Fish Audio Live 3 vs Eleven Realtime v1 Max: 186 ms dan 0,57 s Bukan Pengukuran yang Sama

Fish Audio Live 3 dan Eleven Realtime v1 Max keduanya adalah model suara dupleks penuh, keduanya dirilis dalam rentang empat minggu satu sama lain, dan keduanya dijual dengan klaim bahwa giliran bicara berada di dalam model ucapan, bukan dalam pipeline bagian-bagian terpisah. Fish Audio mengatakan Live 3 dapat memutuskan untuk merespons dalam waktu sesingkat 186 milidetik. ElevenLabs' Realtime v1 Max mulai berbicara dalam 0,57 detik. Jika disandingkan, kedua angka itu tampak seperti kemenangan tiga kali lipat bagi model yang lebih baru, dan tafsiran itu salah dengan cara yang layak dipahami sebelum siapa pun menandatangani kontrak.

Angka-angka itu mengukur peristiwa yang berbeda. 186 milidetik milik Live 3 adalah angka Fish Audio sendiri untuk reaksi pendek — sebuah "mm-hmm", sebuah "okay, 415" di antara potongan-potongan nomor telepon — bukan untuk jawaban lengkap. 0,57 detik milik Max adalah waktu-ke-audio-pertama yang terukur untuk respons itu sendiri, yang diambil pada harness Speech to Speech milik Artificial Analysis. Yang satu adalah batas bawah yang dilaporkan vendor untuk sebuah pengakuan; yang lain adalah latensi teraudit untuk sebuah balasan. Kurangi keduanya dan Anda mendapatkan angka yang tidak berarti apa-apa, yang justru menjadi titik awal yang berguna untuk perbandingan ini.

Apa yang sebenarnya telah dipublikasikan oleh masing-masing vendor

Eleven Realtime v1 Max hadir pada 20 Oktober 2026 dengan kartu skor lengkap. Artificial Analysis memberinya skor pada Big Bench Audio (98,8%), waktu hingga audio pertama (0,57 s), tingkat keberhasilan tugas (87,1%), dinamika percakapan Full-Duplex-Bench (94,1%), dan preferensi Arena (997 Elo). Model ini tidak memiliki Speech to Speech Index karena uji τ-Voice agentik di balik indeks tersebut belum dijalankan padanya, dan model ini juga tidak memperoleh angka biaya per jam dari ElevenLabs — angka $4,80 per jam di papan skor merupakan konversi dari tarif per menit agen dan API ElevenLabs, bukan harga daftar resmi untuk model itu saja.

Fish Audio Live 3 hadir pada 2026-11-10 dengan argumen soal perilaku dan hampir tanpa angka. Permukaan yang dipublikasikan cukup kecil untuk diuraikan secara lengkap.

• Kecepatan reaksi — 186 milidetik, menurut laporan vendor, dijelaskan dalam konteks reaksi singkat, bukan jawaban lengkap.

• Skor independen — tidak ada. Artificial Analysis tidak memuat baris Live 3 pada papan Speech to Speech per 2026-11-11; Fish Audio muncul di sana sebagai keluarga model, bukan sebagai entri dupleks yang diberi skor.

• Harga — tidak dipublikasikan. Kartu tarif Fish Audio mencantumkan drama-3, s2.1-pro, s2.1-pro-free, s2-pro, dan s1, ditambah tiga model speech-to-text dan voice-design-1. Live 3 tidak ada di dalamnya.

• Bahasa — Hanya bahasa Inggris saat peluncuran, sesuai pengumuman.

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

• Arsitektur — dupleks penuh, dilatih pada rekaman percakapan manusia sehingga mengonfirmasi, menunggu, menjawab, dan berhenti merupakan perilaku yang dipelajari.

Tampilan publik ElevenLabs adalah kebalikannya: kartu skor lengkap dan harga satuan yang tidak transparan. Max memiliki semua baris kecuali indeks dan tes τ-Voice, dan ElevenLabs tidak menjualnya sebagai tarif per menit mandiri — di ElevenAgents Anda membayar biaya agen standar ditambah token dengan tarif Realtime, dan melalui Realtime API Anda membayar per menit audio yang terhubung ditambah token.

Argumen perilaku, yang merupakan kompetisi sesungguhnya

Kedua vendor menggambarkan mode kegagalan yang sama dan mengusulkan perbaikan struktural yang sama, sehingga perbandingannya luar biasa bersih pada tingkat ide. ElevenLabs mengatakan pengenalan, giliran bicara, penalaran, dan pembangkitan suara di Realtime disetel sebagai satu sistem, bukan dikoordinasikan antarbagian, dan contoh manfaat yang terdokumentasi adalah backchannel: Mini digambarkan mendeteksi apakah penutur sudah selesai atau hanya menyela dengan "mm-hmm". Versi klaim yang sama dari Fish Audio adalah nomor telepon yang dibaca dalam potongan — "415… 555… 0132" — di mana Live 3 mungkin menjawab "mm-hmm" atau "okay, 415" di antaranya dan menunggu sisanya.

