Fish Audio Live 3 vs GPT-Live-1: Keduanya Setengah Produk, dan Meteran Menunjukkan Setengah yang Mana

Fish Audio Live 3 dan GPT-Live-1 sama-sama model suara dupleks penuh, keduanya berargumen bahwa pengambilan giliran merupakan bagian dari model suara itu sendiri, dan keduanya, secara mandiri, belum lengkap. GPT-Live-1 mendengarkan dan berbicara lalu menyerahkan proses berpikir kepada model backend terpisah — itu adalah desainnya, bukan keterbatasan — dan ia menagih $0.05 per menit suara untuk paruh depannya sementara penalaran datang melalui meter kedua. Fish Audio Live 3 melakukan hal yang sama secara struktural: lapisan suara berjalan di Agent Platform milik Fish Audio sementara penalaran agen dapat diarahkan ke endpoint apa pun yang kompatibel dengan OpenAI melalui hook LLM kustom. Perbedaannya adalah OpenAI telah menerbitkan harga paruh pertama dan Artificial Analysis telah menerbitkan skor keseluruhan sistem, sementara Fish Audio tidak menerbitkan keduanya, dan menyebut satu-satunya angka yang diberikannya — 186 milidetik, interval terpendek di mana Live 3 dapat memutuskan untuk bereaksi — sebagai dilaporkan vendor.

Itu membuat ini bukan sekadar kontes antara dua model, melainkan kontes antara dua cara membelah agen suara menjadi dua, dan cara pembelahan itu lebih penting daripada modelnya. GPT-Live-1 mencetak 81,5 pada Artificial Analysis Speech to Speech Index saat dipasangkan dengan GPT-6 Astra pada upaya sedang dan 80,1 dengan GPT-5.6 Sol pada upaya rendah, yang berarti pilihan backend menggeser hasil sebesar tujuh kali selisih antara peringkat pertama dan kedua. Angka setara untuk Live 3 belum ada. Membeli salah satu dari keduanya berarti membeli setengah sistem dan berkomitmen untuk memilih sendiri setengah lainnya.

Apa yang sebenarnya dipublikasikan oleh masing-masing vendor

GPT-Live-1 adalah produk yang didokumentasikan lebih baik, dan dokumentasinya spesifik tentang seam tersebut. Produk ini dirilis di dalam ChatGPT pada 2026-07-08 sebagai pengganti Advanced Voice Mode dan mencapai API pengembang pada 2026-09-10. Papan Artificial Analysis memuat dua baris untuknya karena indeks menilai seluruh sistem: 81,5 dengan GPT-6 Astra pada upaya sedang, peringkat pertama, dan 80,1 dengan GPT-5.6 Sol pada upaya rendah, peringkat ketiga. Angka komponen di bawah baris Astra adalah skor agentik 67,9% pada τ-Voice, 90% pada Big Bench Audio, tingkat keberhasilan tugas 87,4%, Elo arena 1.048, dan 1,34 detik hingga audio pertama — diukur terhadap 0,798 detik milik OpenAI sendiri pada Full-Duplex-Bench, yang mengukur peristiwa yang berbeda.

Materi publik Live 3 hanya satu paragraf dan sekumpulan contoh yang dikerjakan. Fish Audio mengumumkannya pada 2026-11-10, mendeskripsikannya sebagai dupleks penuh dan dilatih pada rekaman percakapan manusia, menyatakan bahwa model ini dapat memutuskan untuk merespons dalam waktu sesingkat 186 milidetik untuk reaksi singkat, menyebutkan bahwa pada peluncuran hanya tersedia dalam bahasa Inggris, dan menawarkannya melalui Fish Agent Platform, API milik Fish Audio, serta penerapan on-premises. Tidak ada benchmark, tidak ada angka τ-Voice, tidak ada Elo arena, dan tidak ada baris untuknya di kartu tarif Fish Audio — yang mencantumkan drama-3, s2.1-pro, s2.1-pro-free, s2-pro, dan s1, plus tiga model transkripsi dan voice-design-1.

• Bagian depan — GPT-Live-1: $0,05 per menit suara, ditagih per detik, dengan 15 detik dikenakan biaya di awal sesi dan dikreditkan terhadap penggunaan berikutnya. Live 3: harga tidak dipublikasikan.

