Fish Audio Live 3 risponde in 186 millisecondi, poi trascorre la chiamata a decidere se parlare

Fish Audio Live 3 è un modello vocale full-duplex che Fish Audio ha annunciato il 2026-11-10, e tutta la sua proposta si basa su una sola distinzione che la maggior parte degli agenti vocali continua a sbagliare: una pausa nel mezzo di un numero di telefono non è lo stesso evento della pausa alla fine di una domanda. Il modello continua ad ascoltare mentre parla, secondo Fish Audio può decidere di rispondere in appena 186 millisecondi, ed è stato addestrato su conversazioni umane registrate per imparare quando dare un riscontro, quando aspettare, quando rispondere e quando fermarsi — invece di ricevere una tabella di soglie di silenzio.

Quell'ultima clausola è quella interessante, ed è anche il motivo per cui questo articolo non può fornirti un benchmark. Fish Audio non ha pubblicato alcuna valutazione per Live 3, nessun prezzo per byte per esso nel proprio listino prezzi e nessuna documentazione su identificativo del modello o endpoint che lo nomini. Artificial Analysis, che valuta i modelli vocali duplex su un unico harness, non riporta alcuna riga per Live 3 alla data dell'11 novembre 2026 — la classifica elenca Fish Audio come famiglia di modelli e non assegna alcun punteggio a nessuno dei suoi lavori duplex. Il dato di 186 millisecondi è dichiarato dal fornitore e non verificato. Quanto segue separa ciò che Fish Audio ha documentato da ciò che ha affermato, perché un giorno dopo il lancio si tratta di due cumuli diversi.

La pausa che rovina un numero di telefono

L'esempio pratico fornito da Fish Audio stesso è il miglior argomento a favore dell'annuncio. Leggi un numero a pezzi — "415… 555… 0132" — e un agente convenzionale sente tre distinti eventi di fine turno, oppure un'unica lunga esitazione che scambia per il chiamante che sta pensando. Secondo la documentazione, Live 3 dice "mm-hmm" o "okay, 415" tra un pezzo e l'altro e poi aspetta il resto. Il riconoscimento assolve due compiti contemporaneamente: conferma che le cifre sono arrivate e lascia aperto il turno di parola, così il chiamante può prendere fiato, controllare le cifre successive e continuare.

La metà più difficile dello stesso problema è l’errore opposto. Se l’agente sta leggendo gli orari di apertura e chi chiama dice «yeah» o «mm-hmm» per far capire che sta seguendo, è documentato che Live 3 continui invece di fermarsi. Poi chi chiama dice «Aspetta, in realtà mi serve solo giovedì», e si ferma e fa spazio. La posizione di Fish Audio è che non ogni suono è un’interruzione, e il modello dovrebbe distinguere un backchannel da una presa di parola senza che uno sviluppatore enumeri ogni suono che un essere umano potrebbe emettere.

Il terzo caso riguarda le correzioni a metà enunciato: "Vorrei due pizze… no, tre. Tre grandi. E… anzi, una di quelle rendila una margherita." Una pipeline che scatta al primo ordine completo plausibile effettua l'ordine sbagliato due volte. È documentato che Live 3 attende ogni revisione. Le chiamate all'assistenza, le prenotazioni e gli ordini sono pieni esattamente di questo, ed è il motivo per cui l'amministratore delegato di Fish Audio ha scelto un'analogia linguistica anziché un numero di latenza.

"Finora la soluzione è stata più regole e più soglie", ha affermato Rissa Cao, cofondatrice e CEO di Fish Audio. "Riteniamo che un modello dovrebbe impararlo dalle conversazioni reali, allo stesso modo in cui i modelli linguistici imparano la grammatica."

Ciò che Fish Audio ha effettivamente messo per iscritto

Spogliato del marketing, il perimetro pubblicato di Live 3 è abbastanza breve da poter essere elencato per intero. Tutto ciò che segue proviene dall’annuncio di Fish Audio o dalla sua documentazione; nulla di quanto qui riportato è stato misurato in modo indipendente.

• Tempo di reazione — Fish Audio afferma che il modello può decidere di rispondere in appena 186 millisecondi, nel contesto di brevi reazioni come "mm-hmm", "okay" e rapide conferme anziché risposte complete.

• Architettura — full duplex. Ascolta mentre parla, ed è proprio questo che rende possibile, in assoluto, una conferma a metà numero.

• Segnale di addestramento — conversazioni umane reali, con il comportamento di alternanza dei turni appreso anziché configurato. Non vengono divulgati né la dimensione del dataset, né il numero di ore, né il set di valutazione.

• Lingue — Solo inglese al lancio, dichiarato chiaramente nell'annuncio.

