bersamaan — pustaka suara multibahasa yang besar dan lapisan pengenalan ucapan dapat mencakup tiga puluh bahasa sementara model dupleks di bawahnya berbicara satu bahasa — tetapi hanya satu dari kalimat itu yang menggambarkan hal yang Anda beli saat membeli Live 3. Jika penelepon Anda bukan penutur bahasa Inggris, pertanyaan yang menarik bukanlah apa yang dapat dilafalkan platform, melainkan kapan model dupleks menyusul.

Apa yang dapat Anda hubungi hari ini, dan melalui apa

Akses berjalan melalui API Fish Audio sendiri dan Agent Platform, dengan jalur on-premises disediakan khusus untuk kontrak perusahaan. Tidak ada penyediaan model oleh pihak ketiga, yang merupakan konsekuensi langsung dari checkpoint yang hilang: Anda tidak dapat menyewa Live 3 dari penyedia infrastruktur karena tidak ada artefak untuk diterapkan. Siapa pun yang menggambarkan model tersebut sebagai "tersedia melalui platform mitra" sedang menggambarkan pustaka suara platform itu, bukan model dupleks.

Bagian dari stack agen yang portabel adalah bagian penalaran, dan di Agent Platform bagian itu merupakan baris terpisah pada tagihan. Di situlah sebuah router membuktikan nilainya, bukan sebagai cara untuk menjangkau model ucapan: OrcaRouter menghadirkanlebih dari 200 model di balik satu kunci dengan harga daftar penyedia tanpa markup, sehingga model teks yang melakukan penalaran dapat ditukar, dipatok, atau dialihkan saat gagal tanpa menyentuh kontrak ucapan, dan failover otomatis menjaga panggilan tetap hidup ketika backend penalaran mengalami galat atau timeout. Fish Audio Live 3 tidak ada dalam daftar itu — tidak ada yang perlu dihosting — dan tidak ada bagian dari tulisan ini yang boleh dibaca sebagai klaim sebaliknya.

Apa yang akan mengubah bagian ini?

Empat peristiwa, secara kasar dalam urutan seberapa besar kemampuannya mengubah gambaran. Sebuah checkpoint, yaitu yang diminta oleh balasan vLLM-Omni dan yang akan menempatkan Live 3 di rak yang sama dengan Drama 3. Satu baris pada papan speech-to-speech independen, yang akan mengubah 186 milidetik dari sebuah pernyataan menjadi titik data dengan konteks. String model dan tarif yang dipublikasikan dalam dokumentasi API Fish Audio sendiri, yang akan membuat hal itu dapat dikutip dalam dokumen pengadaan. Dan 1 Januari 2027, ketika tarif promosi $0.035 bertahan atau tidak.

Sampai saat itu, ringkasan jujurnya adalah bahwa Live 3 adalah model suara paling menarik yang dirilis minggu ini sekaligus yang paling sedikit terdokumentasi: argumen arsitektural yang nyata tentang di mana pengambilan giliran bicara seharusnya berada, dibungkus dalam produk komersial yang telah menerbitkan harganya dan tidak lain selain itu. Itu hal yang wajar untuk dirilis. Itu belum menjadi sesuatu yang bisa Anda evaluasi, dan perbedaan antara kedua kalimat itu persis seperti yang ditunggu masing-masing oleh kerangka penyajian, tolok ukur independen, dan tim pengadaan.