Titik perbedaannya terletak pada apa yang mereka izinkan Anda pertahankan. Eleven Realtime dijual dengan dua cara: di dalam ElevenAgents dan melalui Realtime API yang kompatibel secara wire dengan protokol event OpenAI di wss://api.elevenlabs.io/v1/convai/realtime, dan memilih model Realtime di dalam ElevenAgents berarti ElevenLabs mengelola LLM, upaya penalaran, anggaran berpikir, panggilan alat paralel, model TTS, dan penyedia ASR. Agent Platform milik Fish Audio, yang saat ini dalam beta publik, mengambil sikap berlawanan pada lapisan penalaran: LLM kustom sebuah agen dapat diarahkan ke endpoint yang kompatibel dengan OpenAI, sehingga model yang melakukan proses berpikir menjadi pilihan Anda.

Perbedaan itulah yang menentukan lebih banyak deployment daripada angka latensi. Jika Anda ingin vendor memiliki seluruh stack dan bersedia mengabaikan rute custom-LLM dan Bedrock, ElevenAgents adalah jalur yang lebih singkat. Jika lapisan penalaran adalah tempat produk Anda membedakan diri — retrieval, pemeriksaan kebijakan, orkestrasi tool — hook custom-LLM di sisi Fish adalah fitur yang bertahan dalam pengadaan.

Biaya, dan mengapa kolom Live 3 kosong

Max memakan biaya $4,80 per jam audio masukan pada konversi Artificial Analysis, dibandingkan angka $0,84 untuk pesaing duplex kuat termurah di papan tersebut. Hal itu menjadikan harga sebagai sumbu tempat pendatang baru dapat memenangkan kesepakatan dengan cepat, dan justru itulah sumbu yang saat ini tidak dapat digunakan untuk mengevaluasi Live 3. Biaya per panggilan untuk penerapan Live 3 tidak dapat dihitung dari apa pun yang telah diterbitkan Fish Audio, karena unit penagihannya tidak diterbitkan.

Yang memang dipublikasikan Fish Audio adalah daftar tarif untuk model-model lainnya, dan bentuknya layak diketahui karena memberi tahu Anda bagaimana perusahaan itu menetapkan harga ucapan. Text-to-speech ditagih berdasarkan byte UTF-8 dari teks masukan, dan dokumentasi Fish Audio sendiri menyatakan bahwa satu juta byte UTF-8 kira-kira setara dengan 180.000 kata bahasa Inggris atau sekitar dua belas jam ucapan. Pada tarif daftar drama-3 sebesar $50 per juta byte, itu berarti sekitar $4,17 per jam ucapan yang dihasilkan, atau sekitar $0,83 selama promosi peluncuran yang berlangsung hingga 2026-11-30. Itu adalah angka turunan untuk produk lain, bukan harga Live 3, dan menit agen dupleks bukan unit yang sama dengan ucapan yang disintesis — tetapi angka itu menempatkan skala harga Fish Audio dalam kisaran $1 hingga $5 per jam yang sama dengan pasar lainnya, bukan satu orde besaran di bawahnya.

Ini adalah bagian di mana lapisan perutean membuktikan nilainya di kedua sisi. OrcaRouter tidak menghosting Fish Audio Live 3 atau Eleven Realtime v1 Max — keduanya tidak memiliki endpoint pihak ketiga, dan lapisan ucapan di kedua stack tetap bersama vendornya. Yang dihosting OrcaRouter adalah lapisan penalaran yang dapat dijadikan tujuan oleh masing-masing:216 model di balik satu kunci pada harga daftar penyedia tanpa markup, failover otomatis saat penyedia mengalami error, dan DSL perutean yang menentukan model mana yang menangani panggilan mana. Konsekuensi praktisnya adalah daftar harga token dari kedua vendor tidak menciptakan ketergantungan. Jika ElevenLabs mengubah harga Realtime, atau Fish Audio menerbitkan Live 3 sebagai tarif per byte, tagihan ucapan berubah dan tagihan penalaran tidak, karena tagihan penalaran sejak awal tidak pernah terikat pada salah satu vendor.

Mana yang harus dikembangkan sekarang

Bangun dengan Eleven Realtime v1 Max hari ini jika Anda perlu mempertahankan pilihan teknis kepada seseorang yang akan meminta tolok ukur. Ini memiliki kartu skor yang telah diaudit, protokol peristiwa yang terdokumentasi, dan latensi terukur yang dapat diperiksa oleh peninjau. Yang belum diketahui pada Max adalah harga per jam pada volume besar, bukan kualitas.

Pilot Fish Audio Live 3 jika log keluhan agen Anda penuh dengan penelepon yang dipotong bicaranya, dan jika Anda siap mengukur peningkatan itu sendiri. Angka 186 milidetik tidak dapat dibandingkan dengan 0,57 detik milik Max, model ini tidak memiliki skor giliran bicara independen, dan harga daftarnya belum ada — jadi uji coba harus disusun sebagai A/B terinstrumentasi terhadap agen Anda saat ini, bukan sebagai keputusan pengadaan berdasarkan lembar spesifikasi.

Jangan anggap 186 milidetik sebagai klaim latensi yang bisa Anda tuntut dari siapa pun. Itu adalah pernyataan vendor tentang seberapa cepat model dapat memilih untuk mengeluarkan bunyi singkat. Angka yang sebenarnya Anda pedulikan — berapa lama hingga pemanggil mendengar suku kata pertama jawaban — belum diterbitkan untuk Live 3 oleh siapa pun. Saat angka itu diterbitkan, perbandingan dengan Max menjadi perbandingan yang nyata, dan sampai saat itu jawaban jujur untuk "mana yang lebih cepat" adalah bahwa salah satunya diukur dan yang lainnya dideskripsikan.