Fish Audio Live 3 è pronto per la produzione e chiuso: cosa chiede davvero l'offerta di vLLM-Omni

La frase più rivelatrice su Fish Audio Live 3 non è stata scritta da Fish Audio. Quando l'azienda ha annunciato il modello il 10 novembre 2026, la risposta che ha viaggiato più lontano è arrivata dall'account del progetto vLLM: congratulazioni per aver rilasciato un modello vocale full-duplex che ascolta mentre parla, l'auspicio che un giorno possa essere reso open source, e la disponibilità di vLLM-Omni a servirlo una volta che lo sarà. Rileggi quella risposta due volte e avrai la forma dell'intero rilascio, perché contiene entrambe le metà della storia contemporaneamente — un vero progresso nelle capacità, e un'assenza che un framework di serving nota immediatamente.

Fish Audio Live 3 è un modello vocale full-duplex: continua ad ascoltare mentre genera voce ed è venduto come pronto per la produzione fin dal primo giorno tramite l'Agent Platform di Fish Audio, tramite l'API proprietaria dell'azienda e come distribuzione on-premises per le aziende. Non è però scaricabile. Niente pesi, niente licenza, niente repository e — alla data dell'11 novembre — nessun identificatore di modello nella documentazione API di Fish Audio, che elenca ancora s2.1-pro, s2.1-pro-free, s2-pro, s1 e tre modelli transcribe e niente che si chiami Live 3. Ogni dato sulle prestazioni riportato di seguito è di Fish Audio e nessuno è stato riprodotto in modo indipendente.

Cosa è stato rilasciato, e cosa ci fa "production-ready" in quella frase

L'affermazione tecnica nell'annuncio è più circoscritta e più interessante dello slogan di marketing. Fish Audio afferma che il modello gestisce la temporizzazione conversazionale all'interno del modello vocale anziché attraverso una pipeline di fasi separate di riconoscimento, ragionamento e generazione, e che ha imparato quando dare conferma, attendere, rispondere o fermarsi da conversazioni umane registrate anziché da soglie di silenzio scritte a mano. Un livello di ragionamento separato contiene le istruzioni e gli strumenti dell'agente. Tre chiamate di esempio accompagnano il post — completare un ordine, intervenire e fare backchannel durante una rilettura — e sono la cosa più vicina a una prova nel comunicato.

Che cosa significa «production-ready» in pratica è che il wrapper commerciale esiste il giorno del lancio: una piattaforma self-serve con 5 $ di credito e nessuna carta, un agent builder documentato, telefonia e un’opzione enterprise on-premises. Non significa che il modello sia stato sottoposto a qualcosa che un acquirente definirebbe acceptance testing. Non esiste alcuna valutazione pubblicata di alcun tipo: nessun word error rate, nessun tasso di successo sulle attività, nessun punteggio di turn-taking, nessuna distribuzione della latenza. Non è insolito per un modello vocale al primo giorno, ma vale la pena dirlo chiaramente, perché un post di lancio che apre con i millisecondi invita i lettori a trattare un limite inferiore come una misurazione.

Tre numeri, e solo due di essi provengono da Fish Audio

• Velocità di reazione — 186 millisecondi, dato fornito da Fish Audio stesso, descritto nel contesto di reazioni brevi come un "mm-hmm" o una rapida conferma mentre si prepara la risposta completa. È una soglia minima per un cenno di conferma, non un tempo fino al primo audio per una risposta.

Prezzo — $0.035 al minuto sulla Agent Platform, promosso come sconto del 50% rispetto a un prezzo di listino di $0.07, con l'offerta dichiarata valida fino al 31 dicembre 2026. Tale tariffa al minuto include riconoscimento vocale, modello di ragionamento e voce; i token LLM premium vengono fatturati secondo la propria tariffa per token, le chiamate telefoniche aggiungono $0.01 al minuto e i numeri di telefono costano $1.20 al mese.

• Punteggi indipendenti — zero. Artificial Analysis gestisce una classifica speech-to-speech che valuta Grok Voice 3.0, GPT-Live-1, Gemini 3.8 Live, Qwen Audio 3.0 Realtime e una dozzina di altri su ragionamento, dinamiche conversazionali, successo del compito e tempo al primo audio. Verificato l'11 novembre 2026, quella classifica non contiene affatto una riga duplex di Fish Audio.

I primi due numeri sono quelli su cui un acquirente può agire. Il terzo è quello di cui un acquirente avrà eventualmente bisogno, ed è il motivo per cui il prezzo merita un secondo esame anziché un primo: una tariffa promozionale con una data di fine pubblicata non è un modello di costo, è una stima di costo con una scadenza stampata sopra.

