Fish Audio Live 3 vs Eleven Realtime v1 Max: 186 ms e 0,57 s non sono la stessa misura

Fish Audio Live 3 ed Eleven Realtime v1 Max sono entrambi modelli vocali full-duplex, entrambi rilasciati a distanza di quattro settimane l’uno dall’altro, ed entrambi commercializzati sulla base dell’affermazione che l’alternanza dei turni appartenga al modello vocale anziché a una pipeline di parti separate. Fish Audio afferma che Live 3 può decidere di rispondere in appena 186 millisecondi. Il Realtime v1 Max di ElevenLabs inizia a parlare in 0,57 secondi. Messe a confronto, queste due cifre sembrano un vantaggio di tre a uno per il modello più recente, e questa lettura è sbagliata in un modo che vale la pena capire prima che qualcuno firmi un contratto.

I numeri misurano eventi diversi. I 186 millisecondi di Live 3 sono il dato fornito da Fish Audio per le reazioni brevi — un "mm-hmm", un "okay, 415" tra i blocchi di un numero di telefono — non per una risposta completa. I 0,57 secondi di Max sono un tempo misurato fino al primo audio per la risposta stessa, rilevato con l'harness Speech to Speech di Artificial Analysis. Uno è un valore minimo dichiarato dal fornitore per una conferma; l'altro è una latenza verificata su una risposta. Sottrai l'uno dall'altro e ottieni un numero che non significa nulla, il che è il punto di partenza utile per questo confronto.

Cosa ha effettivamente pubblicato ciascun fornitore

{{1}}Eleven Realtime v1 Max{{/1}} è arrivato il 2026-10-20 con una scheda di valutazione completa. Artificial Analysis lo valuta su {{2}}Big Bench Audio{{/2}} (98,8%), tempo al primo audio (0,57 s), tasso di successo delle attività (87,1%), dinamiche conversazionali di {{3}}Full-Duplex-Bench{{/3}} (94,1%) e preferenza Arena (997 Elo). Non dispone di un Speech to Speech Index perché il test agentico {{4}}τ-Voice{{/4}} alla base di tale indice non è stato eseguito su di esso, e non ottiene nemmeno da ElevenLabs un valore di costo orario — i 4,80 $ all'ora riportati nella tabella sono una conversione delle tariffe al minuto per agente e API di ElevenLabs, non un prezzo di listino pubblicato per il solo modello.

Fish Audio Live 3 è arrivato il 2026-11-10 con un'argomentazione sul comportamento e quasi nessun numero. La superficie pubblicata è abbastanza piccola da poter essere enunciata completamente.

• Velocità di reazione — 186 millisecondi, dichiarati dal fornitore, descritta nel contesto di reazioni brevi anziché di risposte complete.

• Punteggi indipendenti — nessuno. Artificial Analysis non riporta alcuna riga Live 3 nella sua scheda Speech to Speech al 2026-11-11; Fish Audio vi compare come famiglia di modelli, non come voce duplex con punteggio.

• Prezzo — non pubblicato. Il listino prezzi di Fish Audio elenca drama-3, s2.1-pro, s2.1-pro-free, s2-pro e s1, oltre a tre modelli speech-to-text e voice-design-1. Live 3 è assente.

• Lingue — Solo inglese al lancio, come da annuncio.

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

• Architettura — full duplex, addestrata su conversazioni umane registrate affinché il riconoscere, l'attendere, il rispondere e il fermarsi siano comportamenti appresi.

La superficie pubblicata di ElevenLabs è l'immagine speculare: una scorecard completa e un prezzo unitario opaco. Max ha ogni riga tranne l'indice e il test τ-Voice, e ElevenLabs non lo vende come tariffa autonoma al minuto: in ElevenAgents paghi il costo standard dell'agente più i token alla tariffa Realtime, mentre tramite l'API Realtime paghi al minuto per l'audio connesso più i token.

L'argomento sul comportamento, che è la vera competizione

Entrambi i fornitori descrivono lo stesso tipo di guasto e propongono la stessa correzione strutturale, il che rende il confronto insolitamente lineare sul piano delle idee. ElevenLabs afferma che riconoscimento, alternanza dei turni, ragionamento e generazione vocale in Realtime sono ottimizzati come un unico sistema anziché coordinati tra le parti, e il suo esempio documentato del beneficio è il backchannel: si dice che Mini rilevi se chi parla ha finito o sta semplicemente intervenendo con un "mm-hmm". La versione dello stesso concetto offerta da Fish Audio è un numero di telefono letto a blocchi — "415… 555… 0132" — in cui Live 3 potrebbe rispondere "mm-hmm" o "okay, 415" tra un blocco e l'altro e attendere il resto.

