Fish Audio Live 3 Menjawab dalam 186 Milidetik, Lalu Menghabiskan Seluruh Panggilan untuk Memutuskan Apakah Akan Berbicara

Fish Audio Live 3 adalah model suara dupleks penuh yang diumumkan Fish Audio pada 2026-11-10, dan seluruh daya tariknya bertumpu pada satu perbedaan yang masih sering disalahpahami oleh sebagian besar agen suara: jeda di tengah nomor telepon bukan peristiwa yang sama dengan jeda di akhir pertanyaan. Model ini terus mendengarkan saat berbicara, dapat memutuskan untuk merespons dalam waktu sesingkat 186 milidetik menurut Fish Audio, dan dilatih menggunakan rekaman percakapan manusia untuk mempelajari kapan harus memberi pengakuan, kapan harus menunggu, kapan harus menjawab, dan kapan harus berhenti — alih-alih diberi tabel ambang keheningan.

Klausa terakhir itu yang menarik, dan itulah sebabnya tulisan ini tidak bisa memberi Anda benchmark. Fish Audio tidak memublikasikan evaluasi apa pun untuk Live 3, tidak mencantumkan harga per byte untuk model itu di daftar tarifnya sendiri, dan tidak ada dokumentasi pengenal model atau endpoint yang menyebutnya. Artificial Analysis, yang menilai model ucapan dupleks pada satu kerangka uji, tidak memuat baris Live 3 per 2026-11-11 — papan tersebut mencantumkan Fish Audio sebagai keluarga model dan tidak menilai satu pun karya dupleksnya. Angka 186 milidetik itu dilaporkan vendor dan belum diaudit. Uraian berikut memisahkan apa yang telah didokumentasikan Fish Audio dari apa yang telah diklaimnya, karena satu hari setelah peluncuran, keduanya adalah dua tumpukan yang berbeda.

Jeda yang merusak nomor telepon

Contoh praktis Fish Audio sendiri adalah argumen terbaik dalam pengumuman itu. Ucapkan sebuah nomor dalam potongan-potongan — “415… 555… 0132” — dan agen konvensional akan mendengar tiga peristiwa akhir giliran yang terpisah, atau satu jeda panjang yang disalahartikan sebagai penelepon sedang berpikir. Live 3 terdokumentasi mengucapkan “mm-hmm” atau “okay, 415” di antara potongan-potongan itu lalu menunggu sisanya. Konfirmasi itu melakukan dua tugas sekaligus: ia memastikan digit-digitnya sudah diterima, dan membiarkan giliran bicara tetap terbuka sehingga penelepon dapat menarik napas, memeriksa beberapa digit berikutnya, dan melanjutkan.

Bagian yang lebih sulit dari masalah yang sama adalah kesalahan yang berlawanan. Jika agen sedang membacakan jam buka dan penelepon mengatakan "yeah" atau "mm-hmm" untuk menunjukkan bahwa mereka mengikuti, Live 3 didokumentasikan untuk terus berjalan alih-alih berhenti. Lalu penelepon berkata "Tunggu, sebenarnya saya hanya perlu hari Kamis," dan ia berhenti dan memberi ruang. Kerangka Fish Audio adalah bahwa tidak setiap suara merupakan interupsi, dan model seharusnya dapat membedakan backchannel dari pengambilalihan tanpa pengembang mendaftarkan setiap suara yang mungkin dibuat manusia.

Kasus ketiga adalah koreksi di tengah ucapan: "Saya ingin dua pizza… bukan, tiga. Tiga yang besar. Dan… sebenarnya, jadikan salah satunya margherita." Pipeline yang langsung bereaksi pada pesanan lengkap pertama yang tampak masuk akal akan membuat pesanan yang salah dua kali. Live 3 didokumentasikan menunggu setiap revisi. Panggilan dukungan, pemesanan, dan pesanan penuh dengan hal seperti ini, dan itulah sebabnya CEO Fish Audio menggunakan analogi linguistik alih-alih angka latensi.

“Perbaikan sejauh ini adalah lebih banyak aturan dan lebih banyak ambang batas,” kata Rissa Cao, salah satu pendiri dan CEO Fish Audio. “Kami berpikir sebuah model harus mempelajari ini dari percakapan nyata, dengan cara yang sama seperti model bahasa mempelajari tata bahasa.”

Apa yang sebenarnya telah dituangkan Fish Audio ke atas kertas

Tanpa bumbu pemasaran, cakupan publikasi Live 3 cukup singkat untuk didaftar secara lengkap. Semua yang di bawah ini berasal dari pengumuman Fish Audio atau dokumentasinya; tidak ada satu pun di sini yang telah diukur secara independen.

• Waktu reaksi — Fish Audio menyatakan bahwa model dapat memutuskan untuk merespons dalam waktu sesingkat 186 milidetik, dalam konteks reaksi singkat seperti "mm-hmm", "okay", dan konfirmasi cepat, bukan jawaban lengkap.

• Arsitektur — dupleks penuh. Ia mendengarkan sambil berbicara, dan itulah yang memungkinkan adanya respons di sela penyebutan angka.