Perché un framework di serving si interessa a un modello chiuso

L'interesse di vLLM-Omni non è di natura sentimentale. I framework di serving esistono per eseguire pesi che puoi caricare, su hardware che controlli, a un costo marginale che è la tua bolletta elettrica anziché il contatore al minuto di qualcun altro. Un modello chiuso non è un cliente per questo. L'offerta in quella risposta va quindi letta soprattutto come una richiesta rivolta a una futura release: pubblica il checkpoint e c'è un percorso di inferenza che lo aspetta.

Ciò che rende l’assenza significativa anziché inevitabile è il precedente di Fish Audio stesso. L’azienda ha già distribuito pesi aperti in passato — Fish Audio Drama 3, il suo modello espressivo di sintesi vocale, è disponibile come checkpoint scaricabile ed è stato valutato nelle arene per modelli vocali a pesi aperti. Quindi la distribuzione chiusa in questo caso appare come una decisione di prodotto relativa al business degli agenti live, non come una politica interna sull’apertura. L’opzione on-premises complica ulteriormente la questione: le aziende possono eseguire Live 3 all’interno del proprio perimetro, il che non equivale a poterlo leggere, sottoporre a fine-tuning o riospitare, e Fish Audio non ha detto quali di queste possibilità includa l’accordo on-premises.

La riga "solo inglese" sta accanto all'affermazione "30+ lingue"

Due frasi sulle proprietà di Fish Audio stesso tirano in direzioni diverse. L'annuncio afferma esplicitamente che oggi Live 3 parla inglese. La pagina Agent Platform, sullo stesso sito, pubblicizza oltre 2.000.000 di voci in più di 30 lingue e un chiamante «che riceve risposta in pochi secondi, giorno o notte, nella lingua del chiamante». Entrambe possono essere vere contemporaneamente — una grande libreria vocale multilingue e uno strato di riconoscimento vocale possono coprire trenta lingue mentre il modello duplex sottostante ne parla una sola — ma solo una di quelle frasi descrive ciò che stai acquistando quando acquisti Live 3. Se i tuoi chiamanti non parlano inglese, la domanda interessante non è cosa la piattaforma sappia pronunciare, ma quando il modello duplex sarà al passo.

Cosa puoi chiamare oggi, e attraverso cosa

L'accesso avviene tramite l'API proprietaria di Fish Audio e l'Agent Platform, con la modalità on-premises riservata ai contratti enterprise. Non esiste un'erogazione del modello da parte di terze parti, che è la diretta conseguenza del checkpoint mancante: non è possibile noleggiare Live 3 da un fornitore di infrastrutture perché non c'è alcun artefatto da distribuire. Chiunque descriva il modello come "disponibile tramite piattaforme partner" sta descrivendo la libreria vocale della piattaforma, non il modello duplex.

La metà portabile di uno stack di agenti è quella del ragionamento e, sulla Agent Platform, quella metà è una voce separata in fattura. È qui che un router si guadagna il suo posto, anziché come modo per raggiungere il modello vocale: OrcaRouter offre oltre 200 modelli dietro un'unica chiave al prezzo di listino del provider, senza alcun ricarico, così il modello testuale che svolge il ragionamento può essere sostituito, fissato o sottoposto a failover senza toccare il contratto vocale, e il failover automatico mantiene attiva una chiamata quando il backend di ragionamento genera errori o va in timeout. Fish Audio Live 3 non è in quell'elenco — non c'è nulla da ospitare — e nessuna parte di questo articolo va interpretata come un'asserzione contraria.

Cosa cambierebbe questo pezzo

Quattro eventi, in ordine approssimativo di quanto sposterebbero il quadro. Un checkpoint, cioè ciò che chiede la risposta di vLLM-Omni e che metterebbe Live 3 sullo stesso piano di Drama 3. Una riga in una classifica indipendente speech-to-speech, che trasformerebbe i 186 millisecondi da un'asserzione in un dato con un contesto. Una stringa del modello e una tariffa pubblicate nella documentazione API di Fish Audio, che renderebbero la cosa citabile in un documento di acquisto. E il 1° gennaio 2027, quando la tariffa promozionale di $0,035 sopravviverà o meno.

Fino ad allora, il riassunto onesto è che Live 3 è il modello vocale più interessante rilasciato questa settimana e quello meno documentato: un vero argomento architetturale su dove dovrebbe risiedere la gestione dei turni, avvolto in un prodotto commerciale che ha pubblicato il suo prezzo e nient'altro. È una cosa ragionevole da rilasciare. Non è ancora una cosa che si può valutare, e la differenza tra queste due frasi è esattamente ciò che un framework di serving, un benchmark indipendente e un team di procurement attendono, ciascuno per il proprio ambito.