• Paruh belakang — GPT-Live-1: model backend asinkron pilihan Anda, ditagih dengan tarif model tersebut, dengan GPT-5.6 Terra dalam contoh WebRTC terbitan OpenAI. Live 3: hook LLM kustom yang mengarah ke endpoint apa pun yang kompatibel dengan OpenAI, juga ditagih oleh pihak yang menyediakannya.

• Skor independen — GPT-Live-1: 81,5 dan 80,1 pada indeks komposit, dua konfigurasi dinilai secara terpisah. Live 3: tidak ada, per 2026-11-11.

Transport dan batas — GPT-Live-1: hanya WebRTC, tanpa input gambar atau video, tanpa output terstruktur, tanpa tingkat gratis, dan batas konkurensi 25, 50, 200, 300, dan 500 sesi bersamaan di seluruh Tier 1 hingga 5. Live 3: REST di bawah /v1/agent/* dengan SDK JavaScript dan React, autentikasi token sesi, kanal untuk nomor telepon, widget web, atau klien kustom.

Mengapa struktur dua meter adalah keputusan yang sebenarnya

Tagihan agen suara memiliki dua bagian dan hanya satu di antaranya yang dapat diprediksi. Bagian depan diukur berdasarkan waktu: pada $0,05 per menit, panggilan lima menit biayanya seperempat dolar dan satu jam saluran terbuka biayanya tiga dolar, aritmetika yang cukup sederhana untuk diperkirakan. Bagian belakang diukur dengan token, bervariasi tergantung seberapa keras pemanggil berpikir, dan itulah bagian yang menghasilkan kejutan tidak menyenangkan — itulah sebabnya Artificial Analysis melaporkan biaya all-in per jam alih-alih tarif suara per menit. Angkanya adalah $5,83 per jam untuk pasangan Astra dan $4,47 untuk pasangan Sol, keduanya termasuk pekerjaan backend, dibandingkan dengan $3,00 per jam yang disarankan oleh meter suara saja.

Live 3 memiliki bentuk dua meter yang sama dengan satu meter disembunyikan. Fish Audio belum menerbitkan tarif untuk lapisan ucapan, sehingga paruh depan tidak diketahui, dan paruh belakang adalah berapa pun yang ditagih oleh endpoint di balik hook LLM kustom. Oleh karena itu, panggilan Live 3 selama sepuluh menit hanya memiliki biaya yang dapat dihitung jika Anda mengetahui kedua angka tersebut, dan saat ini Anda tidak mengetahui keduanya dari vendor.

Asimetri itulah alasan lapisan perutean muncul sama sekali dalam perbandingan ini, dan ia hanya berada di paruh belakang. OrcaRouter tidak menghosting Fish Audio Live 3 atau GPT-Live-1 — keduanya tidak memiliki endpoint suara pihak ketiga, dan lapisan ucapan dalam kedua stack tetap bersama vendornya. Yang dihosting OrcaRouter adalah paruh yang didelegasikan kedua sistem: 216 model di balik satu kunci dengan harga daftar penyedia tanpa markup, failover otomatis saat backend error atau timeout, DSL perutean yang menentukan model mana menangani jenis giliran tertentu, dan fusi model sehingga model murah dapat menyusun draf pemanggilan alat sementara model yang lebih kuat memeriksanya sebelum dijalankan. Untuk deployment GPT-Live-1, efek praktisnya adalah selisih 1,4 poin antara dua konfigurasi yang dinilai menjadi sesuatu yang dapat Anda ukur pada traffic Anda sendiri alih-alih dibaca dari papan peringkat. Untuk deployment Live 3, artinya lapisan penalaran dipilih sebelum harga lapisan ucapan bahkan diketahui — yang merupakan urutan yang tepat, karena itulah paruh yang dapat Anda ubah nanti.

Angka latensi yang terus dibandingkan dengan hal yang salah

Tiga angka latensi beredar dalam perbandingan ini dan tidak ada dua pun yang mengukur peristiwa yang sama. 0,798 detik milik GPT-Live-1 berasal dari Full-Duplex-Bench, rangkaian uji dinamika percakapan yang mengukur waktu model dalam skenario giliran bicara. Angka 1,34 detiknya adalah waktu hingga audio pertama, yang diukur pada API. 186 milidetik milik Live 3 adalah angka Fish Audio sendiri untuk interval terkecil ketika model dapat memilih untuk mengeluarkan reaksi singkat seperti "mm-hmm" atau "okay, 415" di antara potongan-potongan nomor telepon.