Dove divergono è in ciò che ti permettono di mantenere. Eleven Realtime viene venduto in due modi: all'interno di ElevenAgents e tramite un'API Realtime compatibile a livello di protocollo con il protocollo di eventi di OpenAI all'indirizzo wss://api.elevenlabs.io/v1/convai/realtime; scegliere un modello Realtime all'interno di ElevenAgents significa che ElevenLabs gestisce il LLM, lo sforzo di ragionamento, il budget di pensiero, le chiamate parallele agli strumenti, il modello TTS e il provider ASR. La Agent Platform di Fish Audio, attualmente in beta pubblica, adotta la posizione opposta per quanto riguarda il livello di ragionamento: il LLM personalizzato di un agente può puntare a un endpoint compatibile con OpenAI, quindi il modello che esegue il ragionamento sei tu a sceglierlo.

Quella differenza decide più implementazioni di quanto facciano i dati sulla latenza. Se volete che il fornitore gestisca l'intero stack e siete disposti a rinunciare alle soluzioni con LLM personalizzati e alle rotte Bedrock, ElevenAgents è la strada più breve. Se è il livello di ragionamento a differenziare il vostro prodotto — retrieval, controlli di policy, orchestrazione degli strumenti — l'hook per LLM personalizzati lato Fish è la funzionalità che sopravvive al procurement.

Costo, e perché la colonna Live 3 è vuota

Max costa 4,80 $ all'ora di audio in input sulla conversione di Artificial Analysis, contro un valore di 0,84 $ per il concorrente duplex forte più economico presente in quella classifica. Ciò rende il prezzo l'asse su cui un nuovo entrante può vincere rapidamente un contratto, ed è esattamente l'asse sul quale Live 3 attualmente non può essere valutato. Un costo per chiamata per un deployment di Live 3 non può essere calcolato da nulla che Fish Audio abbia pubblicato, perché l'unità di fatturazione non è pubblicata.

Ciò che Fish Audio pubblica, invece, è un tariffario per i suoi altri modelli, e vale la pena conoscerne la struttura perché spiega come l’azienda applica i prezzi al parlato. La sintesi vocale viene fatturata in base ai byte UTF-8 del testo di input, e la documentazione di Fish Audio afferma che un milione di byte UTF-8 corrisponde all’incirca a 180.000 parole inglesi o a circa dodici ore di parlato. Alla tariffa di listino di drama-3 di $50 per milione di byte, ciò equivale a circa $4,17 per ora di parlato generato, ovvero circa $0,83 durante la promozione di lancio valida fino al 2026-11-30. Si tratta di cifre derivate per un prodotto diverso, non dei prezzi di Live 3, e i minuti degli agenti duplex non sono la stessa unità del parlato sintetizzato; tuttavia collocano la scala di prezzo di Fish Audio nello stesso intervallo da $1 a $5 all’ora del resto di questo mercato, anziché un ordine di grandezza al di sotto.

Questa è la sezione in cui un livello di routing si ripaga su entrambi i fronti. OrcaRouter non ospita Fish Audio Live 3 né Eleven Realtime v1 Max — nessuno dei due dispone di un endpoint di terze parti, e il livello vocale in entrambi gli stack resta presso il rispettivo fornitore. Ciò che OrcaRouter ospita è il livello di ragionamento verso cui ciascuno di essi può essere indirizzato: 216 modelli dietro un'unica chiave al prezzo di listino del provider, senza alcun ricarico, failover automatico quando un provider restituisce un errore e un DSL di routing che decide quale modello gestisce quale chiamata. La conseguenza pratica è che il listino prezzi per token di nessuno dei due fornitori diventa un lock-in. Se ElevenLabs rivede il prezzo di Realtime, o Fish Audio pubblica Live 3 con una tariffa per byte, il costo della parte vocale cambia e quello del ragionamento no, perché il costo del ragionamento non è mai stato legato a nessuno dei due fornitori fin dall'inizio.

Su quale costruire adesso?

Punta su Eleven Realtime v1 Max oggi se devi difendere una scelta tecnica davanti a qualcuno che ti chiederà un benchmark. Ha una scorecard verificata, un protocollo di eventi documentato e una latenza misurata che un revisore può controllare. L'incognita su Max è il prezzo orario su volumi elevati, non la qualità.

Pilot Fish Audio Live 3 se il registro dei reclami del tuo agente è pieno di chiamanti a cui si parla sopra, e se sei pronto a misurare tu stesso il miglioramento. Il dato di 186 millisecondi non può essere confrontato con gli 0,57 secondi di Max, il modello non ha un punteggio indipendente di alternanza dei turni, e il suo prezzo di listino non esiste ancora — quindi un pilot va strutturato come un A/B strumentato rispetto al tuo agente attuale, non come una decisione di acquisto basata su una scheda tecnica.

Non trattare 186 millisecondi come un'affermazione sulla latenza per cui puoi ritenere qualcuno responsabile. È una dichiarazione del fornitore su quanto velocemente il modello può scegliere di emettere un breve rumore. Il numero che ti interessa davvero — quanto tempo passa prima che il chiamante senta la prima sillaba della risposta — non è stato pubblicato per Live 3 da nessuno. Quando lo sarà, il confronto con Max diventerà reale, e fino ad allora la risposta onesta a "quale è più veloce" è che uno dei due è misurato e l'altro è descritto.