• Distribuzione — la Fish Agent Platform, l'API proprietaria di Fish Audio e il deployment on-premises per i clienti enterprise.

• Prezzo — non pubblicato. Il listino di Fish Audio elenca drama-3, s2.1-pro, s2.1-pro-free, s2-pro e s1, oltre a tre modelli ASR e voice-design-1. Live 3 non compare.

L'annuncio stesso merita di essere letto per intero, perché è insolitamente concreto sul comportamento e insolitamente silenzioso sui numeri.

Tre estratti audio lo accompagnano — un chiamante che aggiunge dettagli con delle pause, un chiamante che interrompe un elenco del menu e un chiamante che dice «mm-hmm» mentre l'operatore rilegge un ordine — e ciascuno è la stessa affermazione sul comportamento da un'angolazione diversa. Nessuno di essi è corredato da un punteggio a livello di trascrizione, e l'annuncio non ne rivendica alcuno.

Di cosa è fatto un agente Live 3

{{1}}Live 3{{/1}} è il livello vocale di un prodotto più ampio, e il resto di quel prodotto è dove risiede il lavoro di integrazione. {{2}}Fish Audio{{/2}} gestisce una Agent Platform ospitata, attualmente in beta pubblica, che espone una superficie REST sotto {{3}}/v1/agent/*{{/3}} oltre a SDK client per JavaScript e React. Gli agenti possono essere collegati a un widget web, a un numero di telefono o a un client personalizzato, e le sessioni vengono autenticate con token di sessione anziché con una chiave di lunga durata nel browser. La piattaforma gestisce il percorso audio; tu fornisci le istruzioni, gli strumenti e i flussi di lavoro.

La parte che conta per chiunque costruisca sopra di essa è l'hook LLM personalizzato. Fish Audio consente al livello di ragionamento di un agente di puntare a un endpoint compatibile con OpenAI, il che significa che il modello che svolge il lavoro di pensiero non deve essere quello del fornitore. Si tratta di una giuntura deliberata, ed è la giuntura a cui appartiene un livello di routing. OrcaRouter si colloca dietro quell'endpoint con 216 modelli dalla stessa chiave, al prezzo di listino del provider senza alcun ricarico e failover automatico quando un provider restituisce un errore — così il planner all'interno di un agente Live 3 può essere sostituito, testato A/B su trascrizioni reali di chiamate e riorientato senza toccare il livello vocale o il numero di telefono. Un DSL di routing decide quale modello riceve quale chiamata, e la fusione di modelli consente a un modello economico di redigere una bozza mentre uno più forte rivede la chiamata allo strumento prima che venga eseguita. Per essere espliciti sul confine: OrcaRouter non ospita Fish Audio Live 3. Non esiste un endpoint di terze parti per esso, e il livello vocale qui è quello proprietario del fornitore.

La piattaforma è il luogo in cui un agente ottiene il proprio numero di telefono, i propri strumenti e il ciclo di vita della propria sessione.

Cosa lo risolverebbe

Tre numeri trasformerebbero questo da un'affermazione in un dato, e nessuno dei tre esiste ancora.

• Un prezzo per byte o al minuto per Live 3, così che il costo di una chiamata di dieci minuti possa essere confrontato con quello della cascata che sostituisce. Finché non sarà disponibile, qualsiasi stima del costo totale per un'implementazione di Live 3 è un'ipotesi con la virgola decimale.

• Una distribuzione della latenza più che un valore minimo. «Appena 186 millisecondi» descrive la coda veloce delle reazioni brevi. Il tempo al primo audio per una risposta completa è il numero che decide se chi chiama parla sopra all'agente, e Fish Audio non l'ha pubblicato.

• Un punteggio indipendente sull'alternanza dei turni. Artificial Analysis esegue Full-Duplex-Bench e un test agentico τ-Voice sui modelli duplex, ed entrambi sarebbero direttamente confrontabili con le righe pubblicate per gli altri modelli duplex in questo mercato. Una riga di Live 3 su uno dei due tabelloni risponderebbe in una sola tabella a ciò che l'annuncio spiega in prosa.

Nel frattempo, la lettura onesta è questa: il problema scelto da Fish Audio è reale e poco servito, gli esempi pratici sono quelli giusti, e il modello sta arrivando a utenti reali attraverso una piattaforma che è essa stessa ancora in beta. Se oggi la modalità di errore del tuo agente è che si parla sopra ai chiamanti, o che devono ripetere due volte una sequenza di cifre, Live 3 punta esattamente a questo — e la prima cosa da strumentare dopo il deployment non è la latenza, ma quanto spesso il chiamante deve ricominciare da capo.