Baca semuanya bersama-sama dan mudah tergoda untuk menyimpulkan bahwa Live 3 merespons dalam sepertujuh waktu. Kesimpulan itu tidak didukung oleh apa pun yang diterbitkan kedua vendor. Satu-satunya perbandingan yang memungkinkan dari angka-angka tersebut bersifat terarah: kedua perusahaan mengklaim bahwa peristiwa audio pertama dalam suatu percakapan dapat tiba dalam seperempat detik pada kondisi tertentu, dan tidak ada yang menerbitkan distribusi. Yang dimiliki GPT-Live-1 tetapi tidak dimiliki Live 3 adalah perangkat uji pihak ketiga yang menerapkan pengukuran yang sama padanya dan pada para pesaingnya, yang membuat 1,34 detik menjadi angka yang dapat diperiksa pengulas dan 186 milidetik menjadi angka yang harus diverifikasi oleh pilot.

Apa yang arsitektur tuntut dari Anda

Kedua bagian itu tidak sama mudah dipindahkan, dan itulah bagian yang perlu dipikirkan sebelum salah satu pilot dimulai.

Di sisi GPT-Live-1, lapisan suara praktis sudah tidak bisa diubah. Sesi berjalan melalui WebRTC, bukan melalui transport WebSocket yang digunakan sebagian besar integrasi Realtime yang ada; endpoint Live Sessions hanya milik OpenAI; dan mencoba jalur lama dengan ID model GPT-Live akan mengembalikan error yang menyatakan bahwa sesi memerlukan WebRTC. Beralih ke sana berarti menulis ulang transport. Beralih darinya berarti menulis ulang transport lagi.

Di sisi Live 3, lapisan ucapan ditetapkan dengan cara berbeda: ini adalah platform beta dari vendor yang lebih kecil, hanya bahasa Inggris, tanpa harga yang dipublikasikan dan tanpa skor independen. Yang portabel di sana adalah kait penalaran, dan yang tidak portabel adalah segala sesuatu di bawahnya — jalur audio, nomor telepon, siklus hidup sesi.

Dalam kedua kasus, bagian seluler adalah model penalaran, dan di situlah penggantian menjadi perubahan ID model alih-alih proyek integrasi. Pelajaran desainnya sama di kedua sisi perbandingan ini: letakkan kecerdasan di lapisan yang dapat Anda tukar, dan jaga lapisan yang tidak dapat Anda tukar tetap setipis yang dimungkinkan produk.

Setengah mana yang harus dibeli dulu

Beli bagian GPT-Live-1 terlebih dahulu jika Anda perlu membenarkan keputusan itu sekarang. Layanan ini memiliki tarif yang dipublikasikan, dua konfigurasi yang dinilai, rincian komponen, transport yang terdokumentasi, dan tangga konkurensi yang dapat Anda gunakan sebagai dasar untuk menentukan ukuran pusat panggilan. Yang tidak dimilikinya adalah jalur video, keluaran alat yang terstruktur, paket gratis, atau reproduksi independen apa pun atas klaim interaktivitas 80,1% milik OpenAI sendiri.

Uji coba dulu bagian Live 3 jika panggilan Anda berbahasa Inggris, log keluhan Anda penuh dengan penelepon yang dipotong pembicaraannya, dan penerapan on-premises merupakan keharusan, bukan preferensi. Masuklah dengan kesadaran bahwa Andalah evaluasinya: tidak ada baris tarif, tidak ada angka τ-Voice, tidak ada skor arena, dan klaim 186 milidetik yang menggambarkan reaksi singkat alih-alih jawaban.

Jangan membeli salah satu dari kedua bagian itu dengan harapan vendor akan menyelesaikan produknya. GPT-Live-1 tanpa backend adalah pendengar yang sangat baik yang tidak punya apa pun untuk dikatakan; Live 3 tanpa endpoint penalaran di balik hook-nya adalah lapisan suara beta dengan tagihan yang belum dipublikasikan. Skor yang menentukan pertandingan ini — 81.5 melawan ketiadaan — sebenarnya adalah pernyataan tentang dokumentasi, dan angka yang akan menyelesaikannya adalah uji giliran bicara independen pertama pada Live 3.