• Sinyal pelatihan — percakapan manusia nyata, dengan perilaku giliran bicara yang dipelajari, bukan dikonfigurasi. Tidak ada ukuran dataset, jumlah jam, maupun set evaluasi yang diungkapkan.

• Bahasa — Hanya bahasa Inggris saat peluncuran, dinyatakan secara gamblang dalam pengumuman.

• Distribusi — Platform Fish Agent, API milik Fish Audio sendiri, dan penerapan on-premises untuk pelanggan enterprise.

• Harga — tidak dipublikasikan. Daftar harga Fish Audio mencantumkan drama-3, s2.1-pro, s2.1-pro-free, s2-pro, dan s1, serta tiga model ASR dan voice-design-1. Live 3 tidak tercantum di dalamnya.

Pengumuman itu sendiri layak dibaca selengkapnya, karena isinya luar biasa konkret soal perilaku dan luar biasa pendiam soal angka.

Tiga kutipan audio menyertainya — seorang penelepon yang menambahkan detail dengan jeda, seorang penelepon yang memotong daftar menu, dan seorang penelepon yang mengatakan "mm-hmm" saat agen membacakan pesanan — dan masing-masing merupakan klaim perilaku yang sama dari sudut pandang yang berbeda. Tidak satu pun disertai skor tingkat transkrip, dan pengumuman itu tidak mengklaimnya.

Apa saja yang membentuk agen Live 3

Live 3 adalah lapisan ucapan dari produk yang lebih besar, dan bagian lain dari produk tersebut adalah tempat pekerjaan integrasi berada. Fish Audio menjalankan Agent Platform yang dihosting, saat ini dalam beta publik, yang mengekspos permukaan REST di bawah /v1/agent/* serta SDK klien untuk JavaScript dan React. Agen dapat dilampirkan ke widget web, nomor telepon, atau klien khusus, dan sesi diautentikasi dengan token sesi alih-alih kunci berumur panjang di browser. Platform menangani jalur audio; Anda membawa instruksi, alat, dan alur kerja.

Bagian yang penting bagi siapa pun yang membangun di atasnya adalah hook LLM kustom. Fish Audio memungkinkan lapisan penalaran agen menunjuk ke endpoint yang kompatibel dengan OpenAI, yang berarti model yang melakukan penalaran tidak harus milik vendor tersebut. Itu adalah sambungan yang disengaja, dan di sambungan itulah lapisan routing seharusnya berada. OrcaRouter berada di belakang endpoint tersebut dengan 216 model dari kunci yang sama, dengan harga daftar penyedia tanpa markup dan failover otomatis saat penyedia mengalami error — sehingga planner di dalam agen Live 3 dapat diganti, diuji A/B pada transkrip panggilan nyata, dan diarahkan ulang tanpa menyentuh lapisan suara atau nomor telepon. Sebuah DSL routing menentukan model mana yang menangani panggilan mana, dan fusi model memungkinkan model murah menyusun draf sementara model yang lebih kuat meninjau pemanggilan alat sebelum dieksekusi. Untuk memperjelas batasannya: OrcaRouter tidak menghosting Fish Audio Live 3. Tidak ada endpoint pihak ketiga untuk itu, dan lapisan suara di sini adalah milik vendor itu sendiri.

Platform adalah tempat agen mendapatkan nomor teleponnya, alat-alatnya, dan siklus hidup sesinya.

Apa yang bisa menyelesaikannya

Tiga angka akan mengubah ini dari sekadar klaim menjadi titik data, dan belum ada satu pun dari angka-angka itu.

• Harga per byte atau per menit untuk {{1}}Live 3{{/1}}, sehingga biaya panggilan sepuluh menit dapat dibandingkan dengan kaskade yang digantikannya. Sampai itu tersedia, setiap estimasi total biaya untuk penerapan {{2}}Live 3{{/2}} hanyalah tebakan dengan titik desimal.

• Distribusi latensi, bukan batas bawah. "Serendah 186 milidetik" menggambarkan ekor cepat dari reaksi-reaksi singkat. Waktu hingga audio pertama untuk jawaban lengkap adalah angka yang menentukan apakah penelepon akan berbicara menimpa agen, dan Fish Audio belum mempublikasikannya.

• Skor pergantian giliran yang independen. Artificial Analysis menjalankan Full-Duplex-Bench dan uji agentik τ-Voice pada model dupleks, dan keduanya akan langsung sebanding dengan baris yang dipublikasikan untuk model dupleks lain di pasar ini. Baris Live 3 di papan mana pun akan menjawab dalam satu tabel apa yang dijawab pengumuman dalam bentuk prosa.

Sementara itu, penilaian jujurnya adalah ini: masalah yang dipilih Fish Audio nyata dan kurang mendapat perhatian, contoh-contoh yang dibahas sudah tepat, dan model itu dikirim ke pengguna nyata melalui platform yang sendirinya masih dalam tahap beta. Jika mode kegagalan agen Anda saat ini adalah penelepon dipotong pembicaraannya, atau mereka harus mengulang urutan angka dua kali, Live 3 memang tepat menyasar hal itu — dan hal pertama yang perlu diinstrumentasikan setelah Anda menerapkannya bukanlah latensi, melainkan seberapa sering penelepon harus memulai ulang.